GLM-5.1 开源，可独立工作 8 小时
来自 Z.ai Research · 期号 2026-04-08
摘要
智谱 AI 发布 GLM-5.1，在 SWE-Bench Pro 上刷新全球最佳成绩，超过 GPT-5.4 和 Claude Opus 4.6。开源模型，可在一次任务中自主工作超 8 小时。
深读
导读 智谱 AI 发布旗舰开源模型 GLM-5.1，核心卖点不是单次推理的分数，而是能在一次任务中独立工作超过 8 小时，自主规划、执行、调试并交付完整工程成果。它在 SWE-Bench Pro 上超过 GPT-5.4 和 Claude Opus 4.6，刷新全球最佳成绩。读完这篇文章，你会看到长程任务能力如何成为衡量模型智能的新标尺，以及 GLM-5.1 在三个真实场景中展现的自主优化深度。 关键信息 - GLM-5.1 在 SWE-Bench Pro 基准测试中刷新全球最佳成绩，超过 GPT-5.4 和 Claude Opus 4.6。该基准要求模型在真实 GitHub 仓库中定位并修复高难度工程 Bug。 - 在代码能力三项综合平均分（SWE-Bench Pro、Terminal-Bench 2.0、NL2Repo）上，GLM-5.1 取得全球第三、国产模型第一、开源模型第一。 - 在 METR 榜单同等评估标准下，GLM-5.1 是唯一达到 8 小时级持续工作的开源模型，全球范围内除 Claude Opus 4.6 外少数具备此能力的模型。 - 在向量数据库优化任务中，GLM-5.1 经过 655 轮迭代，将查询吞吐从 3108 QPS 提升至 21472 QPS，达到初始版本的 6.9 倍。 - 在 KernelBench Level 3 优化基准上，GLM-5.1 对 50 个真实机器学习计算负载进行超过 24 小时的不间断迭代，取得 3.6 倍几何平均加速比，显著高于 torch.compile max-autotune 模式的 1.49 倍。 逐节讲解 长程任务：从分钟级到 8 小时级 文章开篇提出，行业过去用 Benchmark 衡量模型智能，下一阶段的标准应是“能工作多久”——模型在长程任务（Long-Horizon Task）中能独立完成多长时间的人类任务。GLM-5.1 能在一次任务中独立、持续工作超过 8 小时，期间自主规划、执行、自我进化，最终交付完整的工程级成果。这要求模型形成“实验→分析→优化”的完整闭环，而不是写完一版代码就停下来等人打分。 三个 8 小时工作场景 文章用三个具体场景展示 GLM-5.1 的长程能力。 场景一：从零构建 Linux 桌面。 模型历时 8 小时整，执行 1200 多步，产出一套功能完善的 Linux 桌面系统，包括窗口管理器、状态栏、应用程序、VPN 管理器、中文字体支持、游戏库等，共 4.8MB 配套文件。文章强调，这相当于一个 4 人团队一周的开发工作量，且全程无人参与测试和审查代码，模型甚至为自己的代码写了回归测试并跑过。 场景二：655 次迭代优化向量数据库。 模型在近似最近邻检索任务中，自主完成了从全库扫描切换到 IVF 分桶召回、引入半精度压缩、加入量化粗排、两级路由到提前剪枝的整套…