LMArena最新AI編程模型排名顯示，Anthropic的Claude、OpenAI的GPT-5與智譜GLM-4.6並列全球第一。這些專爲編程設計的模型能顯著提升代碼編寫、調試和優化效率，推動軟件開發進步。
智譜發佈GLM-4.6模型，採用寒武紀國產芯片，首次實現FP8+Int4混合量化部署。該技術突破在保持模型精度的同時顯著降低推理成本，爲國產芯片支持大模型本地化運行開闢新路徑。
智譜AI發佈並開源新一代模型GLM-4.6，在Agentic Coding等關鍵能力上實現大幅提升。其編程能力已對齊國際頂尖模型Claude Sonnet4，並超越DeepSeek-V3.2-Exp，成爲當前國內最強代碼生成模型。該模型在國產化適配方面取得里程碑進展，已成功部署於寒武紀國產芯片平臺。
智譜推出Claude Code專屬包月套餐，月費僅20元，適用於GLM-4.5及GLM-4.5-Air模型。用戶可通過掃描海報二維碼或訪問bigmodel.cn購買，享受便捷編程服務。
強大的語言模型，支持多種自然語言處理任務。
端到端中英語音對話模型
國際領先的語言理解與長文本處理大模型。
開源多模態預訓練模型，具備中英雙語對話能力。
Chatglm
-
輸入tokens/百萬
輸出tokens/百萬
128
上下文長度
$8
$16
$2
8
1k
$100
bartowski
這是ArliAI的GLM-4.5-Air-Derestricted模型的GGUF量化版本，使用llama.cpp和imatrix技術進行優化量化處理，提供多種量化級別選擇，適用於不同硬件配置和性能需求。
nightmedia
這是一個實驗性的量化大語言模型，採用Deckard（qx）量化方法，嵌入層為3位量化。該模型通過範數保持雙投影消除（NPBA）技術重構，不僅移除了安全限制機制，還增強了模型的認知深度和推理能力。
GLM-4.5-Air-REAP-82B-A12B-mxfp4-mlx是基於GLM-4.5-Air模型通過REAP方法壓縮的82B參數大語言模型，採用MXFP4量化格式，專為Mac設備優化，在保持核心任務性能的同時顯著減少內存佔用。
mratsim
GLM-4.5-Iceblink-v2-106B-A12B-FP8是基於GLM-4.5-Iceblink-v2-106B-A12B模型，採用最先進的混合專家量化方法進行FP8量化的版本。該模型專門針對支持硬件FP8的Ada、Hopper或Blackwell系列GPU優化，在保持高質量輸出的同時顯著提升推理效率。
cyankiwi
GLM-4.6 AWQ - INT4是GLM-4.6模型的4位量化版本，採用AWQ量化方法，在保持模型性能的同時顯著減少了存儲和計算資源需求。該模型支持200K上下文長度，在編碼、推理和智能體任務方面相比GLM-4.5有顯著提升。
Wwayu
這是一個基於GLM-4.6架構的混合專家模型，使用REAP方法對專家進行了40%的均勻剪枝，參數量為218B，並轉換為MLX格式的3位量化版本，適用於蘋果芯片設備高效運行。
noctrex
這是GLM-4.5-Air-REAP-82B-A12B模型的MXFP4_MOE量化版本，專門針對文本生成任務進行了優化。該模型基於cerebras的GLM-4.5-Air-REAP-82B-A12B基礎模型，通過MXFP4混合專家量化技術實現，在保持性能的同時顯著減小模型體積和推理成本。
gghfez
這是GLM-4.6-REAP-266B-A32B模型的Q4_K_M gguf量化版本，基於transformers庫構建，具有文本生成能力。該模型使用了REAP（路由加權專家激活剪枝）方法，能夠選擇性地移除冗餘專家，同時保留路由器對剩餘專家的獨立控制。
這是GLM-4.6-REAP-266B-A32B模型的Q2_K_M gguf量化版本，基於REAP（路由器加權專家激活剪枝）方法創建，能夠在保留路由器對剩餘專家獨立控制的同時，選擇性移除冗餘專家，實現高效的文本生成。
manasmisra
該模型是基於GLM-4.5-Air使用REAP方法進行25%均勻剪枝後的專家混合模型，已轉換為MLX格式的4位量化版本，適用於蘋果芯片設備的高效推理。
Daemontatox
Zirel-3是基於GLM-4.5-Air-REAP-82B-A12B的特定微調模型，採用REAP（路由加權專家激活剪枝）技術壓縮的820億參數混合專家模型，在保持高性能的同時顯著減少模型體積。
基於GLM-4.5-Air模型使用REAP方法進行25%專家剪枝的優化版本，轉換為MLX格式以便在Apple Silicon設備上高效運行
cerebras
GLM-4.5-Air-REAP-82B-A12B 是 GLM-4.5-Air 的高效壓縮版本，通過 REAP 剪枝技術將參數規模從 106B 壓縮到 82B，減少 25% 內存需求，同時保持近乎無損的性能表現。
本項目為 GLM-4.6 模型提供了創意寫作控制向量，通過控制向量技術調節模型在特定維度上的表現，如誠實度與馬基雅維利主義傾向、溝通風格等。
mlx-community
這是一個基於GLM-4.6模型轉換的MLX格式版本，採用8位量化技術，分組大小為32，專為蘋果芯片優化，提供高效的文本生成功能。
anikifoss
GLM-4.6的高質量量化版本，採用先進的量化技術在不使用imatrix的情況下實現，保持了良好的模型性能和兼容性，適用於對話等多種應用場景。
bullpoint
GLM-4.6-AWQ是對智譜AI的GLM-4.6（357B MoE）進行高性能AWQ量化的模型，專為vLLM推理進行了優化，能有效提升生產部署的吞吐量。該模型採用4位量化技術，在保持高精度的同時顯著減少顯存佔用。
QuantTrio
GLM-4.6-GPTQ-Int4-Int8Mix是基於zai-org/GLM-4.6基礎模型的量化版本，在文本生成任務上表現出色。該模型通過GPTQ量化技術實現了模型大小的優化，同時保持了良好的性能表現。
DevQuasar
本項目提供了zai-org/GLM-4.6的量化版本，旨在讓知識為每個人所用。這是一個文本生成模型，基於原始GLM-4.6模型進行優化，提供更高效的推理性能。
ubergarm
基於ik_llama.cpp分支優化的GLM-4.6量化版本，採用先進的IQ量化技術，在保持高質量輸出的同時顯著減少內存佔用。該系列包含多種量化級別，從IQ5_K到IQ1_KT，滿足不同硬件環境下的推理需求。
基於GLM-4.5V模型的MCP服務器，提供智能圖片分析功能，支持從文件路徑或剪貼板獲取圖片，專門用於代碼內容提取、架構分析、錯誤檢測和文檔生成。
GLM-4.6 MCP服務器是一個企業級架構諮詢協議橋接服務，通過模型上下文協議連接Claude 4.5 Sonnet和GLM-4.6，提供系統設計、可擴展性模式和技術決策支持，支持代碼架構分析、系統架構設計和決策審查等功能。
一個集成GLM-4.5V視覺能力的MCP服務器，支持本地圖片和URL分析，通過Claude Code提供圖像分析功能
GLM-4.5V多模態服務器，提供圖像處理、視覺查詢和文件處理功能
Safetensors%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)
