英美AI安全機構聯合評測Kimi K3：在漏洞利用和模擬網絡攻擊能力上遜於美國前沿模型，但優於智譜GLM-5.2，成爲開放權重模型中的新標杆。
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。
智譜創始人唐傑發內部信，宣佈啓動“摸高”計劃，未來兩年將戰略投入長程任務、自治智能體系統、完全自我訓練及極致安全治理四大核心引擎，全力衝擊下一代通用人工智能（AGI）。同期，智譜發佈了開源模型GLM-5.2，支持百萬token上下文並在長程任務上保持領先，以MIT協議全量開源。
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
$1
$10
256
$6
$24
$4
$16
$2
$20
Baidu
128
Bytedance
$1.2
$3.6
4
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
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。
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。
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
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。
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。
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。
這是一個讓本地AI獲取遠程AI指導的MCP服務器，支持多輪對話、文件上傳和智能對話管理，特別針對GLM-4.7模型優化。
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)
