智谱GLM-5大揭秘：技术复用引领AI新变革

距离春节仅剩一周，根据过往经验，这意味着国产AI新产品的热潮即将来临。

Kimi K2.5在OpenRouter上独占鳌头，Minimax也在官网隐约透露出M2.2的代号。

大家翘首以盼，智谱和DeepSeek年前是否会有大动作？

果不其然，短短48小时内，三个独立技术平台相继出现与智谱新模型GLM-5相关的线索，构成了一条完整的信息链。

01 线索浮现：三平台齐曝GLM-5踪迹

2月7日，OpenRouter平台悄然上线了一款代号为“pony-alpha”的模型。

经实际测试，其思维链风格与智谱的GLM系列高度一致，例如：

面对常规回答，它会以“嗯，……”为开头思考；

面对知识检索任务，会分点列出“1.分析请求：……”；

遇到代码任务，则会明确标注“用户要求……”。

技术社区将这一模型投入实际开发后，发现它在贪吃蛇、Minecraft等复杂代码生成任务中表现稳健，但缺乏图像等多模态输入支持。

紧接着的2月9日，vLLM推理框架仓库出现了编号为34124的pull request，代码中首次明确出现“GLM-5”标识。

更重要的是，代码显示其实现逻辑直接复用了DeepSeek-V3系列模型采用的DSA（DeepSeek Sparse Attention，稀疏注意力）机制，并集成了MTP（Multi-Token Prediction，多标记预测）技术。

几乎同时，Hugging Face transformers仓库合并了编号为43858的pull request，正式引入了智谱的GlmMoeDsa架构。

代码显示，GLM-5采用78层Transformer解码器，前三层为稠密（Dense）结构，第四层及以后采用混合专家（MoE）架构，共配置256个专家网络，处理单个token时激活其中8个，并辅以1个共享专家以保证基础能力稳定。

GLM-5的上下文窗口进一步扩展至202K，词表规模为154880，相比前代GLM-4.7提升有限。

02 架构解析：效率与规模的平衡

过去两年里，规模化法则（Scaling Law）的正确性已得到充分验证。

前段时间备受好评的Kimi-K2.5也凭借国产模型中少有的1T参数量证明了“大就是好”。

然而，智谱创始人唐杰在2026年的AGI Next峰会上提出了不同看法：

单纯的模型扩展虽为提升智能的有效路径，但本质上是最轻松的偷懒方式。

回顾即将诞生的GLM-5，若根据社区透露的现有信息来看，其技术路线已明显呈现“效率优先”导向，而非继续堆砌参数。

首先是混合专家（MoE）架构，在如今的AI时代已不陌生。它将模型参数分散至多个专业化的子网络（即“专家”），推理时仅调用与任务最相关的少数专家。

GLM-5采用“256专家+8激活”配置，在维持更大规模参数总量的同时，单次推理仅调用约3%的参数，有效控制了计算成本和响应延迟。

前3层保留稠密结构以确保模型具备基础语言理解能力的稳定性，避免稀疏化带来的表征断裂风险。

其次是智谱选择了已被DeepSeek验证的稀疏注意力机制（DSA），而非自行研发同类机制。

前面已提及，GLM-5对DSA的集成属于架构复用。代码中明确显示GLM-5中的“GlmMoeDsaForCausalLM”类直接继承自“DeepseekV2ForCausalLM”。

03 产业洞察：技术复用的趋势不可阻挡

基于社区测试和技术架构推演的结果，我们大致可以确认：

GLM-5在代码生成和逻辑推理两个场景具有优势和竞争力。

“pony-alpha”在Minecraft这一复杂项目中展现的代码能力，结合对DSA等DeepSeek经典技术的复用，使GLM-5在软件开发辅助、算法设计等垂直领域具备差异化价值。

但短板同样不容忽视。社区测试已明确指出GLM-5暂不具备多模态能力，无法处理图像、音频等非文本输入。

在当前国内主流大模型普遍向视觉语言联合理解演进的背景下，这一缺失无疑会限制GLM-5在AIGC创作场景中的适用性，并在春节期间进一步被放大。

更有趣的是，现有消息表面关注GLM-5的新突破，实则句句离不开DeepSeek的经典技术。

期待几天后的智谱能带来更多惊喜。

智谱AI选择直接集成开源技术体现了对研发效率的重视，也反映出国产大模型研发路径的转变：“开源+优化”比“闭源+自研”更务实。

AI行业即将告别参数规模的军备竞赛，专注于推理效率上的精细化运营。在控制计算成本的前提下，如何提升垂直表现将成为下一阶段竞争的关键维度。