中國 AI 自主化運動邁入前沿規模
中國人工智慧新創公司智譜 AI（國際品牌名為 Z.ai）推出 GLM-5。這款擁有 7,440 億個參數的大型語言模型，是首個完全使用中國國產硬體訓練、無須仰賴美國半導體技術的前沿規模 AI 系統。2 月 11 日公布消息後，這家在香港上市、正式名稱為知識圖譜科技的公司股價飆升近 30%，收在 405 港元，較僅一個月前的首次公開發行價上漲四倍。公司於 2026 年 1 月 IPO 募得約 5.58 億美元，成為全球首家上市的基礎模型公司。智譜 AI 於 2019 年從清華大學分拆成立，迅速成為開源 AI 開發領域的領導者。
這款模型問世之際，中國科技公司正密集推出新產品，力求在農曆新年假期前展現實力。不過，GLM-5 以技術規模、採用寬鬆 MIT 授權條款開源，以及完全不依賴 NVIDIA 圖形處理器等特色脫穎而出。智譜 AI 改用華為昇騰晶片與 MindSpore 框架訓練系統，這項進展對全球人工智慧基礎設施供應鏈的變化具有重大意義。這項成果證明，前沿 AI 訓練不必受限於 NVIDIA 生態系，為硬體多元化開啟空間，也降低整個產業依賴單一供應商的風險。此時推出模型，也凸顯北京急於展示國產晶片自主能力的進展，尤其華府正收緊對高階半導體的出口限制。
技術架構與規模
GLM-5 相較於前代 GLM-4.7 大幅擴展；後者包含 3,550 億個參數，新模型則將總參數量提高一倍，達到 7,440 億個，同時採用混合專家（Mixture of Experts）架構，每次推論任務僅啟用 400 億個參數。這種架構使用 256 個專家模組，每個 token 啟用其中八個，使系統在維持高效能的同時有效控管運算成本。這代表模型設計轉向稀疏啟用模式，在不讓營運支出隨規模同步增加的情況下提升能力；對大規模部署大型模型的組織而言，這是關鍵考量。
訓練資料集也相應擴大，從前一代的 23 兆個 token 增至 GLM-5 的 28.5 兆個 token。一項重要的技術創新是採用 DeepSeek 稀疏注意力（DeepSeek Sparse Attention）。這項機制最初由杭州新創公司 DeepSeek 開發，可讓模型處理最多 20 萬個 token 的上下文視窗，並支援 13.1 萬個 token 的輸出容量，兩項數據都名列業界前段。長上下文能力讓模型能在單次工作階段處理大量文件、完整程式碼庫、研究論文集及影片逐字稿，並針對廣泛輸入進行複雜推理。稀疏注意力機制則專門降低密集注意力模型處理長序列時通常面臨的運算負擔。
基準測試表現與程式編寫能力
根據智譜 AI 公布的內部測試，GLM-5 的表現躋身開源模型排行榜前列，並逼近西方專有系統。在廣受推崇、用於衡量實際軟體工程能力的 SWE-bench Verified 基準測試中，模型得分為 77.8%，高於 Google DeepMind Gemini 3 Pro 的 76.2%，並接近 Anthropic Claude Opus 4.5 的 80.9%。公司承認 Claude 整體而言仍是領先的程式編寫模型，但強調 GLM-5 在開源系統中表現居首。在 SWE-bench Multilingual 測試中，GLM-5 得分為 73.3%，展現出處理多種程式語言的優異能力。
模型在長時間執行的作業任務上尤其出色。在模擬長期商業營運、要求持續自主執行的 Vending Bench 2 測試中，GLM-5 最終帳戶餘額達 4,432 美元，在受測開源模型中排名第一。在評估資訊檢索與統整能力的 BrowseComp 基準測試中，系統得分為 75.9 分，同樣領先開源模型。啟用工具後，模型在 Humanity's Last Exam 得分 50.4 分，在 Tau Squared Bench 得分 89.7 分，顯示其具備強大的多步驟邏輯推理能力。在 Terminal-Bench 2.0 測試中，系統得分為 56.2%；在驗證版本中則升至 60.7%。
CC-Bench-V2 的內部工程評估顯示，GLM-5 的前端建置成功率為 98%，端對端正確率為 74.8%；Claude Opus 4.5 的相應數據則為 93% 和 75.7%。模型在長時間執行的大型程式碼庫任務中也達到 65.6% 的表現。這些結果顯示，系統尤其擅長處理複雜的全端開發流程與多檔案專案。
專注安全的自主 AI 協定新創公司 Andon Labs 共同創辦人 Lukas Petersson，透過 Vending Bench 2 基準測試獨立評估 GLM-5 的執行紀錄。他觀察到，模型能以積極的戰術執行達成目標，但也提醒，相較於西方領先模型，GLM-5 的情境感知能力有所不足。
讀了好幾個小時 GLM-5 的執行紀錄後，我的看法是：這是個效率極高的模型，但情境感知能力差得多。它會靠積極的策略達成目標，卻不會推理自身處境，也不會運用經驗。這很令人擔憂，這正是「迴紋針最大化器」會出現的方式。
智譜 AI 也強調，模型的幻覺率創下新低，在 Artificial Analysis Omniscience Index 4.0 中得到負 1 分，較前一代進步 35 分。這項指標顯示，模型更能辨識自身知識的界限，並在不確定時避免生成虛構資訊；對準確性至關重要的企業正式環境而言，這是關鍵能力。
訓練創新與硬體自主
除了原始效能指標，GLM-5 的開發過程也為技術自主化帶來里程碑。模型完全使用華為昇騰 910 系列晶片訓練，未依賴目前受美國出口管制限制、針對中國先進運算產業的 NVIDIA 硬體。這符合中國推動半導體自主化的整體方向，目標是在 2027 年前大幅提升資料中心晶片的自主能力。對全球 AI 產業而言，這表示 AI 訓練的硬體多元化不只可行，也已達到前沿規模。
為改善這種規模下的訓練效率，智譜 AI 內部開發了一套新型非同步強化學習基礎設施，代號 slime。傳統強化學習方法常受生成瓶頸所困，耗去超過 90% 的訓練時間。slime 框架打破這些限制，讓執行軌跡能各自獨立生成，並透過 Active Partial Rollouts 等系統層級最佳化，支援複雜代理行為所需的細粒度迭代。框架採用三方模組化系統，包括以 Megatron-LM 驅動的高效能訓練模組、使用 SGLang 與自訂路由器進行高吞吐量資料生成的 rollout 模組，以及負責管理提示初始化與 rollout 儲存的集中式資料緩衝區。
公司也針對華為以外的多種中國國產半導體平台，最佳化 GLM-5 的部署，包括摩爾線程、寒武紀、崑崙芯、沐曦、燧原及海光的晶片。透過核心程式最佳化與模型量化，系統在這些替代平台上也能達到合適的吞吐量，顯示國產 AI 運算技術堆疊日益成熟，並支持中國建立穩健、由本土供應的基礎設施這項戰略目標。這種相容性降低了對單一硬體供應商的依賴，也證明替代性 AI 加速器具備可行性。
代理式工程與文件生成
智譜 AI 將 GLM-5 定位為代理式工程工具，而非單純的對話式 AI，反映產業正從該公司所稱的「氛圍編碼」（vibe coding）走向全面系統工程。系統具備原生代理模式（Agent Mode），能將高階目標拆解為可執行的子任務、協調工具並自主執行工作流程，產出可直接使用的成果。這種「交付優先」模式超越對話，讓使用者設定品質門檻，由 AI 處理實作細節。
模型一項獨特能力是直接生成專業辦公室文件。它能將原始提示或資料轉換為格式完整的 Microsoft Word 文件、PDF 檔案與 Excel 試算表，無須手動排版或經過中間處理步驟。應用範圍包括自動生成財務報告、贊助提案，以及包含圖表、可匯出為標準格式的複雜資料分析視覺化內容。使用者可以上傳資料並立即取得分析結果，還可匯出為 xlsx、csv 或 png 格式。
智譜 AI 也為軟體開發者推出 GLM Coding Plan 訂閱服務，可整合超過 20 種熱門開發環境，包括 Claude Code、Cursor、Cline、Roo Code、OpenCode、Kilo Code、Crush 和 Goose。方案分級提供不同使用量：每月 10 美元的 Lite 方案，使用量為 Claude Pro 的三倍；每月 30 美元的 Pro 方案，回應速度快 40% 至 60%；每月 80 美元的 Max 方案則保證尖峰時段效能，並提供新功能搶先體驗。所有方案均支援 Vision Understanding、Web Search MCP 與 Web Reader MCP 功能。公司表示，這項訂閱服務每月提供數百億個 token，價格約為標準 API 費率的 1%，速度超過每秒 55 個 token，可支援即時互動。
商業策略與基礎設施限制
儘管取得技術成就，智譜 AI 仍面臨迫切的基礎設施限制，因而調整價格。公司表示，使用者人數與用量快速成長，運算資源已達負荷極限，因此自 2 月 11 日起將 GLM Coding Plan 價格調漲 30%。公司在公開聲明中坦言運算資源非常吃緊，指出即使在 GLM-5 上線之前，所有可用晶片已全數滿載，以滿足既有的推論需求。首次購買折扣已取消，但按季與按年計費現在分別可省下 10% 和 30%。
要在本機部署 GLM-5，約需 1,490 GB 記憶體，容量約為 GLM-4.7 的兩倍。這項硬體需求提高了小型組織自行部署模型的門檻，不過只要資源充足，仍可透過 HuggingFace 和 ModelScope 取得開放權重。對雲端 API 使用者而言，基礎設施負載也讓人擔心，隨著公司擴充容量以滿足需求，可能會實施速率限制或造成回應速度下降。
GLM-5 的 API 定價使其成為價格具顛覆性的西方專有模型替代方案。每百萬個輸入 token 約收 1 美元，輸出 token 則為每百萬個 3.2 美元。相較之下，Anthropic Claude Opus 4.6 的輸入 token 每百萬個 5 美元、輸出 token 每百萬個 25 美元；視使用模式而定，GLM-5 的成本優勢約為六至十倍。GPT-5.2 的輸入 token 每百萬個 1.75 美元，輸出 token 每百萬個 14 美元，仍明顯高於 GLM-5。Grok 4.1 Fast 的輸入 token 每百萬個 0.2 美元，價格更低，但能力特性有所不同。
競爭態勢與產業時機
GLM-5 發表之際，其他中國 AI 實驗室也接連公布消息，在農曆新年假期前集中展現本土科技實力。DeepSeek 同日更新旗艦模型，將上下文視窗容量提高十倍，超過 100 萬個 token。MiniMax 於 1 月與智譜同步在香港 IPO，隨後推出強化代理工具的 M2.5 模型，股價當週上漲近 50%。其他新品還包括字節跳動的 Seedance 2.0 影片生成模型、螞蟻集團可生成語音與音樂的 Ming-Flash-Omni 2.0 統一多模態系統，以及 Moonshot AI 於 1 月下旬推出的 Kimi 2.5 模型。
中國國務院總理李強在 2 月 11 日的政策演說中，強調協調發展算力資源與電力基礎設施以支持這波加速趨勢，並呼籲擴大 AI 應用規模、推動商業化，以及加強資源協調。他也強調改善 AI 人才與企業發展環境的計畫。這些新品同步發布，反映中國 AI 產業的策略布局；各家公司愈來愈常協調重大公告時程，以擴大影響力，並展現整體追趕美國科技領先地位的進展。
對投資人而言，專注 AI 的新創公司股價上漲，與騰訊、阿里巴巴等大型科技集團走弱形成對比；同一期間，兩家公司股價分別下跌 2.6% 和 2.1%。這顯示市場偏好專業人工智慧公司，而非業務多元的大型企業。Jefferies 分析師指出，中國模型展現強大的代理式 AI 能力，有利於掌握企業快速採用 AI 的機會。香港恒生科技指數整體下跌 1.7%，突顯投資人熱情集中於特定標的。
重點整理
- 智譜 AI 推出 GLM-5，這款擁有 7,440 億個參數的開源語言模型完全使用華為昇騰晶片訓練，未採用 NVIDIA 硬體，為中國 AI 基礎設施自主化立下里程碑。
- 模型在 SWE-bench Verified 程式編寫基準測試中得分 77.8%，逼近 Anthropic 的 Claude Opus 4.5，並在 Vending Bench 2 和 BrowseComp 的開源模型中排名第一。
- GLM-5 採用包含 256 個專家的混合專家架構，並運用 DeepSeek 稀疏注意力，在維持運算效率的同時處理 20 萬個 token 的上下文視窗。
- 系統的幻覺率創下新低，在 Artificial Analysis Omniscience Index 中得分為負 1，較前一代進步 35 分。
- 由於基礎設施負載吃緊，智譜 AI 將 GLM Coding Plan 訂閱價格調漲 30%；消息公布後，公司在香港上市的股價飆升近 30%。
- 此次發布與 DeepSeek、MiniMax、字節跳動及螞蟻集團的重要更新同步，農曆新年假期前中國 AI 產業競爭更加激烈。
