Z.ai高管李子轩揭秘GLM-5：混合专家架构与长文本推理实现行业突破

引言

Z.ai（智谱AI）全球生态负责人李子轩接受The Sequence专访，围绕最新的GLM-5模型、开源生态以及智能体研发展开深度对话。作为中国开源大模型的领军者，Z.ai在模型规模、稀疏激活和商业化服务上持续探索，为行业提供了新的技术标杆。

GLM-5 技术亮点

• 规模与稀疏激活：GLM-5 参数总量达 744B，单次推理激活约 40B 参数，采用 Mixture‑of‑Experts（MoE）实现稀疏计算，保持高效推理的同时提升推理质量。
• DeepSeek 稀疏注意力：首次引入 DeepSeek Sparse Attention，显著降低长上下文的显存占用，使模型在 32K 以上的序列上保持流畅。
• “slime” 强化学习框架：自研的异步 RL 基础设施将数据生成与梯度更新解耦，提升大规模后训练的吞吐，缩短迭代周期。
• 任务对齐表现：在 Vending Bench 2（模拟一年业务运营）上，GLM-5 以近乎 Claude Opus 4.5 的成绩领跑开源模型，展示了在长期目标规划与资源管理上的优势。

“我们打造的是‘智能效率’，而非单纯的参数堆砌。”

开源与生态建设

Z.ai 继续保持开源传统，近期发布了 GLM‑4‑9B 权重，被业界称为“中国的 Llama”。李子轩解释说，开源的三大价值在于：

1. 降低准入门槛：开发者可自行下载或通过多家推理服务商使用模型，促进科研与创新。
2. 激发二次创作：社区已基于 GLM 系列实现量化、微调及功能扩展，例如 Intellect‑3 等项目。
3. 设定行业标准：开放模型有助于形成统一评测与安全规范，闭源难以达成。

他强调，开源并未蚕食公司业务，反而通过生态效应驱动企业级托管服务的需求增长。

本地化智能体的技术瓶颈

在构建能够控制本地设备的智能体时，李子轩指出三大挑战：

• 操作速度：每一步操作的延迟必须低于 2 秒，否则用户体验急剧下降。
• 错误恢复能力：智能体需具备类似人类的容错机制，单次失误不应导致整个工作流中断。
• 跨会话上下文保持：长期任务需要模型记忆过去的状态，才能实现自然的任务衔接。

他认为，虽然延迟是重要因素，但错误纠正与稳健性对用户信任的影响更大。

视觉理解与多模态融合

GLM‑4V 系列表明，视觉数据在物理世界建模中仍不可或缺。李子轩指出，文本可以描述“水向下流”，但视频提供的流体动力学示例能让模型形成更直观的因果认知。未来的最强模型将是文本与视觉的深度融合，通过视觉 grounding 补足纯文本的抽象局限。

市场竞争与企业定位

在中国大模型的“四虎”格局（Zhipu、月之暗面、MiniMax、DeepSeek）中，Z.ai 的差异化体现在 服务完整性：从模型托管、API 到企业级运维全链路支持，打造“为构建者服务的构建者”。这种全栈服务理念帮助其在 B2B 与 B2C 双向市场取得领先。

未来展望

针对 Transformer 的天花板，李子轩持乐观态度，认为当前架构仍有大量未被挖掘的潜力，尤其是未来数据的规模与多样性将继续推动模型性能提升。他预测，2026 年 LLM 收费模式将从“按 token”转向“按价值”，即依据任务完成度或商业产出计费，这将推动模型向更高效的任务导向演进。

全文基于 Z.ai 官方访谈整理，力求客观呈现技术细节与行业洞察。