智譜發佈大模型GLM-5.3，參數量仍爲7400多億，與GLM-5.2同底，未升級萬億參數（或留待5.5）。其依靠後訓練使性能較上代提升50%，在多項主流基準中居開源模型榜首，編程與智能體能力接近Claude Fable5，編程體驗優於其他國產模型。
國產大模型密集爆發，拉近與美國旗艦閉源AI差距。千問、Kimi之後，智譜創始人唐傑親口透露GLM-5.5將迎“史詩級pl”升級，國產AI追趕步伐加快。
Hugging Face遭黑客AI攻擊後，先用美國商業大模型API分析1.7萬條日誌，卻因無法區分攻防人員遭安全機制誤判拒阻；隨後轉向自身基礎設施部署中國開源模型GLM5.2，成功完成海量日誌取證。事件突顯不同AI模型在安全場景下的表現差異。
近期全球AI市場出現新動態：多家美國頭部AI廠商調整定價，促使美國企業轉向更具成本效益的方案。中國大模型憑藉高性價比加速進入美國企業應用鏈。數據顯示，自2月8日以來，美國企業調用DeepSeek、智譜GLM等國產模型的佔比顯著增長，尤其通過OpenRouter等聚合平臺表現突出。
GLM-5是智譜AI第五代大模型，7450億參數，具多項前沿能力，現已開放。
GLM-PC是基於CogAgent視覺語言大模型構建的電腦智能體，旨在提升電腦使用體驗。
為GPT/GLM等LLM大語言模型提供實用化交互接口
GLM-4和CogView3，智能大模型與圖像生成AI
Google
$0.49
輸入tokens/百萬
$2.1
輸出tokens/百萬
1k
上下文長度
Openai
$2.8
$11.2
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$6
$24
256
$4
$16
Baidu
128
Bytedance
$1.2
$3.6
4
$2
$3.9
$15.2
64
Moonshot
$0.8
nightmedia
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。
bartowski
這是一個基於REAP方法對MiniMax-M2中40%專家進行均勻剪枝得到的139B參數大語言模型，採用GLM架構和專家混合(MoE)技術，通過llama.cpp進行多種量化處理，適用於文本生成任務。
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。
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。
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。
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。
zai-org
GLM-4.6-FP8是智譜AI推出的新一代文本生成模型，相比GLM-4.5在多個關鍵方面有顯著改進。該模型具有更長的上下文窗口、卓越的編碼性能、高級推理能力和更強大的智能體功能，能夠處理更復雜的任務。
AIgotahole
這是一個基於GLM架構的9B參數大語言模型，專門針對推理任務進行了優化，採用GGUF格式便於在llama.cpp中部署使用。模型經過消除處理，具有無審查特性。
mrtoots
基於unsloth/GLM-4.5模型轉換的MLX格式3位量化版本，專為Apple Silicon優化的高效大語言模型
基於智譜AI GLM-4.5-Air模型轉換的3位深度量化權重(Deep Weight Quantization)版本，專為MLX框架優化，在保持較高性能的同時顯著減少模型大小和推理資源需求
cpatonn
GLM-4.5V-AWQ-4bit是基於智譜AI下一代旗艦文本基礎模型構建的量化版本多模態模型，通過AWQ-4bit量化技術優化，在保持優異性能的同時顯著降低計算資源需求。該模型在42個公開視覺語言基準測試中達到同規模模型的SOTA性能，具備強大的視覺推理能力。
GLM-4.5-Air-AWQ-FP16Mix是基於GLM-4.5-Air模型進行量化處理後的高效文本生成模型，採用AWQ和FP16混合量化技術，適用於多GPU環境的大規模語言模型推理場景。
基於GLM-4.5-Air模型使用mlx-lm 0.26.1版本轉換的3位深度權重量化版本，專為Apple Silicon芯片優化，提供高效的大語言模型推理能力
GLM-4.5-Air-q5-hi-mlx是一個基於zai-org/GLM-4.5-Air轉換的文本生成模型，採用特定的量化方式，在性能和模型大小之間取得平衡，可通過mlx庫使用。
GLM-4.5-Air-6bit是基於智譜AI的GLM-4.5-Air模型轉換而來的6位量化版本，專為MLX框架優化，提供高效的大語言模型推理能力。
GLM-4.5-Air-8bit是基於智譜AI的GLM-4.5-Air模型轉換而來的8位量化版本，專門為MLX框架優化。該模型保持了原版強大的自然語言處理能力，同時通過量化技術減少了內存佔用和計算需求，適合在Apple Silicon設備上高效運行。
dengcao
GLM-4.1V-9B-Thinking是一款強大的視覺語言模型（VLM），專注於多模態理解和推理，通過AWQ量化版本提供高效推理能力。
Remnant-GLM4-32B 是一個基於 GLM4 架構的 32B 參數大語言模型，支持角色扮演和對話式交互，特別適合蠑螈相關的應用場景。
Dans-DiscountModels
基於THUDM/GLM-4-32B-Base-0414模型在Dans-DiscountModels/pretokenization-test-4數據集上微調的大語言模型
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)
'%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)
