模型
745B参数混合专家模型
最近变化
2026-10-18 · Harness²采用Propose-Probe-Compose机制，用行为对比替代分数反馈指导编辑
GLM-5 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Google Research 最新开源了 Harness²：递归式智能体 Harness 优化框架 Harness² 解决的两个开放世界难题 1. 测试时遇到的是没见过的任务，没有 ground-...
meng shao(@shao__meng) · 8.5 分
How Much Memory Does Your Agent Actually Need?
Hugging Face Blog · 8.5 分
We ran 720 browser agent tasks with @nottecore across frontier models. One baseline model produced...
Fireworks AI(@FireworksAI_HQ) · 8.5 分
已收录 4 篇与「GLM-5」相关的 AI 资讯和分析。
Google开源Harness²框架，通过双层递归机制解决AI代理在无验证器环境下的自我优化难题，实现跨模型迁移性能提升。
入选理由：Harness²采用Propose-Probe-Compose机制，用行为对比替代分数反馈指导编辑
代理内存剂量需根据模型能力精确校准：大模型需完整指南集，小模型需精简核心加任务检索，饱和模型无提升。
入选理由：大模型（如DeepSeek-V3.2）使用完整指南集可提升+9.5pp任务完成率
Fireworks AI测试显示，基线模型在浏览器代理任务中重试率达20%，而Kimi K2.5、GLM-5、MiniMax M2.5的重试率接近零，执行差异直接影响生产系统的成本、延迟和可靠性。
入选理由：基线模型在5次调用中约1次输出畸形，导致多步骤工作流重试
智谱技术博客揭示了在大规模Coding Agent推理过程中遇到的"Scaling Pain"，包括乱码、复读和生僻字等异常现象，通过深入排查发现这些问题源于高负载下的推理状态管理不当。文章分享了投机采样作为异常检测指标的策略，以及修复KV Cache竞态和HiCache加载时序问题的具体方案，并提出了Prefill阶段的LayerSplit优化来缓解内存与带宽压力，最终显著提升了系统性能。
入选理由：智谱遭遇的异常现象（乱码、复读、生僻字）根源在于高负载推理状态管理问题。
与「GLM-5」经常一起出现的 AI 术语。
💡 想追踪「GLM-5」的长期趋势？去 实体雷达 · GLM-5 查看详细分析和跨材料问答。
