GLM 5.1
5287°
Z.ai | 204,800 token context | $0.97/M input, $3.04/M output. GLM-5.1 在编码能力上实现重大飞跃，特别是在处理长远任务方面表现显著提升。不同于以分钟级交互为中心的前代模型，GLM-5.1 能够独立持续工作超过8小时，自主规划、执行并不断自我改进，最终交付完整的工程级成果。
本模型的指南
Ollama 与 LM Studio（2026）：选择哪个本地 AI 应用，以及各自支持的顶级模型
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？
什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）
船长笔记
2026-10-13 的笔记
GLM-5.1 是 Z.ai 的旗舰自主编码模型，设计用于在单个工程任务上持续工作数小时，而不是在初步处理后停滞。它在其基准表中领先于 SWE-Bench Pro 的其他模型，并在 Hugging Face 上开放权重。如果你需要一个能够自主规划、执行并在数百次工具调用中不断修正的模型，而无需人工干预，这就是值得关注的选择。
以……著称
- 在基准测试中，SWE-Bench Pro 得分位列同类模型之首，包括封闭的 frontier 模型。
- 在非常长的自主会话中保持高效迭代——持续数小时，而非几分钟。
- 将模糊的工程问题拆解为实验，读取结果，调整策略。
- 拥有 20 万令牌的上下文窗口，适用于大型代码库和长任务历史。
- 权重在 Hugging Face 上开放，支持自托管部署。
注意
- 输出定价为每百万令牌 3.04 美元，成本不低；长时间自主运行且调用数千次工具时费用迅速累积。
- 专为工程级自主工作设计——不适合一般聊天和写作。
- 权重虽开放，但商业部署前请仔细查看 Z.ai 的许可条款。
推荐尝试的提示词
重构一个混乱的模块
这是一个随着时间推移变得混乱的 Python 模块。分析其结构，找出主要问题——耦合、命名、缺失的错误处理以及你发现的其他问题——然后逐步重构，解释每次修改并在每步后进行快速合理性检查。请将模块代码粘贴在下面。
调试失败的 CI 流水线
我的 GitHub Actions 工作流失败了，我找不出原因。我会粘贴完整的工作流 YAML 和错误日志的最后 50 行。请诊断根本原因，提出修复方案，如果有值得在此顺便解决的次要问题，也请指出。
构建一个小型命令行工具
编写一个独立的 Python 命令行工具，监控一个目录中新出现的 CSV 文件，验证每个文件是否包含 'id'、'timestamp' 和 'value' 三列，将验证失败的行记录到单独文件，并在完成时打印汇总。包含依赖文件和简要使用说明。
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-5.1 的权重是开放的吗？我能本地运行吗？
- 是的，权重已发布在 Hugging Face 的 zai-org/GLM-5.1 上，你可以下载并自托管模型——商业使用前请查看 Z.ai 的许可。
- GLM-5.1 的费用是多少？上下文窗口多大？
- 通过 Z.ai API，输入每百万令牌 0.97 美元，输出每百万令牌 3.04 美元，上下文窗口为 204,800 令牌。
- GLM-5.1 与 GLM-5 有何不同？
- GLM-5.1 专门针对长周期自主任务调优：当 GLM-5 在应用熟悉技术后趋于瓶颈时，GLM-5.1 能通过数百次迭代持续改进，并且在代码库生成和真实终端基准测试中大幅领先 GLM-5。
船长评语如果你的工作涉及多小时的自主编码运行，而非快速一次性回答，GLM-5.1 是为此类需求真正打造的少数模型之一。
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.
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。
GLM 5.1 是 Text / LLM 系列的一个文本模型，收录于 ModelTrends.ai——一个只读的开源 AI 图像、视频和文本模型目录。你可以将它与其他 Text / LLM 模型比较，并查看热度分数了解趋势。
按模型系列浏览
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153