稀疏注意力 on Text Matrixhttps://txtmix.com/tags/%E7%A8%80%E7%96%8F%E6%B3%A8%E6%84%8F%E5%8A%9B/Recent content in 稀疏注意力 on Text MatrixHugozh-cnTue, 21 Jul 2026 20:06:14 +0800GLM-5 全家桶拆解：从 Vibe Coding 到 Agentic Engineering 的开源旗舰模型https://txtmix.com/posts/tech/zai-org-glm-5-vibe-coding-agentic-engineering-guide/Thu, 18 Jun 2026 21:03:00 +0800https://txtmix.com/posts/tech/zai-org-glm-5-vibe-coding-agentic-engineering-guide/<h1 id="glm-5-全家桶拆解从-vibe-coding-到-agentic-engineering-的开源旗舰模型">GLM-5 全家桶拆解：从 Vibe Coding 到 Agentic Engineering 的开源旗舰模型</h1> <h2 id="学习目标">学习目标</h2> <p>阅读本文后，你应该能够：</p> <ol> <li><strong>理解 GLM-5 系列的演进路线</strong>：描述 GLM-5、5.1、5.2 三代模型的差异和核心改进</li> <li><strong>掌握 IndexShare 稀疏注意力机制</strong>：解释 IndexShare 如何降低长上下文的计算成本</li> <li><strong>了解 slime 异步 RL 基础设施</strong>：描述 slime 如何解决 RL 训练中的训练-推理耦合瓶颈</li> <li><strong>解读 benchmark 结果</strong>：理解 Terminal-Bench、SWE-bench Pro、Vending Bench 2 的测量对象和信号量</li> <li><strong>评估部署可行性</strong>：根据硬件需求和部署文档判断是否可以本地部署 GLM-5</li> </ol> <h2 id="目录">目录</h2> <ol> <li><a href="#%e4%b8%80%e9%a1%b9%e7%9b%ae%e5%ae%9a%e4%bd%8d%e4%b8%8e%e4%bb%93%e5%ba%93%e7%bb%93%e6%9e%84" rel="">项目定位与仓库结构</a></li> <li><a href="#%e4%ba%8c%e4%b8%89%e4%bb%a3%e6%bc%94%e8%bf%9b%e5%8f%82%e6%95%b0context-%e4%b8%8e%e7%a8%80%e7%96%8f%e6%b3%a8%e6%84%8f%e5%8a%9b" rel="">三代演进：参数、Context 与稀疏注意力</a></li> <li><a href="#%e4%b8%89%e8%ae%ad%e7%bb%83%e4%be%a7slime-%e5%bc%82%e6%ad%a5-rl-%e5%9f%ba%e7%a1%80%e8%ae%be%e6%96%bd" rel="">训练侧：slime 异步 RL 基础设施</a></li> <li><a href="#%e5%9b%9bbenchmark-%e6%8b%86%e8%a7%a3%e8%83%bd%e9%aa%8c%e8%af%81%e4%bb%80%e4%b9%88%e4%b8%8d%e8%83%bd%e9%aa%8c%e8%af%81%e4%bb%80%e4%b9%88" rel="">benchmark 拆解：能验证什么、不能验证什么</a></li> <li><a href="#%e8%87%aa%e6%b5%8b%e9%a2%98" rel="">自测题</a></li> <li><a href="#%e7%bb%83%e4%b9%a0" rel="">练习</a></li> <li><a href="#%e8%bf%9b%e9%98%b6%e8%b7%af%e5%be%84" rel="">进阶路径</a></li> <li><a href="#%e8%b5%84%e6%96%99%e5%8f%a3%e5%be%84%e8%af%b4%e6%98%8e" rel="">资料口径说明</a></li> </ol> <p><code>zai-org/GLM-5</code> 不是单模型仓库，而是智谱 AI 一次性放出的&quot;全家桶&quot;——GLM-5、GLM-5.1、GLM-5.2 三代同堂，并配套本地部署与异步 RL 训练工具链。整条线的口径非常一致：<strong>面向长链路（long-horizon）的 agentic 任务</strong>。换句话说，GLM 系列已经不满足于&quot;把单个 prompt 答好&quot;，而是要在数百轮、上千次工具调用里持续输出有效决策。</p>