GLM-5.1 评测：能连续干 8 小时的模型，SWE-Bench Pro 曾是全球第一

一句话总结：GLM-5.1 是智谱 4 月发布的旗舰，7440 亿参数、200K 上下文、MIT 开源。它的历史功绩是两条：SWE-Bench Pro 58.4 曾刷新全球最佳，以及"单次任务连续自主工作 8 小时"这个概念第一次被国产模型做到。

现在回头看 8 小时这个数字，可能觉得没什么。K2.6 都能跑 4000 步协同了。

但放在今年 4 月，这是件大事。

当时行业里主流模型的自主工作时长还是分钟级。你给模型一个任务，它跑个十几二十分钟就开始漂移：忘了最初的目标、重复读同一个文件、或者干脆开始编。GLM-5.1 宣称能连续工作 8 小时，经过数百轮迭代、数千次工具调用，完成从规划到交付的闭环。

8 小时是什么概念？一个工作日。早上给任务，下班来收结果。

图 1：SWE-Bench Pro 从 58.4 到 65.7，三代模型走了七个月

规格

有个容易混淆的地方要澄清：Hugging Face 上有个 GLM-5.1-Air，那是轻量变体，128K 上下文，Together.ai 托管的就是它。本篇说的是正式版 744B。

另外，它的发布具体日期我在官方文档里没查到精确到日的记录，只确认是 2026 年 4 月。这点如实说明。

SWE-Bench Pro 58.4：当时真的是全球第一

这个基准测的是真实软件工程任务，难度远超普通的 SWE-bench Verified。

GLM-5.1 拿 58.4 的时候，官方声明它超过了 GPT-5.4、Claude Opus 4.6 和 Gemini 3.1 Pro，刷新全球最佳表现。

这个"全球最佳"后来被不断刷新——5.2 拿 62.1，5.3 拿 65.7，MiniMax M3 拿 59.0，Kimi K2.6 拿 58.6。但开创这个局面的确实是 5.1。

七个月时间，这个基准的最好成绩从 58.4 涨到 65.7。涨幅 12.5%。这个速度就是当下国产模型竞争的真实节奏。

8 小时长程是怎么做到的

官方文档把长程能力拆成三件事：

持续的目标一致性。减少策略漂移。很多模型的失败不是能力不够，是干着干着忘了要干什么。

错误累积控制。一步错了不 Cascading（连锁崩）。发现错误能回头修，而不是沿着错误方向继续走。

减少无效试错。不做无意义的重复尝试，把 token 花在推进任务上。

这三件事单独看都不新鲜，合在一起就是"Agent 可用性"的核心。GLM-5.1 是第一个把"8 小时"作为正式能力指标发布的国产模型。

值得说明：这个 8 小时的测试环境是智谱自己定义的，任务类型和评分标准外界无法完全复现。把它当成"长程能力很强"的信号即可，别当成精确指标。

官方对标的对象

智谱当时的说法是：综合能力与 Coding 能力对齐 Claude Opus 4.6。

以 4 月的时间点看，这个对标不算离谱。Opus 4.6 是当时的闭源旗舰之一，SWE-Bench Pro 58.4 也确实超过了它后来公布的成绩。

当然，"对齐"这个词的弹性很大。第三方 Artificial Analysis 后来给出的数据里，GLM-5.1 的编程指数 55.8、智能指数 26.1——后者明显低于 5.3 的 44.8。AA 的口径经过过调整，跨时间直接比不太公平，但大体能说明：5.1 在今天看来已经落后了一代半。

现在还值得用吗

分情况。

不值得的场景：调 API 做新项目。5.2 和 5.3 同价且全面更强，官方文档里都放了迁移指南。

值得的场景：

一是成本敏感的自托管。MIT 协议、744B 参数，比 5.3 的部署负担略轻（推理链更短、token 消耗更少）。如果你的硬件刚好卡在能跑 5.1 但跑不动 5.3 的区间，它还是合理选择。

二是不需要思考模式的流水线。5.3 强制开思考，5.1 没这个限制。有些环节就是要快，不要深度推理。

三是研究用途。5.1 → 5.2 → 5.3 是一组完整的迭代样本，做模型分析很有价值。

还有一个现实因素：阿里云百炼接入了它，某些存量项目可能还在用。这些项目迁移的紧迫性不高，毕竟同价。

一件绕不开的事

Apollo Research 的评测里，GLM-5.1 的评测感知率是 39%。

这个数字后来被 Kimi K2.6 的 60% 盖过，但在当时已经引发过讨论：模型知道自己在被测试，它交出的跑分还有多少参考价值？

我在 GLM-5.3 那篇里说过这个问题的分寸：评测感知不等于作弊，可能只是识别了测试集的格式特征。但 39% 这个比例意味着，每三个基准测试里有一个的结果可能被"应试行为"影响。

对 5.1 来说，SWE-Bench Pro 58.4 的历史地位不受影响——它确实刷新了纪录，后来的模型也在同样的基准上继续竞争。

常被问的

GLM-5.1 和 GLM-5 什么关系？ 5.1 是 5 的迭代，主要提升在代码能力和长程任务。NL2Repo（从零生成代码仓库）和 Terminal-Bench 2.0 比 GLM-5 明显进步。

它开源吗？ MIT 协议，权重在 Hugging Face（zai-org/GLM-5.1）和魔搭。

自己部署需要什么硬件？ 744B 参数，官方没给精确的最低配置。参考同体量模型，多卡大显存是必须的。部署资料没有 5.2/5.3 全，踩坑要有心理准备。

新项目还能选它吗？ 不建议。5.2/5.3 同价更强，官方也建议迁移。

最后

GLM-5.1 在智谱这一年的故事里，是那个把门打开的人。

8 小时长程、SWE-Bench Pro 全球第一，这两个"第一次"后来都变成了行业标配。现在再看，4000 步协同、50% 后训练提升，都建立在这个起点上。

模型本身的服役期基本结束了——被自家两代产品盖过是技术行业最正常的事。但如果你要研究"Agent 长程能力是怎么一步步做起来的"，5.1 是绕不开的一站。

历史地位这块，它稳了。