作者：周源/华尔街见闻
7月28日，智谱AI发布旗舰模型GLM-4.5并开源。GLM-4.5是一款专为智能体应用研发的基础模型，在性能、成本控制与多能力融合等方面均有出色表现。
在这些技术突破的背后，哪些因素起了支撑作用？
智谱AI核心团队主要来自清华大学KEG（知识工程）实验室：董事长刘德兵、CEO张鹏和总裁王绍兰均为KEG实验室核心成员，张鹏和王绍兰同为清华创新领军工程博士，首席科学家唐杰曾任清华大学计算机系教授。
从GLM-1到GLM-4.5经历四年多迭代。
早期（2021年）GLM模型（10B）就已探索了Transformer架构的优化，2022年推出参数规模达130B的GLM-130B，2023年推出的GLM-3尝试了混合专家（MoE）架构的轻量化设计，为后续参数效率提升奠定基础，其小步快跑的迭代模式，让团队对模型架构的理解不断深化。
GLM系列的LLM（大语言模型：Large Language Model）基于Transformer架构构建。
GLM-130B采用DeepNorm（一种用于稳定深层Transformer模型训练的归一化方法）作为层归一化（Layer Normalization）策略，并在前馈网络（FFN）中使用旋转位置嵌入（RoPE），以及配备GeLU激活函数的门控线性单元（GLU：Gated Linear Unit，常用于增强模型对特征的选择性和处理）。
这些都表明早期GLM模型对Transformer架构做了探索与优化。
之后的GLM-3，采用独创的多阶段增强预训练方法，基于当时最新的高效动态推理和显存优化技术，其推理框架在相同硬件和模型条件下，相较于当时最佳的开源实现，推理速度提升2-3倍，推理成本降低1倍。
这说明GLM-3在模型架构优化等方面有显著进展，为后续参数效率提升奠定了基础，也有助于对不同任务的特征分布，形成长期数据积累。
业界有些团队或成立时间较短，或中途转向大模型研发，缺乏这种持续的技术沉淀，难以在架构细节上实现精细化优化。
多数团队在大模型研发中更倾向于堆参数量的密集型架构，认为参数量与性能呈正相关。2023年到2024年底，“百模大战”期间，众多企业将参数量、评测分数作为核心指标，试图通过扩大模型规模来提升模型能力。
大模型中激活参数占比与模型架构、稀疏激活技术等相关，若企业过于追求参数量而未优化架构和技术，可能导致激活参数占比低。
智谱AI做法与众不同，从GLM-2开始，坚持“高效参数”路线：不去盲目扩大总参数量，而是通过优化专家模块的协同机制提升效率。
比如GLM-4.5的3550亿总参数中，激活参数320亿，占比约9%，每个专家模块仅负责特定领域任务（如代码模块专注Python与JavaScript，推理模块专注数学与逻辑），模块间通过轻量化路由层衔接，避免密集型架构中参数冗余的问题。
同时发布的还有GLM-4.5-Air，总参数1060亿，激活参数120亿，激活占比约11%。
这种路径需要更细致的拆解任务类型，而部分团队因担心架构复杂度上升导致研发周期延长，仍选择更稳妥的密集型架构。
至于参数激活占比，这个关系到调用推理的商业成本：相同参数量下，激活参数占比低意味着更多参数未有效参与推理计算，造成算力浪费，导致推理成本上升。
GLM-4.5之所以能做到“参数效率翻倍，API价格仅为Claude（美国人工智能初创公司 Anthropic发布的大模型家族）的1/10（输入0.8元/百万 tokens、输出2元/百万tokens），速度超100tokens/秒”，就因为激活参数占比较高。
GLM-4.5的训练数据采用“通用+垂直”的双层结构：底层是15万亿token的通用文本（与多数团队类似），上层是8万亿token的垂直领域数据，且按“推理-代码-智能体”三类任务单独标注。
插一句：在深度学习尤其是自然语言处理（NLP）领域，token是指文本中的最小有意义的逻辑单元，也是模型用来表示自然语言文本的基本单位，还是模型计费单元，类似于计算存储和处理二进制数据的基本单位——字节（byte）。
GLM-4.5的标注方法并非简单分类，而是为每个任务设计专属的训练目标，比如推理任务侧重逻辑链完整性，代码任务侧重语法正确性。
智谱AI是国内首批推进大模型开源的企业之一，2023年GLM-2开源后积累规模庞大的开发者社区。这些开发者不仅反馈bug，更贡献了大量轻量化部署方案。GLM-4.5的“思考/非思考模式”切换功能，底层调度算法很可能来自社区开发者的优化建议。
智谱AI的官方通稿称，“首次实现推理、代码、Agent等多能力原生融合”，那么多能力融合的技术壁垒是什么？为什么此前业界没有同类模型能力？
多能力融合需解决模块协同难题：推理模块的逻辑思维与代码模块的语法规则分属不同认知范式，强行融合易导致能力稀释。
此前业界有些团队尝试通过“拼接式”融合（在推理模型后嫁接代码模块）实现，但模块间缺乏共享参数，导致响应速度大幅下降。
GLM-4.5采用了统一底层架构，需要从模型设计初期就规划参数共享机制，这对架构设计能力要求极高，多数团队暂未突破这一技术瓶颈。
若以此说业界有些团队技术能力较差，也有失偏颇；多数情况下，很多技术团队受商业化的压力较大，因此更倾向于快速推出闭源商业模型意图变现，导致研发周期被压缩，测试时间有限，在推动多能力融合时出现稳定性问题，可感知的这类问题，比如连续调用工具时概率性崩溃。
自2019年成立以来，智谱AI经历了至少11轮融资，故而资金压力应当不是很大，看上去在优化架构时显得很有耐心，能用较长时间做多能力协同的专项优化，这种耐心在当前追求短期回报的行业环境中较为稀缺。
智谱GLM-4.5的突破，本质是技术积累、路径选择与生态协同的综合结果。
这个多能力融合大模型的推出，表明大模型竞争已从单点参数规模转向系统效率与生态活力，这或许为行业提供了新的发展参照和性能评价标准。