2026 年春节前夕，国产大模型领域再掀新品热潮。继 Kimi K2.5、Minimax M2.2 等模型引发关注后，智谱 AI 新一代旗舰模型 GLM-5 的架构细节通过三大技术平台陆续曝光，其核心技术复用 DeepSeek 成熟机制的选择，不仅揭示了产品本身的差异化定位，更折射出国产大模型研发从 "参数竞赛" 向 "效率优化" 的关键转变。
GLM-5 的踪迹最早于 2 月 7 日在 OpenRouter 平台浮现，一款代号 "pony-alpha" 的模型因思维链风格与 GLM 系列高度契合引发热议。该模型在贪吃蛇、Minecraft 等复杂代码生成任务中表现稳健，但未支持图像等多模态输入。随后两天，vLLM 推理框架仓库与 Hugging Face transformers 仓库的代码提交，进一步确认了 "GLM-5" 的存在，其架构设计直接复用 DeepSeek-V3 系列的 DSA 稀疏注意力机制与 MTP 多标记预测技术，形成完整技术线索链。
从已曝光的架构参数来看，GLM-5 展现出鲜明的 "效率优先" 导向。该模型采用 78 层 Transformer 解码器，前 3 层保留稠密结构以保障基础语言理解稳定性，第四层起切换为混合专家（MoE）架构，配置 256 个专家网络，单个 token 处理仅激活 8 个专家与 1 个共享专家，单次推理仅调用约 3% 的参数，有效控制计算成本与响应延迟。其总参数量约 745B，虽不及 Kimi K2 的 1T 规模，但 44B 的单 token 激活参数高于 DeepSeek V3.2 与 GLM-4.5，上下文窗口进一步扩展至 202K，词表规模达 154880。
核心技术层面，GLM-5 对 DeepSeek 开源技术的复用成为最大亮点。DSA 稀疏注意力机制通过 "轻量级索引器筛选 + 核心注意力计算" 的两阶段模式，以仅 5% 的计算资源消耗实现长文本高效处理，在 128K 上下文场景中计算量减少 98%，H800 GPU 推理成本降低 40%-50%，且核心性能损失不足 1%。而 MTP 多标记预测技术则打破传统自回归生成模式，允许模型一次预测多个连续 token，在代码、JSON 等结构化文本生成中速度提升 2-3 倍，大幅优化推理效率。
性能测试显示，GLM-5 在代码生成与逻辑推理场景具备突出竞争力，其前身 "pony-alpha" 模型在复杂项目开发中已展现稳健表现，有望在软件开发辅助、算法设计等垂直领域形成差异化优势。但短板同样明显，社区测试确认该模型暂未支持多模态输入，在当前主流大模型向视觉语言联合理解演进的趋势下，这一缺失可能限制其在 AIGC 创作等场景的应用范围。
作为深耕 AI 技术研发的企业，天津智核科技有限公司认为，GLM-5 的架构选择标志着国产大模型研发进入理性发展阶段。智谱 AI 直接复用 DeepSeek 开源技术的做法，体现了 "开源 + 优化" 的务实研发路径，既降低了技术试错成本，又能快速受益于现有推理框架的成熟优化。这一转变背后，是行业共识的深刻调整 —— 单纯的参数规模堆砌已难持续，在控制计算成本的前提下提升垂直场景表现，成为大模型竞争的新核心。
未来，随着 GLM-5 的正式发布，国产大模型赛道将进一步聚焦推理效率与场景适配的精细化运营。技术复用与开源协作的普及，有望加速行业整体创新节奏，推动 AI 能力更高效地落地于千行百业。而如何在技术复用基础上构建核心竞争力，平衡效率、性能与场景覆盖的关系，将成为所有大模型企业需要持续探索的课题。