GLM-5 相关 AI 资讯

8月10日

22:46

22:46IT之家（博客/媒体）

晚点LatePost消息，智谱MaaS开放平台注册用户接近700万，较7月初增长约200万，其中含2.3万家企业客户。对标Codex的开发者产品ZCode上线1个月用户突破百万。今年以来智谱ARR增长15倍，有投资人称其ARR达20亿美元，智谱官方否认，接近公司人士称实际数字应更高。消息还称智谱已启用超5万块国产算力芯片以缓解推理需求。按20亿美元口径估算，注册用户当月平均花费约160元人民币。

行业智谱 GLM-5 ZCode

推荐理由：智谱API用户快700万了，ARR据说到20亿美元，还上了5万块国产芯片，看看它怎么追GLM-5。

原文

7月24日

09:52

官方一手Pandaily@contact@pandaily.com (Pandaily)

华为、中兴、新华三、曙光等厂商正在竞相部署从1024到10万GPU规模的AI超节点。驱动这一竞赛的是Kimi K3和GLM-5等大模型对算力的巨大需求。这场基础设施角逐直接反映模型参数规模竞争对异构计算集群的迫切要求。

行业 Huawei ZTE Kimi K3

事件专题

推荐理由：华为、中兴这些厂商正在抢建10万GPU级别的超节点，因为Kimi K3和GLM-5这类新模型太吃算力了，看看这场基础设施军备竞赛有多激烈。

原文

03:07

官方账号vLLM@vllm_project

精选

PrimeIntellect 发布了 prime-rl 0.6.0，在 vLLM 上运行万亿级 agentic RL 推理。该版本采用 FP8 量化、专家并行、prefill/decode 分离以及 KV 缓存卸载（原生+Mooncake），并使用 vllm-router。在 28 个 H200 节点上，以 131k 序列长度训练 GLM-5 执行 SWE 任务，每步耗时不到 5 分钟。@m_sirovatka 将在 vLLM Office Hours 中深入讲解。

AI模型 PrimeIntellect prime-rl vLLM

推荐理由：PrimeIntellect 用 vLLM 把 agentic RL 搞到万亿参数级了，FP8 加专家并行，28 个 H200 节点跑 131k 序列，每步不到 5 分钟，训练 GLM-5 做 SWE 任务。

原文

6月24日

00:24

elvis@omarsar0

Prime Intellect发布博客，介绍在GLM-5模型上运行大规模强化学习（RL）所需的基础设施组件，包括数据管道、训练调度和分布式计算。文章详细解释了如何用1万亿token训练RL智能体，并开源部分工具链。该方法旨在降低自改进智能体的开发门槛。

技巧 GLM-5 Prime Intellect 强化学习

推荐理由：想自己搞RL训练？这份Prime Intellect的博客手把手告诉你需要哪些基础设施，连GLM-5上的1T token训练都给你讲清楚了。

原文

6月23日

15:27

官方一手marktechpost@Asif Razzaq

精选

Prime Intellect 发布了 prime-rl 0.6.0，这是一个用于异步强化学习的开源框架，支持训练万亿参数规模的 Mixture-of-Experts (MoE) 模型。该框架在 SWE 编程任务上训练了 GLM-5 模型，序列长度达到 131k，单步训练时间低于 5 分钟，并实现了 256 个并行 rollout。所有这些性能建立在 28 个 NVIDIA H200 节点上，优化技术包括 FP8 推理、Wide Expert Parallelism、预填充/解码分离以及 3-D 并行（FSDP、EP、CP）。

AI产品 prime-rl GLM-5 Prime Intellect

事件专题

推荐理由：Prime Intellect 新开源的 prime-rl 0.6.0，专为训练万亿参数 MoE 模型的强化学习设计。他们在 SWE 任务上用 GLM-5 跑到 131k 序列长度，速度还很快，想了解大规模 RL 训练优化的可以看看。

原文

6月12日

13:22

官方账号Z.ai (智谱国际)@Zai_org

精选

行业 GLM-5 Scaling Pain 推理部署

推荐理由：大模型从实验到生产，Scaling Pain 是绕不过的坎。做推理部署的工程师，这篇博客里的 KV Cache 竞态和 HiCache 同步问题很可能你也会遇到，建议直接收藏。

原文

5月21日

07:46

Fireworks AI@FireworksAI_HQ

精选

Fireworks AI 与 NotteCore 合作，在多个前沿模型上运行了 720 个浏览器代理任务。结果显示，某个基线模型在约 1/5 的调用中产生格式错误输出，导致多步工作流中频繁重试。而 Kimi K2.5、GLM-5 和 MiniMax M2.5 在 Fireworks 上运行时，重试率近乎为零，且随着任务步骤增加，延迟保持稳定。这一差异在生产级代理系统中直接体现为成本、延迟和可靠性的分化。完整报告已发布。

AI产品浏览器代理模型对比重试率

事件专题

推荐理由：做浏览器自动化或代理系统的团队，这个对比直接告诉你模型选择如何影响生产环境的成本和稳定性——Kimi/GLM/MiniMax 的低重试率值得关注。

原文