顶流里最快！智谱，你是在「喷」代码吧

金磊 发自 凹非寺
量子位 | 公众号 QbitAI

AI啊，你这速度简直是在喷射啊！

仔细看，千万别眨眼：

视频地址：
https://mp.weixin.qq.com/s/Wn1-SzjpEkQLTyZnJKDRwg

这么多的代码，直接就是“啪的一下”喷出来的感觉。

之前AI写代码像CPU渲图一样，是一点一点打出来；但这个AI写代码，更像GPU：

这么快生成的代码，能好用吗？

答案是可以的：

这就是智谱刚刚新出的高速版API——GLM-5.1-highspeed。

按照官方的说法，这个旗舰版模型的API，是目前顶流模型里最快的，已经达到了400 tokens/s！

而且这个GLM-5.1啊，虽然已经出了一个多月了，但现在还是开源模型里Coding最强的那一个：

那么接下来，老规矩，一波实测走起~

一手实测GLM-5.1-highspeed

AI写代码像开了倍速

我们先来做一个比开头更加复杂的例子，Prompt是这样的：

做一个网页，画面中心是一个会呼吸的星云；用户点击播放后，粒子会随着模拟音频节奏扩散、聚合、变色；旁边还要有几个可调参数，比如速度、密度、拖尾、光晕强度。

视频地址：
https://mp.weixin.qq.com/s/Wn1-SzjpEkQLTyZnJKDRwg

同样的，如此多行的代码，AI在思考了十几秒后，依旧是一口气给喷出来的。

这类任务的难点在于，它要同时处理前端结构、Canvas 动画、状态管理、视觉参数、交互逻辑，还要让效果看起来不至于太low。

从结果上来看，确实也是达到了Prompt的要求：

像跟设计师坐在同一块画布前

第二个测试更有意思。

我们在上一个代码基础上，继续提出更多要求：

“这个波纹再快一点。”

“光晕颜色偏暖一些。”

“粒子散开时别那么硬，柔一点。”

“背景不要全黑，稍微有一点深蓝层次。”

视频地址：
https://mp.weixin.qq.com/s/Wn1-SzjpEkQLTyZnJKDRwg

首先，我们的这些指令都是比较模糊的，并非像“把第42行的speed从0.6改成1.2”这么精确，所以模型需要先精准地理解我们的意图。

其次，由于GLM-5.1-highspeed的速度够快，我们做项目的体感都不一样了——

更像是和AI坐一起，一块盯着画布调参。

这也是高速API容易被低估的地方，和AI一起共事做项目，现在更接近实时的感觉了。

让模型当游戏导演

第三个测试，我们把场景再往前推一步。

如果模型足够快，它能不能在游戏里实时改变世界？

比如做一个小型2D游戏：

玩家控制一个角色在3D地图里移动，场景中有障碍、敌人、道具、天气、光照和随机事件。有对话框可以输入文字，场景会根据输入的文字实时改变。

然后我们不给模型固定脚本，而是不断发出类似导演指令：

“下雪”、“下雨”、“爆炸”……

视频地址：
https://mp.weixin.qq.com/s/Wn1-SzjpEkQLTyZnJKDRwg

这类测试比写网页更刁钻。

因为模型要理解游戏状态、代码结构、交互逻辑，还要判断什么改动会影响体验。

而高速API让此前因延迟而难以成立的产品形态变得可行，例如模型在游戏中实时改变游戏世界状态。

当然，这里还有很多工程问题没解决，比如稳定性、安全边界、状态一致性、成本和并发。但至少从速度维度看，400 tokens/s级别的API已经让这类想象不再只停留在 PPT 里。

10秒处理万字内容

第四个实测，我们回到内容行业。

我们用AI读取一份万字长文的内容素材，让它一口气执行下面的内容：

1. 提炼3句最吸睛的海报主标题；
2. 生成6条15字内短视频口播文案；
3. 输出三套产品宣传语（适合官网首页）；
4. 生成可直接发公众号的文案（800字）；
5. 最后生成JSON格式汇总所有内容。

视频地址：
https://mp.weixin.qq.com/s/Wn1-SzjpEkQLTyZnJKDRwg

只花了10秒钟！

而且效果也是依旧稳稳地拿捏到位了：

在AI的速度上来之后，让人类更快地进入到了判断的环节；由此，人和AI的协作更接近来回打磨了。而非一次性下单。

Agent进入快时代

如果只看400 tokens/s这个数字，我们可能很容易把它理解成模型变小了，所以跑得快。

但实际上，GLM-5.1-highspeed更值得关注的点在于，它主打旗舰模型高速版，而不是一个单纯追求低延迟的小模型。

这背后靠的是系统工程。

智谱GLM团队与TileRT团队联合打造GLM-5.1-highspeed，在推理引擎、调度系统和底层基础设施三个层面做了优化：

推理引擎针对GLM-5.1架构特点重写核心推理路径，调度系统通过动态批处理、请求合并、KV缓存调度等方式降低高并发场景尾延迟，基础设施层面则围绕推理集群部署、网络链路和负载均衡做协同优化。

简单理解，大模型推理不是GPU算一下就完事。

真实线上系统里，请求怎么排队，怎么合并，KV 缓存怎么调度，多卡之间怎么通信，网络链路怎么负载均衡，都会影响最终延迟。

TileRT的思路更进一步。

它把推理调度单元从传统operator/kernel进一步下沉到tile级别，通过编译期静态编排、常驻GPU的persistent Engine Kernel、减少host调度和跨算子同步等方式，压缩推理过程里的调度、搬运与同步开销。

用一句更通俗的话，可以这样理解：

过去像一群工人每搬一块砖都要等工头发一次指令；现在提前把路线、分工、节奏排好，让工人持续在工地里流水线协作。

大模型推理速度的提升，很多时候不只来自更强的芯片，也来自对系统里每一个空转环节的压榨。

高速API的竞争，本质上是模型能力、推理引擎、调度系统和基础设施的综合战。

当然，速度不能被神化。

一个API真要进入生产环境，还要看模型质量、稳定性、成本、上下文能力、工具调用可靠性、并发能力，以及复杂任务里的错误率。

尤其是400 tokens/s这样的速度数字，也需要在更多任务、更多时段、更多并发条件下持续验证。

但至少从这次测试可以看到一个明确趋势：

国产大模型API的竞争，正在从能不能答得好，进一步走向能不能又快又稳地干活。

GLM-5.1-highspeed的意义，也正在这里。

它让我们看到，当旗舰模型能力和高速推理系统叠在一起，AI Agent的体验会出现一个很直观的变化：等待变少，反馈变密，任务推进更连续。

Coding时代，速度是爽点。