GLM-5 是开源权重吗，可以本地运行吗？

Z.ai | 204,800 token context | $1.00/M input, $3.20/M output. GLM-5 is Z.ai’s flagship open-source foundation model engineered for complex systems design and long-horizon agent workflows. Built for expert developers, it delivers production-grade performance on large-scale programming tasks, rivaling leading closed-source models. With advanced agentic planning, deep backend reasoning, and iterative self-correction, GLM-5 moves beyond code generation to full-system construction and autonomous execution.

本模型的指南

按使用场景选最佳本地大语言模型（2026年10月）：每个任务的合适开源模型

本地AI到底需要多少显存？

开放权重 vs 开源 vs 仅API：你到底能做什么

什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）

全部指南

船长笔记

由 Captain 撰写，本站编辑

2026-10-13 的笔记

GLM-5 是 Z.ai 的旗舰开源权重模型，拥有 7440 亿参数稀疏 MoE（活跃参数 400 亿），专为复杂系统工程和长周期智能代理工作打造。它在 GLM-4.5 基础上扩展了参数规模、预训练数据量，并引入了名为 slime 的异步强化学习基础设施，提高了训练后效率。如果你的工作涉及构建和运行多步智能代理流程或大规模后端系统，这是首选的开源权重基准模型。

以……著称

在 SWE-bench Verified 和 SWE-bench Multilingual 开源榜单中名列前茅
强大的智能代理和终端任务表现，可与前沿闭源模型竞争
7440 亿总参数 / 400 亿活跃参数 MoE 架构控制推理成本
204,800 令牌上下文窗口，DeepSeek 稀疏注意力保持长上下文质量
迭代自我纠正和自主执行，超越单次代码生成

注意

7440 亿参数规模，本地部署需强大硬件，大多数用户会选择 API。
许可条款未详细说明，商业部署前请查阅 Hugging Face 仓库。
输出定价每百万令牌 1.92 美元，对于生成长轨迹的智能代理循环不便宜。

最适合

与……比较

GLM 5.3 FlashX
仅限API模型
1,048,576 令牌上下文 · $0.37/M 输入，$1.25/M 输出
GLM 5V Turbo
仅限API模型
202,752 令牌上下文 · $1.20/M 输入，$4.00/M 输出
GLM 5 Turbo
仅限API模型
202,752 令牌上下文 · $1.20/M 输入，$4.00/M 输出
GLM 5.3 Prime
仅限API模型
1,000,000 令牌上下文 · $2.80/M 输入，$8.80/M 输出

来自 z-ai 的更多文本模型

常见问题

GLM-5 是开源权重吗，可以本地运行吗？: 是的，权重发布在 Hugging Face 的 zai-org/GLM-5。7440 亿参数（400 亿活跃）需要强大硬件，部署前请参考显存和量化指南。
GLM-5 费用和上下文窗口多大？: Z.ai API 定价为输入每百万令牌 0.60 美元，输出每百万令牌 1.92 美元，上下文窗口为 204,800 令牌。
GLM-5 与 GLM-4.5 或 GLM-4.7 有何区别？: GLM-5 从 GLM-4.5 的 3550 亿参数（320 亿活跃）扩展到 7440 亿（400 亿活跃），预训练数据从 23 万亿令牌增至 28.5 万亿，新增 DeepSeek 稀疏注意力和 slime 异步强化学习基础设施，在编码、推理和智能代理基准上均优于前辈。

船长评语
适合严肃智能代理和系统工程工作的最强开源权重选项，前提是你能承担基础设施或输出令牌费用。

Hugging Face 上的模型卡

船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

这个评分是怎么计算的

这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。

术语表：这里用到的术语

热度得分: 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
基准线: 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
下载等价量: 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
对数刻度: 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
点赞: 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
采用率: 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
测量与估算: 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
做种者: 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
AI Horde: 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
生成网站: 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
OpenRouter 令牌: 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（检查点）: 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
LoRA和嵌入: 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
家族与权重: 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
年龄: 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
家族加成: 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
替代分数: 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
新模型！（宽限期）: 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
趋势: 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
典型模型: 目录的中间值：一半有数据的模型增长比它快，一半比它慢。