智谱创始人唐杰发内部信，宣布启动“摸高”计划，未来两年将战略投入长程任务、自治智能体系统、完全自我训练及极致安全治理四大核心引擎，全力冲击下一代通用人工智能（AGI）。同期，智谱发布了开源模型GLM-5.2，支持百万token上下文并在长程任务上保持领先，以MIT协议全量开源。
智谱完成约314.1亿港元配售，资金用于基座模型研发、算力建设、商业化及全球生态布局。公司强调长期竞争力取决于底层技术突破，其核心基座模型GLM-5.2已进入全球前沿竞争区间。
近期全球AI市场出现新动态：多家美国头部AI厂商调整定价，促使美国企业转向更具成本效益的方案。中国大模型凭借高性价比加速进入美国企业应用链。数据显示，自2月8日以来，美国企业调用DeepSeek、智谱GLM等国产模型的占比显著增长，尤其通过OpenRouter等聚合平台表现突出。
美国AI服务成本飙升，逼使Coinbase等美企转用中国开源模型降本。Coinbase将智谱GLM5.2、月之暗面Kimi K2.7设为工程师默认工具，在不限用量的同时大幅压缩AI开支。降本已成核心驱动力。
GLM-5是智谱AI第五代大模型，7450亿参数，具多项前沿能力，现已开放。
GLM-PC是基于CogAgent视觉语言大模型构建的电脑智能体，旨在提升电脑使用体验。
为GPT/GLM等LLM大语言模型提供实用化交互接口
GLM-4和CogView3，智能大模型与图像生成AI
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
$2
$20
$6
$24
Baidu
128
bartowski
这是ArliAI的GLM-4.5-Air-Derestricted模型的GGUF量化版本，使用llama.cpp和imatrix技术进行优化量化处理，提供多种量化级别选择，适用于不同硬件配置和性能需求。
nightmedia
GLM-4.5-Air-REAP-82B-A12B-mxfp4-mlx是基于GLM-4.5-Air模型通过REAP方法压缩的82B参数大语言模型，采用MXFP4量化格式，专为Mac设备优化，在保持核心任务性能的同时显著减少内存占用。
mratsim
GLM-4.5-Iceblink-v2-106B-A12B-FP8是基于GLM-4.5-Iceblink-v2-106B-A12B模型，采用最先进的混合专家量化方法进行FP8量化的版本。该模型专门针对支持硬件FP8的Ada、Hopper或Blackwell系列GPU优化，在保持高质量输出的同时显著提升推理效率。
这是一个基于REAP方法对MiniMax-M2中40%专家进行均匀剪枝得到的139B参数大语言模型，采用GLM架构和专家混合(MoE)技术，通过llama.cpp进行多种量化处理，适用于文本生成任务。
cyankiwi
GLM-4.6 AWQ - INT4是GLM-4.6模型的4位量化版本，采用AWQ量化方法，在保持模型性能的同时显著减少了存储和计算资源需求。该模型支持200K上下文长度，在编码、推理和智能体任务方面相比GLM-4.5有显著提升。
Wwayu
这是一个基于GLM-4.6架构的混合专家模型，使用REAP方法对专家进行了40%的均匀剪枝，参数量为218B，并转换为MLX格式的3位量化版本，适用于苹果芯片设备高效运行。
noctrex
这是GLM-4.5-Air-REAP-82B-A12B模型的MXFP4_MOE量化版本，专门针对文本生成任务进行了优化。该模型基于cerebras的GLM-4.5-Air-REAP-82B-A12B基础模型，通过MXFP4混合专家量化技术实现，在保持性能的同时显著减小模型体积和推理成本。
gghfez
这是GLM-4.6-REAP-266B-A32B模型的Q4_K_M gguf量化版本，基于transformers库构建，具有文本生成能力。该模型使用了REAP（路由加权专家激活剪枝）方法，能够选择性地移除冗余专家，同时保留路由器对剩余专家的独立控制。
这是GLM-4.6-REAP-266B-A32B模型的Q2_K_M gguf量化版本，基于REAP（路由器加权专家激活剪枝）方法创建，能够在保留路由器对剩余专家独立控制的同时，选择性移除冗余专家，实现高效的文本生成。
manasmisra
该模型是基于GLM-4.5-Air使用REAP方法进行25%均匀剪枝后的专家混合模型，已转换为MLX格式的4位量化版本，适用于苹果芯片设备的高效推理。
Daemontatox
Zirel-3是基于GLM-4.5-Air-REAP-82B-A12B的特定微调模型，采用REAP（路由加权专家激活剪枝）技术压缩的820亿参数混合专家模型，在保持高性能的同时显著减少模型体积。
基于GLM-4.5-Air模型使用REAP方法进行25%专家剪枝的优化版本，转换为MLX格式以便在Apple Silicon设备上高效运行
本项目为 GLM-4.6 模型提供了创意写作控制向量，通过控制向量技术调节模型在特定维度上的表现，如诚实度与马基雅维利主义倾向、沟通风格等。
mlx-community
这是一个基于GLM-4.6模型转换的MLX格式版本，采用8位量化技术，分组大小为32，专为苹果芯片优化，提供高效的文本生成功能。
anikifoss
GLM-4.6的高质量量化版本，采用先进的量化技术在不使用imatrix的情况下实现，保持了良好的模型性能和兼容性，适用于对话等多种应用场景。
bullpoint
GLM-4.6-AWQ是对智谱AI的GLM-4.6（357B MoE）进行高性能AWQ量化的模型，专为vLLM推理进行了优化，能有效提升生产部署的吞吐量。该模型采用4位量化技术，在保持高精度的同时显著减少显存占用。
QuantTrio
GLM-4.6-GPTQ-Int4-Int8Mix是基于zai-org/GLM-4.6基础模型的量化版本，在文本生成任务上表现出色。该模型通过GPTQ量化技术实现了模型大小的优化，同时保持了良好的性能表现。
DevQuasar
本项目提供了zai-org/GLM-4.6的量化版本，旨在让知识为每个人所用。这是一个文本生成模型，基于原始GLM-4.6模型进行优化，提供更高效的推理性能。
GLM-4.6-AWQ是基于zai-org/GLM-4.6基础模型的量化版本，具备高效的文本生成能力。相比GLM-4.5，该模型在上下文窗口、编码性能、推理能力和智能体功能等方面都有显著提升。
Downtown-Case
GLM 4.6是一款专为128GB内存+单GPU配置优化的量化模型，采用IQ_K量化方式，相比主流llama.cpp在相同大小下提供更好的质量和性能。该模型需要配合ik_llama.cpp使用，在128GB双通道DDR5内存、单CCD Ryzen 7000处理器+单张3090显卡配置下，文本生成速度可达每秒约6.8个token。
这是一个让本地AI获取远程AI指导的MCP服务器，支持多轮对话、文件上传和智能对话管理，特别针对GLM-4.7模型优化。
GLM-4.6 MCP服务器是一个企业级架构咨询协议桥接服务，通过模型上下文协议连接Claude 4.5 Sonnet和GLM-4.6，提供系统设计、可扩展性模式和技术决策支持，支持代码架构分析、系统架构设计和决策审查等功能。
基于GLM-4.5V模型的MCP服务器，提供智能图片分析功能，支持从文件路径或剪贴板获取图片，专门用于代码内容提取、架构分析、错误检测和文档生成。
GgufMultiple Languages%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
