GLM-5 拉高开源上限，离一人公司更近了

以前我觉得开源模型大多是玩具，真要干活、写复杂逻辑，还得老老实实给闭源大厂交 API 的保护费。GLM-5 的发布，不是一次简单的版本号 +1，而是直接把开源模型从玩具拉到了员工的级别。

跑完测试后，我发现，以前得雇人或者自己熬夜干的活，现在这个模型真的能接手了。

为什么说 GLM-5 让我的认知崩塌了？

参数量 744B（激活 40B），预训练数据 28.5T tokens，AI一般都有2个问题，脑子不够用和记性太差，这也是用 AI 开发的痛点，而 GLM-5就没有这个烦恼。

1. 它不再是小镇做题家

以前评测模型，大家喜欢看它做奥数题。但说实话，谁家好人在工作中用到奥数呀，我它帮我规划任务。

这次 GLM-5 在 Vending Bench 2 上的表现就很厉害了，要知道这个测试很变态的，要求模型在模拟环境里经营一家自动售货机公司，周期长达一年。

• 大多数开源模型：落地成盒，开局就寄，根本搞不清库存和资金流。
• GLM-5：不仅活下来了，最后账户余额还剩 4,432 美元。

这个成绩在开源界是断层第一，直逼闭源的 Claude Opus 4.5。就是说，如果你把 GLM-5 接入业务流，它真的具备长期规划和资源管理的能力。

2. 从生成文字到交付工作

大家以前用模型最烦的是什么？它给你吐出一堆 Markdown 格式的文本，你还得自己复制粘贴去排版。

GLM-5 这次最让我惊喜的是它对办公场景的理解。它能把那些复杂的推理结果，直接生成 .docx、.pdf 甚至 .xlsx 文件。

• 写 PRD？它直接给你一个格式完美的 Word 文档。

• 做财报分析？它直接扔给你一个带公式的 Excel 表格。

这才是真正的生产力工具。它省掉那些最没技术含量的格式调整和文档整理时间。

3. 技术上的降本增效

我也好奇，这么大的参数量，跑起来会不会慢得像蜗牛？

GLM-5 用了 DeepSeek Sparse Attention (DSA) 的技术，让模型只关注该关注的信息，把算力用在刀刃上。再加上 slime 的强化学习架构，解决了大模型越训越傻的问题。

所以它的逻辑密度高，废话少。

本地部署

说到这，很多人可能跃跃欲试想在本地跑一下。毕竟是开源模型，数据握在自己手里才踏实。

GLM-5 这种量级的模型，对 Python 环境、依赖库有要求。我之前为了跑一个大模型，光是解决 Python 依赖冲突就花了一整天，最后心态崩了模型还没跑起来。

所以这次为了不重蹈覆辙，直接上 ServBay。如果以前你觉得这种工具是给新手用的，那就错了，这是给想省时间的人用的。

你想跑 GLM-5，得装特定版本的 Python，还得配 vLLM 或者 SGLang，原生环境里搞，很容易把之前的项目环境搞挂。用 ServBay，点击下载Python， 它直接给我弄了一个隔离的、干净的 Python 3.10+ 环境。

就这么简单。在这个干净的沙盒里，再运行安装命令：

pip install -U vllm --pre --index-url  --extra-index-url 

没有报错，没有红字，一次通过。

这一步省下来的时间，足够我把 GLM-5 的 API 文档看两遍了。

最后

如果你看看未来的工作方式长什么样，可以试试 GLM-5。

它不是那种让你“哇”一声然后就关掉的玩具，它是那种你用了一次，就会把招聘助手的计划推迟的工具。

值得试试。