GLM-5 SWE-bench Pro 62.1分深度解读：开源SWE修复能力真相

GLM-5 SWE-bench Pro 62.1分深度解读：开源SWE修复能力真相

【免费下载链接】GLM-5GLM-5: From Vibe Coding to Agentic Engineering项目地址: https://gitcode.com/GitHub_Trending/gl/GLM-5

GLM-5 系列旗舰模型 GLM-5.2 在 SWE-bench Pro 上取得 62.1 分，登顶开源大模型 SWE 代码修复能力榜。这篇文章带你读懂这个分数背后的真相：它测的是什么、与闭源前沿差多少、开源第一意味着什么，以及新手如何快速上手部署 GLM-5 系列。

SWE-bench Pro 是什么？62.1 分意味着什么？

🎯 先说结论：62.1 分是当前开源模型在 SWE-bench Pro 上的最高分，比 GPT-5.5（58.6）高出 3.5 分，比 Gemini 3.1 Pro（54.2）高出近 8 分。

SWE-bench 系列是业界公认的"SWE 修复能力"标尺，考察模型能否像工程师一样：读懂仓库代码 → 定位真实 Bug → 写出补丁 → 通过测试。而SWE-bench Pro 是其中最硬核的版本——题目来自更复杂的真实工业级仓库，语言覆盖更广，对模型的长程推理、代码定位与多轮迭代能力要求更高。

上图为 GLM-5.2 在 8 项基准上的完整成绩（所有模型均以最大思考力度评测）。可以看到，除了 SWE-bench Pro 的 62.1，GLM-5.2 在 Terminal-Bench 2.1 上更是拿下81.0 分，与 Claude Opus 4.8（85.0）仅差 4 分。

数据来源：README_zh.md 中的官方评测说明

读懂 62.1：一张表看透开源 vs 闭源差距

📊 三个关键信号：

• 开源第一，且优势扩大：对比上一代 GLM-5.1 的 58.4 分，GLM-5.2 一次提升了 3.7 分，拉开与同类开源模型的差距。
• 闭源差距缩至 7.1 分：69.2 vs 62.1，在两年前的开源圈几乎是不可想象的数字。
• Terminal-Bench 2.1 接近追平：81.0 对 85.0，说明 GLM-5 系列的"智能体工程"能力已贴近闭源天花板。

54.9 → 62.1：GLM-5 系列是如何一路爬升的？

62.1 分并非一蹴而就，而是 GLM-5 系列三代进化的结果。上图展示的是 GLM-5.1 时期的编码评测（SWE-Bench Pro 54.9，当时已是开源领先），而 GLM-5.2 在此基础上再上台阶。

1️⃣ 规模翻倍：744B 参数 + 稀疏注意力

相比 GLM-4.5，GLM-5 将参数从 355B（激活 32B）扩展到744B（激活 40B），预训练数据从 23T 增至28.5T tokens。更妙的是集成了 DeepSeek 稀疏注意力（DSA），让长上下文部署成本大幅降低——这也是它敢冲击 1M token 上下文的底气。

2️⃣ slime：异步强化学习基础设施

传统 RL 训练太慢，撑不起大规模后训练。GLM 团队自研了 slime 异步 RL 框架，大幅提升训练吞吐，让"更细粒度的后训练迭代"成为可能——这是 SWE 修复这类长链路任务能持续提分的关键。

3️⃣ 从 Vibe Coding 到 Agentic Engineering

GLM-5 系列最核心的进化不是"写对一行代码"，而是长程智能体能力：拆解复杂问题、设计实验、读结果、定位瓶颈，并在数百轮迭代、数千次工具调用中持续优化——运行越久，结果越好。

上图为 GLM-5 首代模型的全面成绩单：SWE-bench Verified 77.8、SWE-bench Multilingual 73.3、t²-Bench 89.7，在开源模型中处于第一梯队，与 Claude Opus 4.5 的差距已非常有限。

从榜单到真实工程：GLM-5 的实战表现

榜单分数之外，官方还准备了更贴近真实工作场景的验证。在内部评估套件CC-Bench-V2上，GLM-5 在前端构建成功率达到98.0%（超越 Claude Opus 4.5 的 93.0%），大仓库探索能力 65.6%，长程多步链式任务 52.3%——均优于上一代 GLM-4.7，并与闭源旗舰掰手腕。

更有趣的验证是Vending Bench 2：让模型在一年时间跨度里"经营"一个模拟自动售货机生意。GLM-5 最终账户余额$4,432，开源第一，直逼 Claude Opus 4.5 的 $4,967。能赚钱，才说明规划、资源管理和抗干扰能力是真的。

新手快速上手：GLM-5 系列部署指南

💡 不需要写一行代码，你也能用起来：

模型获取

GLM-5 全系列（GLM-5 / 5.1 / 5.2）均为 744B-A40B 的 MoE 架构，提供BF16 与 FP8两种精度，可同时在 Hugging Face 与 ModelScope 两大模型平台下载。FP8 版本显存占用更低，适合资源有限的环境。

主流部署框架

官方验证了以下推理框架（详见 README.md）：

若使用Ascend NPU平台，官方提供了完整部署示例，涵盖 MoE 算子融合、PD 分离、W8A8 量化等 7 项优化，可参考 example/ascend.md。

关键参数：思考力度

GLM-5 支持reasoning_effort参数控制思考力度，分max与high两档，默认即为max——复现榜单成绩无需任何设置；追求低延迟时可显式传reasoning_effort="high"；设置enable_thinking=false可完全关闭思考。

微调与技能生态

• 微调支持 Slime（GLM 团队同款 RL 框架）与 ms-swift（支持 SFT / PPO / GRPO）
• 仓库内附赠 skills/glm-master-skill/SKILL.md，是 GLM 生态技能（OCR、图像生成、视觉理解等）的导航总览
• 许可协议见 LICENSE，可自由用于研究与商业场景

常见问题速答

Q：SWE-bench Pro 62.1 分是 GLM-5 还是 GLM-5.2？A：62.1 分来自系列最新旗舰GLM-5.2（最大思考力度评测）；前代 GLM-5.1 为 58.4 分。GLM-5 作为系列首代，在 SWE-bench Verified 上得 77.8 分。

Q：与闭源模型还有多大差距？A：SWE-bench Pro 差 7.1 分（62.1 vs 69.2），DeepSWE 差 11.8 分仍是短板；但在 Terminal-Bench 2.1 上仅差 4 分，部分真实工程指标（前端构建成功率）已反超。

Q：个人开发者值得本地部署吗？A：744B 参数对显存要求不低，推荐 FP8 版本 + KTransformers 混合推理方案；也可直接通过 API 平台调用 GLM-5.2 服务，是新手最快上手的姿势。

总结

62.1 分不只是"开源第一"的标题，它标志着三件事：开源 SWE 修复能力进入 60+ 时代、与闭源前沿差距压缩到个位数、Agentic Engineering 取代单点代码生成成为竞争主线。对新手而言，现在正是用 GLM-5 系列体验"会自主修 Bug 的 AI 工程师"的最佳时机——下载 FP8 权重、跑通 SGLang，或直接用 API，半小时即可上手。

【免费下载链接】GLM-5GLM-5: From Vibe Coding to Agentic Engineering项目地址: https://gitcode.com/GitHub_Trending/gl/GLM-5