北京
4月8日，GLM-5.1模型正式发布。据悉，该模型在代码能力和长程任务（Long-Horizon Task）执行方面取得进展，与此前分钟级交互的模型不同，其能够在一次任务中独立、持续工作超过8小时，期间可进行自主规划、执行与交付工程级成果。
据介绍，在SWE-Bench Pro、Terminal-Bench 2.0及NL2Repo等代码评测基准测试中，GLM-5.1均取得了前列的排名。据了解，该模型能够参与专业软件开发工作，并在真实GitHub仓库中定位并修复工程Bug。研发团队认为，下一阶段的衡量标准将关注模型在长程任务中的表现，即能独立完成多长时间的人类任务，形成“实验、分析、优化”的闭环。
智谱表示，过去两年，行业用Benchmark衡量模型有多智能。而他们认为，下一阶段的衡量标准应该是“能工作多久”，即模型在Long-Horizon Task中的表现，能独立完成多长时间的人类任务。
据悉，在实际应用场景中，GLM-5.1在8小时持续工作中可完成多项复杂任务。例如，在8小时内从零构建包含完整桌面、窗口管理器、状态栏及应用程序的Linux桌面系统，全程执行超1200步操作，包括：完整的桌面、窗口管理器、状态栏、应用程序、VPN管理器、中文字体支持、游戏库等，4.8MB的配套文件，此前这相当于一个4人团队一周的开发工作量。
此外，据了解，在向量数据库优化场景中，GLM-5.1经过655次迭代，自主完成从全库扫描到提前剪枝的整套优化链条，将查询吞吐量从初次交付的3108 QPS提升至21472 QPS。在机器学习模型负载优化方面，该模型在超过24小时的迭代中，通过1000轮工具调用，自主完成多轮编译、测试、分析与重写循环，取得3.6倍的几何平均加速比。
智谱表示，延长模型的"有效工作时长"是提升智能体能力的一个基础维度。同时其也指出，在这条路上仍然有显著的技术挑战：如何克服模型面对复杂任务的上下文焦虑、如何在数千次工具调用后保持执行的一致性、如何更早地跳出局部最优，以及更重要的是如何在没有确定数值指标的任务上建立可靠的自我评估机制。（袁宁）
本文来源：网易智能
责任编辑：
李佳_NBJS32032
