2026年2月12日，智谱AI发布Agentic Engineering时代最好的开源模型GLM-5，从“写代码”到“写工程”的能力进一步演进。在Coding与Agent能力上取得开源SOTA表现，在真实编程场景的使用体验逼近Claude Opus 4.5，更擅长复杂系统工程与长程Agent任务。昇腾一直同步支持智谱GLM系列模型，此次GLM-5模型一经开源发布，昇腾AI基础软硬件即实现0day适配，为该模型的推理部署和训练复现提供全流程支持。

更大基座，更强智能

● 参数规模扩展：从355B（激活32B）扩展至744B（激活40B），预训练数据从23T提升至28.5T，更大规模的预训练算力显著提升了模型的通用智能水平。

● 异步强化学习：构建全新的“Slime”框架，支持更大模型规模及更复杂的强化学习任务，提升强化学习后训练流程效率；提出异步智能体强化学习算法，使模型能够持续从长程交互中学习，充分激发预训练模型的潜力。

● 稀疏注意力机制：首次集成DeepSeek Sparse Attention，在维持长文本效果无损的同时，大幅降低模型部署成本，提升Token Efficiency。

Coding能力：对齐Claude Opus 4.5

GLM-5在SWE-bench-Verified和Terminal Bench 2.0中，分别获得77.4和55.7的开源模型最高分数，性能超过Gemini 3.0 Pro。

Agent能力：SOTA级长程任务执行

GLM-5在多个Agent测评基准中取得开源第一，在BrowseComp（联网检索与信息理解）、MCP-Atlas（工具调用和多步骤任务执行）和τ²-Bench（复杂多工具场景下的规划和执行）均取得最优表现。

在衡量模型经营能力的Vending Bench 2中，GLM-5获得开源模型中的最佳表现。Vending Bench 2要求模型在一年期内经营一个模拟的自动售货机业务，GLM-5最终账户余额达到4432美元，经营表现接近Claude Opus 4.5，展现了出色的长期规划和资源管理能力。

这些能力是Agentic Engineering的核心：模型不仅要能写代码、完成工程，还要能在长程任务中保持目标一致性、进行资源管理、处理多步骤依赖关系，成为真正的Agentic Ready基座模型。

基于昇腾实现GLM-5的混合精度高效推理

昇腾支持对GLM模型W4A8混合精度量化，744B超大参数模型基于Atlas 800 A3实现单机部署。

GLM-5为78层decoder-only大模型：前3层为Dense FFN，后75层为MoE（路由专家+共享专家），自带一层MTP（Multi-Token Prediction）用于加速解码过程。针对这一模型结构，昇腾对权重文件采用了W4A8量化，极大减少显存占用，加速Decode阶段的执行速度。同时采用了Lightning Indexer、Sparse Flash Attention等高性能融合算子，加速模型端到端的推理执行，并支持业界主流推理引擎vLLM-Ascend、SGLang和xLLM高效部署。

● 权重下载：https://ai.atomgit.com/atomgit-ascend/GLM-5-w4a8

● 推理部署：https://atomgit.com/zai-org/GLM-5-code/blob/main/example/ascend.md

昇腾W4A8量化，极大减少显存占用

采用易扩展的MsModelSlim量化工具，全程轻松量化

1、按模块区分量化比特与算法：例如Attention与MLP主体用W8A8，MoE专家用W4A8；gate等量化敏感层可按需回退，避免过大精度损失。

2、一键即可量化：支持GLM-5量化过程“预处理+子图融合+分层线性量化”的完整流水线，安装后一条命令行即可轻松完成量化：msmodelslim quant --model_path ${model_path} --save_path ${save_path} --model_type GLM-5 --quant_type w4a8 --trust_remote_code True

MsModelSlim提供丰富量化策略，实现快速精度对齐

● 旋转Quarot算法：对权重做Hadamard旋转与LayerNorm融合，降低激活异常值、改善后续量化的数值分布。

● 多种离群值抑制算法：采用Flex_AWQ_SSZ算法和Flex_Smooth_Quant算法混合策略，权重采用SSZ（Smooth Scale Zero）标定，支持缩放因子等超参。

● 线性层量化策略：对单层Linear做W8A8或W4A8，对激活值做per-token粒度量化、对权重做per-channel粒度量化。

高性能融合算子，加速推理执行

1、Lightning Indexer融合Kernel

长序列场景下TopK操作会成为瓶颈，通过引入Lightning Indexer融合算子，包含Score Batchmatmul、ReLU、ReduceSum、TopK等操作，可用TopK计算耗时流水掩盖掉其他操作的耗时，从而提升计算流水收益。

2、Sparse Flash Attention融合Kernel

引入SFA，包含了从完整KVCache里选取TopK相关Token，及计算稀疏Flash Attention操作，可用离散聚合访存耗时掩盖其他操作耗时。

3、MLAPO 融合Kernel

GLM-5在Sparse Flash Attention预处理阶段将query和KV进行降维操作，并且把query降维后的激活值传递给Indexer模块进行稀疏选择处理。近期将会引入MLAPO通过VV融合（多个Vector算子融合）技术，将前处理过程中的13个小算子直接融合成1个超级大算子。除此之外，在MLAPO算子内部，通过Vector和Cube计算单元的并行处理及流水优化，进一步提升算子整体性能。

基于昇腾实现GLM-5的训练复现

GLM-5采用了DeepSeek Sparse Attention（DSA）架构，针对DSA训练场景，昇腾团队设计并实现了昇腾亲和融合算子，从两方面进行优化：一是优化Lightning Indexer Loss计算阶段的内存占用，二是利用昇腾Cube和Vector单元的流水并行来进一步提升计算效率。

训练部署指导：https://modelers.cn/models/MindSpeed/GLM-5