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。
Chatglm
$8
輸入tokens/百萬
$16
輸出tokens/百萬
128
上下文長度
$2
-
8
$100
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。
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。
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。
GLM-4.6-AWQ是基於zai-org/GLM-4.6基礎模型的量化版本，具備高效的文本生成能力。相比GLM-4.5，該模型在上下文窗口、編碼性能、推理能力和智能體功能等方面都有顯著提升。
Downtown-Case
GLM 4.6是一款專為128GB內存+單GPU配置優化的量化模型，採用IQ_K量化方式，相比主流llama.cpp在相同大小下提供更好的質量和性能。該模型需要配合ik_llama.cpp使用，在128GB雙通道DDR5內存、單CCD Ryzen 7000處理器+單張3090顯卡配置下，文本生成速度可達每秒約6.8個token。
unsloth
GLM-4.6是智譜AI推出的新一代文本生成模型，相比GLM-4.5在多個方面有顯著改進，包括更長的上下文窗口、更優的編碼性能和更強的推理能力。該模型在多個公開基準測試中表現出色，與國內外領先模型相比具有競爭優勢。
GLM-4.6是智譜AI開發的新一代大語言模型，相比GLM-4.5在上下文處理、編碼能力和推理性能方面有顯著提升。該模型支持200K上下文長度，在多個公開基準測試中表現出色，特別在代碼生成、推理和代理任務方面具有競爭優勢。
inferencerlabs
GLM-4.6是基於MLX框架的高效文本生成模型，採用6.5bit量化技術，在保持高質量文本生成能力的同時顯著降低計算資源需求。該模型在單臺M3 Ultra設備上即可運行，支持高效的文本生成任務。
這是 GLM-4.6 模型的 5位量化版本，使用 mlx-lm 工具轉換，專為 Apple Silicon 設備優化，提供高效的大語言模型推理能力。
GLM-4.6-4bit是基於zai-org/GLM-4.6模型使用mlx-lm工具轉換的4位量化版本，專門針對Apple Silicon芯片優化，支持中英文文本生成任務。
bartowski
這是GLM-4.6模型的Llamacpp imatrix量化版本，使用llama.cpp b6647版本進行量化。該模型提供了多種量化版本，可在不同硬件條件下運行，滿足不同用戶的需求。所有量化版本均使用imatrix選項，結合了特定數據集進行優化。
zai-org
GLM-4.6是智譜AI推出的新一代文本生成模型，相比GLM-4.5在上下文處理、編碼性能、推理能力等方面實現顯著提升，支持200K上下文長度，具備更強的智能體能力和精緻的寫作能力。
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。
Gguf多語言%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)
