admin管理员组

文章数量:1030398

智谱 GLM 新成员开源：高性能、推理快，体验入口“z.ai”免费开放

继智谱在上个月发布了他们的AutoGLM沉思全新智能体，在AI圈子引起广泛的反向，很多人纷纷使用AutoGLM沉思去完成自己工作中的一些任务，如写研究报告、行业调研等等。

那么，AutoGLM沉思智能体背后是怎么样的一套技术呢？

AutoGLM沉思的核心技术包括多个底层模型的协作，包括基础模型、GLM-Z1推理模型 、 GLM-Z1-Rumination沉思模型 、AutoGLM模型，而这些驱动Agent的模型，将在4.14日完全开源，任何用户都可以遵循最宽松的开源协议进行使用。

马上到4月中旬了，上次的AutoGLM沉思发布会，智谱就提前预告了接下来将要发布的东西。智谱要把他们辛辛苦苦训练、微调的模型开源出来了！

这张图其实是上次发布会露出的，将会陆续开源基座模型、推理模型、沉思模型，这三个是AutoGLM沉思的核心技术。

本次开源的模型有三个，沉思模型 GLM-Z1-Rumination-32B-0414、GLM-Z1-32B-0414 、基础模型 GLM-4-32B-0414，接下来将为你一一介绍。

基础模型 GLM-4-32B-0414

新一代基础模型 GLM-4-32B-0414，凭借32B参数量，性能可与更大参数量主流模型比肩。其预训练阶段融入更多代码类、推理类数据，并在对齐阶段优化智能体能力，行动能力行业领先，工具调用、联网搜索、代码等智能体任务表现更优。

该模型支持在对话中实时展示 HTML、CSS、JS、SVG 等代码，用户可一键点击在对话窗口查看代码运行结果，便于灵活修改调整，无需切换程序。

上面生成的HTML网页，最终是这个样子的：

沉思模型 GLM-Z1-Rumination-32B-0414

沉思模型 GLM-Z1-Rumination-32B-0414 提升了模型结合工具使用完成长程推理的能力，突破了传统 AI 单纯依赖内部知识推理的局限，创新性地结合实时联网搜索、动态工具调用、深度分析和自我验证，形成完整的自主研究流程。

沉思模型 GLM-Z1-Rumination-32B-0414能主动理解用户需求，在复杂任务中不断优化推理、反复验证与修正假设，使研究成果更具可靠性与实用性。

与传统推理模型相比，沉思模型 GLM-Z1-Rumination-32B-0414 预示着 AI 助手从“高智商”迈向“高智商+高自主”阶段，能够自主完成更复杂、更深入的研究任务。

GLM-Z1-32B-0414

这款开源的推理模型分为三款，有推理速度非常快的，也有极高性价比的。

部分任务上，GLM-Z1-32B-0414 依靠32B 参数，性能已与拥有 671B 参数的 DeepSeek-R1 相媲美。

推理模型版本的对比如下：

模型

GLM-Z1-AirX（极速版）

GLM-Z1-Air（高性价比版）

GLM-Z1-Flash（免费版）

优势

8倍推理速度，最高200tokens/秒

最高性价比，是R1模型价格的1/30

唯一免费调用

速率

100-200+TPS左右

50TPS左右

-

收费

5元/M

0.5元/M

免费

GLM-Z1-9B-0414

GLM-Z1-9B-0414 是一个小尺寸模型，在数学推理及通用任务上表现出色，特别适合在资源受限的场景。

我们知道，推理模型在处理模糊任务、大海捞针测试、多步骤agent规划以及代码审查方面具有卓越的性能，接下来将有几个例子进行逐一测试。

示例一：处理模糊任务

系统提示词：

你是一位经验丰富的推理专家，现在我有一个任务需要你处理。我手头的信息非常有限，可能有些地方并不明确，但我相信你能理解我的意图并填补其中的空白。如果你需要进一步澄清，请随时提问。任务是：根据我提供的这些碎片化的线索，推测出事件的可能经过。

用户提示词：

线索： 小区里的一棵大树突然倒下，砸坏了停在附近的几辆车。 有居民看到前一天晚上有人在树下挖东西，但没看清具体在做什么。 小区的物业人员检查后发现，大树的根部被人动过，似乎被挖断了几根主根。 小区的监控显示，案发前一天晚上有一辆面包车在大树附近停留了很久，但车牌被遮挡。 小区的绿化养护记录显示，这棵大树之前一直生长良好，没有病虫害。

想必很多喜欢剧情游戏的朋友都会遇到这样的难题，在有限的信息里面推测出整个的事情经过，得花费很长的时间，而且可能会陷入误区，越想越脑壳痛......

那么推理模型这么厉害了，那么使用GLM-Z1-Air模型试试它的水准怎么样，我让它扮演推理专家的角色，给了他故事剧情的一些线索，然后让他帮我推理出故事的梗概。

哎，难度有点低了，我找了一个中等难度的剧本杀，然后其中有15条线索，每个线索之间是离散分布的，需要GLM-Z1-AirX模型帮我推理出这个事件的经过。

背景： 一座古老的宅邸中发生了一起离奇的事件。宅邸的主人在一夜之间失踪，留下了许多令人困惑的线索。

线索：

  1. 主人的日记：在主人的书房中发现了一本日记，最后一页写着：“今晚，我将揭开真相。”
  2. 神秘的信件：主人的书桌上有一封未寄出的信，信中提到“家族的秘密终于要大白于天下了”。
  3. 奇怪的脚印：宅邸的花园中发现了一串奇怪的脚印，似乎是从书房通往地下室的。
  4. 地下室的锁：地下室的门被锁上了，但锁上没有主人的指纹，而是有一层薄薄的灰尘。
  5. 监控录像：宅邸的监控录像显示，案发当晚有一名不明身份的人影在花园中徘徊。
  6. 目击者证词：宅邸的管家表示，案发当晚听到主人书房中有奇怪的声音，但没有看到任何人进出。
  7. 家族画像：在客厅的墙上挂着一幅家族画像，画像中有一处被划掉的痕迹，似乎是最近才有的。
  8. 遗失的钥匙：主人的钥匙链上少了一把钥匙，而这把钥匙正是地下室的备用钥匙。
  9. 奇怪的钟声：案发当晚，附近的居民听到宅邸的古钟敲响了13下，这在家族中是一个不祥的征兆。
  10. 家族传说：家族中流传着一个关于“隐藏财富”的传说，但无人知晓具体细节。
  11. 旧信件：在主人的书桌抽屉中发现了一封旧信，信中提到“真相就在你脚下”。
  12. 地下室的日记：在地下室中发现了一本旧日记，记录了家族过去的秘密。
  13. 神秘的符号：在地下室的墙上发现了一些奇怪的符号，与家族画像上的划痕相似。
  14. 目击者证词：邻居表示，案发当晚看到一辆陌生的车停在宅邸外。
  15. 手机信号：主人的手机在失踪后仍处于开机状态，但位置一直在移动。

任务：推测主人失踪的可能经过。

推演的最终结局为主人于凌晨1:12启动地下室应急系统，触发长子预设的氮气室装置（教堂冷藏系统改造）。尸体经特殊处理（遗体冷冻干燥技术）后，通过预埋管道转移至城郊教堂地窖，伪造成自然失踪。手机信号由长子团队远程操控，实现"死亡信号漂移"迷惑。

示例二：多步骤代理规划，以电商用户为例

系统提示词：

现在我有一个复杂的问题需要解决，需要你作为“规划者”来制定详细的多步骤解决方案。请根据任务的性质和需求，选择合适的模型作为“执行者”。你可以根据高智能和低延迟的重要性来分配任务。请输出你的规划方案，包括每一步的具体内容和选择的执行者模型。

用户输入：

问题描述： 电商网站面临用户流失问题，需要预测用户流失的可能性，并制定相应的挽回策略。需要考虑用户的历史购买行为、浏览行为、用户反馈等多个因素。

GLM-Z1-Air在多步骤代理规划方面表现的非常不错，如上演示，46秒内他就给我生成了一个关于电商网站优化的问题，但是我最开始的问题是非常模糊的，只提到了遇到的一些问题以及我的要求，

GLM-Z1-Air就给我哗啦啦的输出一大堆，把我的问题进行了逐步拆解，为了方便大家观看，重要的内容我给放到下面一起了，每个执行步骤其实是非常明确的。而且根据要求确定了最终的执行方案。

接下来我就使用GLM-Z1-Airx作为一个对比吧，同样的输入，然后整个执行过程放在下面的VCR里面，我惊呆了，10几秒内就解决这个问题了，速度真正快了4-5倍左右。

示例三：审查、调试和改进代码质量

系统提示词：

我有一段代码需要你进行审查和改进。请仔细检查代码中的问题，并提出改进建议。你可以直接输出改进后的代码，或者列出需要修改的地方和原因。

用户输入的代码片段，这段代码其实存在多个问题，比如说异常处理不完善、数据完整性缺失和可读性差等问题。例如，未处理文件读取权限，未记录问题数据，数据丢失风险高，且缺少日志功能，不利于调试。同时，文件路径硬编码，灵活性不足。

交给推理模型，看他能不能帮我们找出其中的问题。

代码语言：javascript代码运行次数：0运行复制
import json

def read_data_from_file(file_path):
    with open(file_path, "r") as file:
        data = json.load(file)
    return data

def process_data(data):
    results = []
    for item in data:
        try:
            name = item["name"]
            age = item["age"]
            if age < 18:
                raise ValueError("Age must be at least 18")
            results.append({"name": name, "age": age})
        except KeyError as e:
            print(f"Missing key: {e}")
        except ValueError as e:
            print(f"Value error: {e}")
    return results

def save_results_to_file(results, file_path):
    with open(file_path, "w") as file:
        json.dump(results, file)

def main():
    input_file = "input.json"
    output_file = "output.json"

    try:
        data = read_data_from_file(input_file)
        processed_data = process_data(data)
        save_results_to_file(processed_data, output_file)
        print("Processing complete. Results saved to output.json")
    except FileNotFoundError:
        print("Input file not found")
    except json.JSONDecodeError:
        print("Invalid JSON format in input file")

if __name__ == "__main__":
    main()

如下为代码审查测试流程，根据我提供的代码，GLM-Z1-Air能够非常快速的进行推理。

我将代码审查之后优化的点放到如下这张图里面，可以看到，在多个代码隐患里面都做了修改优化，并且推理过程很快，token在那唰唰的跑。

然后使用GLM-Z1-Airx（极速版），我们再测试一下，我擦，20多秒就跑完了，上面使用GLM-Z1-Air也得两分钟左右，真真真的太快了！

示例四：规范提示

提示词：

我需要你根据以下指令完成任务。任务内容是……（具体任务描述）。请保持提示简单直接，避免思维链提示。使用分隔符以提高清晰度。优先尝试零样本提示，需要时再使用少样本。提供具体指导，明确说明最终目标。

用户输入：撰写一个市场分析报告，使用GLM-Z1-Air模型。

任务描述： 根据以下信息，撰写一个市场分析报告。 输入： 市场趋势：智能手机市场增长放缓 竞争对手：苹果、三星、华为 目标市场：年轻人 输出： 市场分析报告：智能手机市场竞争激烈，年轻人市场是主要增长点。

同一个撰写市场分析报告的任务，使用GLM-Z1-Air模型和GLM-Z1-AirX模型进行对比，可以明显的发现，后者在速率方面更胜一筹。

说完了这些，相信大家会问：我应该去哪里体验呢？

现在有两种方式即可体验，第一种就是去智谱的MaaS服务平台上就可体验

链接在这里：

到体验中心页面，在模型选择岚切换不同的模型，比如切换到GLM-Z1-Air模型，就可以输入指令进行体验了。

给他一个旅行规划的任务指令，然后就可以分析我的需求，为我生成旅行规划。

偷偷告诉你，智谱搞了很牛逼的顶级域名：z.ai，即将把三类 GLM 模型上线，面向全球用户免费使用。

他们把本次开源的三款模型，全部放上去了，现在全球用户都可以免费体验了！

z.ai 目前已上线三款开源模型：

GLM-4-32B（基座模型）：强大代码生成能力，支持Artifacts 功能

Z1-32B（推理模型）：优越的推理性能，最高达 200 Tokens/秒 的极速输出

Z1-Rumination-32B（沉思模型）：Deep Research 能力背后的模型，适合深度调研

切换为Z1-32B（GLM-Z1-AirX）模型，我是开了联网搜索的，根据我的问题，找出了关键词，进行先搜后想，根据内容来确定问题怎么问答。

如果切换为Z1-Rumination模型，进入沉思模式，先想后搜，根据每一个步骤去搜索内容，然后补充完善，然后来个大包圆。

z.ai 不仅仅是一个超级域名这么简单，它将逐渐发展为下一代的 AI 应用平台入口，为全新的AI开源生态注入活力。

最后，我也是刚刚了解到，智谱是大模型六小龙里面第一家正式启动IPO流程的大模型创业公司。

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-04-15，如有侵权请联系 cloudcommunity@tencent 删除glm高性能模型优化开源

智谱 GLM 新成员开源：高性能、推理快，体验入口“z.ai”免费开放

继智谱在上个月发布了他们的AutoGLM沉思全新智能体，在AI圈子引起广泛的反向，很多人纷纷使用AutoGLM沉思去完成自己工作中的一些任务，如写研究报告、行业调研等等。

那么，AutoGLM沉思智能体背后是怎么样的一套技术呢？

AutoGLM沉思的核心技术包括多个底层模型的协作，包括基础模型、GLM-Z1推理模型 、 GLM-Z1-Rumination沉思模型 、AutoGLM模型，而这些驱动Agent的模型，将在4.14日完全开源，任何用户都可以遵循最宽松的开源协议进行使用。

马上到4月中旬了，上次的AutoGLM沉思发布会，智谱就提前预告了接下来将要发布的东西。智谱要把他们辛辛苦苦训练、微调的模型开源出来了！

这张图其实是上次发布会露出的，将会陆续开源基座模型、推理模型、沉思模型，这三个是AutoGLM沉思的核心技术。

本次开源的模型有三个，沉思模型 GLM-Z1-Rumination-32B-0414、GLM-Z1-32B-0414 、基础模型 GLM-4-32B-0414，接下来将为你一一介绍。

基础模型 GLM-4-32B-0414

新一代基础模型 GLM-4-32B-0414，凭借32B参数量，性能可与更大参数量主流模型比肩。其预训练阶段融入更多代码类、推理类数据，并在对齐阶段优化智能体能力，行动能力行业领先，工具调用、联网搜索、代码等智能体任务表现更优。

该模型支持在对话中实时展示 HTML、CSS、JS、SVG 等代码，用户可一键点击在对话窗口查看代码运行结果，便于灵活修改调整，无需切换程序。

上面生成的HTML网页，最终是这个样子的：

沉思模型 GLM-Z1-Rumination-32B-0414

沉思模型 GLM-Z1-Rumination-32B-0414 提升了模型结合工具使用完成长程推理的能力，突破了传统 AI 单纯依赖内部知识推理的局限，创新性地结合实时联网搜索、动态工具调用、深度分析和自我验证，形成完整的自主研究流程。

沉思模型 GLM-Z1-Rumination-32B-0414能主动理解用户需求，在复杂任务中不断优化推理、反复验证与修正假设，使研究成果更具可靠性与实用性。

与传统推理模型相比，沉思模型 GLM-Z1-Rumination-32B-0414 预示着 AI 助手从“高智商”迈向“高智商+高自主”阶段，能够自主完成更复杂、更深入的研究任务。

GLM-Z1-32B-0414

这款开源的推理模型分为三款，有推理速度非常快的，也有极高性价比的。

部分任务上，GLM-Z1-32B-0414 依靠32B 参数，性能已与拥有 671B 参数的 DeepSeek-R1 相媲美。

推理模型版本的对比如下：

模型

GLM-Z1-AirX（极速版）

GLM-Z1-Air（高性价比版）

GLM-Z1-Flash（免费版）

优势

8倍推理速度，最高200tokens/秒

最高性价比，是R1模型价格的1/30

唯一免费调用

速率

100-200+TPS左右

50TPS左右

-

收费

5元/M

0.5元/M

免费

GLM-Z1-9B-0414

GLM-Z1-9B-0414 是一个小尺寸模型，在数学推理及通用任务上表现出色，特别适合在资源受限的场景。

我们知道，推理模型在处理模糊任务、大海捞针测试、多步骤agent规划以及代码审查方面具有卓越的性能，接下来将有几个例子进行逐一测试。

示例一：处理模糊任务

系统提示词：

你是一位经验丰富的推理专家，现在我有一个任务需要你处理。我手头的信息非常有限，可能有些地方并不明确，但我相信你能理解我的意图并填补其中的空白。如果你需要进一步澄清，请随时提问。任务是：根据我提供的这些碎片化的线索，推测出事件的可能经过。

用户提示词：

线索： 小区里的一棵大树突然倒下，砸坏了停在附近的几辆车。 有居民看到前一天晚上有人在树下挖东西，但没看清具体在做什么。 小区的物业人员检查后发现，大树的根部被人动过，似乎被挖断了几根主根。 小区的监控显示，案发前一天晚上有一辆面包车在大树附近停留了很久，但车牌被遮挡。 小区的绿化养护记录显示，这棵大树之前一直生长良好，没有病虫害。

想必很多喜欢剧情游戏的朋友都会遇到这样的难题，在有限的信息里面推测出整个的事情经过，得花费很长的时间，而且可能会陷入误区，越想越脑壳痛......

那么推理模型这么厉害了，那么使用GLM-Z1-Air模型试试它的水准怎么样，我让它扮演推理专家的角色，给了他故事剧情的一些线索，然后让他帮我推理出故事的梗概。

哎，难度有点低了，我找了一个中等难度的剧本杀，然后其中有15条线索，每个线索之间是离散分布的，需要GLM-Z1-AirX模型帮我推理出这个事件的经过。

背景： 一座古老的宅邸中发生了一起离奇的事件。宅邸的主人在一夜之间失踪，留下了许多令人困惑的线索。

线索：

  1. 主人的日记：在主人的书房中发现了一本日记，最后一页写着：“今晚，我将揭开真相。”
  2. 神秘的信件：主人的书桌上有一封未寄出的信，信中提到“家族的秘密终于要大白于天下了”。
  3. 奇怪的脚印：宅邸的花园中发现了一串奇怪的脚印，似乎是从书房通往地下室的。
  4. 地下室的锁：地下室的门被锁上了，但锁上没有主人的指纹，而是有一层薄薄的灰尘。
  5. 监控录像：宅邸的监控录像显示，案发当晚有一名不明身份的人影在花园中徘徊。
  6. 目击者证词：宅邸的管家表示，案发当晚听到主人书房中有奇怪的声音，但没有看到任何人进出。
  7. 家族画像：在客厅的墙上挂着一幅家族画像，画像中有一处被划掉的痕迹，似乎是最近才有的。
  8. 遗失的钥匙：主人的钥匙链上少了一把钥匙，而这把钥匙正是地下室的备用钥匙。
  9. 奇怪的钟声：案发当晚，附近的居民听到宅邸的古钟敲响了13下，这在家族中是一个不祥的征兆。
  10. 家族传说：家族中流传着一个关于“隐藏财富”的传说，但无人知晓具体细节。
  11. 旧信件：在主人的书桌抽屉中发现了一封旧信，信中提到“真相就在你脚下”。
  12. 地下室的日记：在地下室中发现了一本旧日记，记录了家族过去的秘密。
  13. 神秘的符号：在地下室的墙上发现了一些奇怪的符号，与家族画像上的划痕相似。
  14. 目击者证词：邻居表示，案发当晚看到一辆陌生的车停在宅邸外。
  15. 手机信号：主人的手机在失踪后仍处于开机状态，但位置一直在移动。

任务：推测主人失踪的可能经过。

推演的最终结局为主人于凌晨1:12启动地下室应急系统，触发长子预设的氮气室装置（教堂冷藏系统改造）。尸体经特殊处理（遗体冷冻干燥技术）后，通过预埋管道转移至城郊教堂地窖，伪造成自然失踪。手机信号由长子团队远程操控，实现"死亡信号漂移"迷惑。

示例二：多步骤代理规划，以电商用户为例

系统提示词：

现在我有一个复杂的问题需要解决，需要你作为“规划者”来制定详细的多步骤解决方案。请根据任务的性质和需求，选择合适的模型作为“执行者”。你可以根据高智能和低延迟的重要性来分配任务。请输出你的规划方案，包括每一步的具体内容和选择的执行者模型。

用户输入：

问题描述： 电商网站面临用户流失问题，需要预测用户流失的可能性，并制定相应的挽回策略。需要考虑用户的历史购买行为、浏览行为、用户反馈等多个因素。

GLM-Z1-Air在多步骤代理规划方面表现的非常不错，如上演示，46秒内他就给我生成了一个关于电商网站优化的问题，但是我最开始的问题是非常模糊的，只提到了遇到的一些问题以及我的要求，

GLM-Z1-Air就给我哗啦啦的输出一大堆，把我的问题进行了逐步拆解，为了方便大家观看，重要的内容我给放到下面一起了，每个执行步骤其实是非常明确的。而且根据要求确定了最终的执行方案。

接下来我就使用GLM-Z1-Airx作为一个对比吧，同样的输入，然后整个执行过程放在下面的VCR里面，我惊呆了，10几秒内就解决这个问题了，速度真正快了4-5倍左右。

示例三：审查、调试和改进代码质量

系统提示词：

我有一段代码需要你进行审查和改进。请仔细检查代码中的问题，并提出改进建议。你可以直接输出改进后的代码，或者列出需要修改的地方和原因。

用户输入的代码片段，这段代码其实存在多个问题，比如说异常处理不完善、数据完整性缺失和可读性差等问题。例如，未处理文件读取权限，未记录问题数据，数据丢失风险高，且缺少日志功能，不利于调试。同时，文件路径硬编码，灵活性不足。

交给推理模型，看他能不能帮我们找出其中的问题。

代码语言：javascript代码运行次数：0运行复制
import json

def read_data_from_file(file_path):
    with open(file_path, "r") as file:
        data = json.load(file)
    return data

def process_data(data):
    results = []
    for item in data:
        try:
            name = item["name"]
            age = item["age"]
            if age < 18:
                raise ValueError("Age must be at least 18")
            results.append({"name": name, "age": age})
        except KeyError as e:
            print(f"Missing key: {e}")
        except ValueError as e:
            print(f"Value error: {e}")
    return results

def save_results_to_file(results, file_path):
    with open(file_path, "w") as file:
        json.dump(results, file)

def main():
    input_file = "input.json"
    output_file = "output.json"

    try:
        data = read_data_from_file(input_file)
        processed_data = process_data(data)
        save_results_to_file(processed_data, output_file)
        print("Processing complete. Results saved to output.json")
    except FileNotFoundError:
        print("Input file not found")
    except json.JSONDecodeError:
        print("Invalid JSON format in input file")

if __name__ == "__main__":
    main()

如下为代码审查测试流程，根据我提供的代码，GLM-Z1-Air能够非常快速的进行推理。

我将代码审查之后优化的点放到如下这张图里面，可以看到，在多个代码隐患里面都做了修改优化，并且推理过程很快，token在那唰唰的跑。

然后使用GLM-Z1-Airx（极速版），我们再测试一下，我擦，20多秒就跑完了，上面使用GLM-Z1-Air也得两分钟左右，真真真的太快了！

示例四：规范提示

提示词：

我需要你根据以下指令完成任务。任务内容是……（具体任务描述）。请保持提示简单直接，避免思维链提示。使用分隔符以提高清晰度。优先尝试零样本提示，需要时再使用少样本。提供具体指导，明确说明最终目标。

用户输入：撰写一个市场分析报告，使用GLM-Z1-Air模型。

任务描述： 根据以下信息，撰写一个市场分析报告。 输入： 市场趋势：智能手机市场增长放缓 竞争对手：苹果、三星、华为 目标市场：年轻人 输出： 市场分析报告：智能手机市场竞争激烈，年轻人市场是主要增长点。

同一个撰写市场分析报告的任务，使用GLM-Z1-Air模型和GLM-Z1-AirX模型进行对比，可以明显的发现，后者在速率方面更胜一筹。

说完了这些，相信大家会问：我应该去哪里体验呢？

现在有两种方式即可体验，第一种就是去智谱的MaaS服务平台上就可体验

链接在这里：

到体验中心页面，在模型选择岚切换不同的模型，比如切换到GLM-Z1-Air模型，就可以输入指令进行体验了。

给他一个旅行规划的任务指令，然后就可以分析我的需求，为我生成旅行规划。

偷偷告诉你，智谱搞了很牛逼的顶级域名：z.ai，即将把三类 GLM 模型上线，面向全球用户免费使用。

他们把本次开源的三款模型，全部放上去了，现在全球用户都可以免费体验了！

z.ai 目前已上线三款开源模型：

GLM-4-32B（基座模型）：强大代码生成能力，支持Artifacts 功能

Z1-32B（推理模型）：优越的推理性能，最高达 200 Tokens/秒 的极速输出

Z1-Rumination-32B（沉思模型）：Deep Research 能力背后的模型，适合深度调研

切换为Z1-32B（GLM-Z1-AirX）模型，我是开了联网搜索的，根据我的问题，找出了关键词，进行先搜后想，根据内容来确定问题怎么问答。

如果切换为Z1-Rumination模型，进入沉思模式，先想后搜，根据每一个步骤去搜索内容，然后补充完善，然后来个大包圆。

z.ai 不仅仅是一个超级域名这么简单，它将逐渐发展为下一代的 AI 应用平台入口，为全新的AI开源生态注入活力。

最后，我也是刚刚了解到，智谱是大模型六小龙里面第一家正式启动IPO流程的大模型创业公司。

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-04-15，如有侵权请联系 cloudcommunity@tencent 删除glm高性能模型优化开源

本文标签： 智谱 GLM 新成员开源高性能推理快，体验入口“zai”免费开放

版权声明：本文标题：智谱 GLM 新成员开源：高性能、推理快，体验入口“z.ai”免费开放 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://it.en369.cn/jiaocheng/1747656110a2199604.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。