模型性能与技术创新 - GLM-5旨在推动编程范式从“VibeCoding”转向“AgenticEngineering” [1] - GLM-5在稀疏注意力、异步强化学习基础设施及异步Agent强化学习算法方面实现创新 [1] - 基于上述创新，GLM-5在主流的开放基准测试中实现了SOTA性能 [1] 能力与成本优势 - GLM-5采用稀疏注意力以大幅降低推理成本，同时保持长上下文能力无损 [1] - 其新型异步强化学习基础设施通过将生成与训练解耦，大幅提升了后训练的迭代效率 [1] - 全新的异步Agent强化学习算法使模型能够更有效地从复杂、长程交互中学习 [1] - GLM-5在真实世界编程任务中展现出前所未有的能力，在处理端到端软件工程挑战方面超越了此前所有开源基线 [1] 模型迭代基础 - GLM-5在前代模型GLM-4.5的智能体、推理与编程能力基础上进行开发 [1]