GLM-5-Turbo：面向龙虾场景的基座模型
来自 Z.ai Research · 期号 2026-03-16
摘要
智谱发布针对OpenClaw Agent场景优化的GLM-5-Turbo，在自研ZClawBench基准中取得国产模型第一，并推出龙虾套餐与安全管理体系。
深读
导读 智谱 AI 发布面向 OpenClaw 龙虾场景深度优化的基座模型 GLM-5-Turbo，核心思路是“Harness 再多，不如模型自身变强”——从训练阶段针对工具调用、长链路执行等 Agent 核心需求专项优化。文章同时推出了配套的龙虾套餐定价体系和面向企业级场景的安全管理体系，适合关注 Agent 落地、模型选型与成本控制的从业者阅读。 关键信息 - GLM-5-Turbo 在自研基准测试 ZClawBench 中取得国产模型第一，并以代号 Pony-Alpha-2 接入 AutoClaw 澳龙，用户盲测中 90% 受访者认为其表现优于其他国产模型。 - 内测反馈来自阿里 QoderWork、扣子 Coze、美团、快手万擎、字节 TRAE 等团队，评价集中在工具调用精准、指令遵循能力强、长链路任务稳定、高吞吐执行不失速。 - 龙虾套餐包含个人版和 Team 版，每个账号最多购买 5 个；GLM-5-Turbo 按“高峰期 3 倍，非高峰期 2 倍”系数消耗额度，非高峰期 1 倍抵扣持续到 4 月底。 - 面向企业级场景推出 OpenClaw 安全管理体系“Claw for Enterprise Security”，支持统一调度、权限编排、实时可视化监控、审计日志和人工审批机制。 - GLM-5-Turbo 已接入软通动力旗下机械革命“龙虾盒子”，面向全球首发；AutoClaw 澳龙默认模型为 GLM-5-Turbo，非程序员群体可免费体验。 逐节讲解 龙虾原生模型：从训练阶段解决 Agent 执行难题 通用大模型在进入真实复杂的 Agent 场景后，容易在长链路任务中失速。GLM-5-Turbo 从训练数据构造到优化目标设计，构造真实 Agent 工作流，重点增强四项核心能力：Tool Calling（调用不掉链子）、Instruction Following（复杂多层指令拆解更准）、定时与持续性任务（理解时间维度、长任务不中断）、高吞吐长链路（数据吞吐量大、链条长的任务执行更稳）。 龙虾场景基准 ZClawBench 与内测反馈 ZClawBench 基于对 OpenClaw 大量真实用例的分析，覆盖安装配置、代码开发、信息搜集、数据分析、内容创作等任务类型。Skills 使用比例在短时间内从 26% 增长至 45%，表明 Agent 能力正向模块化与技能化演进。GLM-5-Turbo 在该基准中整体领先多家主流模型，题库与测试轨迹已全面公开。 内测阶段多家互联网大厂给出具体评价：阿里 QoderWork 团队称其“精准的工具调用配合长程任务的稳定可靠，完美驱动了桌面级 Agent 上的跨应用数据流转与系统 API 操控”；扣子 Coze 团队评价“指令遵循力压群雄”；美团某团队称“定时与长链路任务稳健，对比同类模型展现出明显第一梯队的优势”；…