/ Модель

Характеристики

Контекст
202 752 токена
Параметры
30,4 млрд
Лицензия
MIT
Архитектура
glm_moe_dsa · dense
Библиотека
transformers
Опубликована
3 апр 2026

GLM-5.1

Генерация текстаТекст → текст8 профессий

GLM-5.1 — языковая модель Z.ai для генерации кода и длительных агентных инженерных задач с инструментами.

418 тыс.скачиваний за 30 дней1 843лайкавеса обновлены13 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки13

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • claw-eval/Claw-Eval

    score · выше — лучше

    Результат

    62,7

    general 62,7multi_turn 60,5
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • actava/chi-bench

    score · выше — лучше

    Результат

    18,7

    utilization_management 33,3prior_authorization 18,7chi_bench 18,7
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • collinear-ai/yc-bench

    score · выше — лучше

    Результат

    1 510 772

    medium 1 510 772
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • MathArena/aime_2026

    score · выше — лучше

    Результат

    95,3

    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • cais/hle

    score · выше — лучше

    Результат

    31

    Общий результат 52,3hle 52,3hle 31
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • harborframework/terminal-bench-2.0

    score · выше — лучше

    Результат

    63,5

    Общий результат 69terminalbench_2 69terminalbench_2 63,5
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • Idavidrein/gpqa

    score · выше — лучше

    Результат

    86,2

    diamond 86,2
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • ScaleAI/SWE-bench_Pro

    score · выше — лучше

    Результат

    58,4

    SWE_Bench_Pro 58,4
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • internlm/WildClawBench

    score · выше — лучше

    Результат

    48,2

    avg_time 515avg_cost 34,8
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • benchflow/skillsbench

    score · выше — лучше

    Результат

    58,4

    skillsbench_v1_1 58,4
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • MathArena/hmmt_feb_2026

    score · выше — лучше

    Результат

    82,6

    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • IntelligenceLab/Long-Horizon-Terminal-Bench

    score · выше — лучше

    Результат

    2

    lhtb_solved 2
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • InternScience/ResearchClawBench

    score · выше — лучше

    Результат

    18,19

    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GLM-5.1 — флагманская модель Z.ai для агентной разработки и инженерных задач. Это языковая модель с архитектурой GLM MoE DSA и 30,4 млрд параметров; она доступна в формате safetensors и совместима с Transformers. Модель принимает текст и предназначена для генерации кода, решения задач по разработке программного обеспечения и работы с инструментами в длительных сессиях.

GLM-5.1 рассчитана на сложные и неоднозначные задачи: она может разбивать работу на этапы, проводить эксперименты, анализировать результаты и менять стратегию в ходе многократных итераций. Разработчик сообщает о сильных результатах на SWE-Bench Pro, NL2Repo и Terminal-Bench 2.0. Модель поддерживает английский и китайский языки и контекст до 202 752 токенов. Для локального запуска перечислены SGLang, vLLM, xLLM, Transformers и KTransformers.

Модель распространяется по лицензии MIT. Описание подчёркивает её возможности в агентных сценариях и бенчмарках, но не приводит независимых оценок качества или гарантий результата; практическая работа с инструментами зависит также от используемой системы запуска.

Сценарии применения

  • генерация кода по описанию задачи
  • поиск и исправление ошибок в репозитории
  • выполнение многоэтапных задач в терминале
  • создание программного проекта по запросу
  • итеративная оптимизация кода с проведением экспериментов

Ограничения

Заявленные сильные результаты основаны на бенчмарках, приведённых разработчиком, и не гарантируют аналогичного качества в конкретных проектах. Выполнение задач с инструментами зависит от интеграции модели со средой запуска.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GLM-5.1

Introduction

GLM-5.1 is our next-generation flagship model for agentic engineering, with significantly stronger coding capabilities than its predecessor. It achieves state-of-the-art performance on SWE-Bench Pro and leads GLM-5 by a wide margin on NL2Repo (repo generation) and Terminal-Bench 2.0 (real-world terminal tasks).

bench_51

But the most meaningful leap goes beyond first-pass performance. Previous models—including GLM-5—tend to exhaust their repertoire early: they apply familiar techniques for quick initial gains, then plateau. Giving them more time doesn't help.

GLM-5.1, by contrast, is built to stay effective on agentic tasks over much longer horizons. We've found that the model handles ambiguous problems with better judgment and stays productive over longer sessions. It breaks complex problems down, runs experiments, reads results, and identifies blockers with real precision. By revisiting its reasoning and revising its strategy through repeated iteration, GLM-5.1 sustains optimization over hundreds of rounds and thousands of tool calls. The longer it runs, the better the result.

Benchmark

GLM-5.1GLM-5Qwen3.6-PlusMinimax M2.7DeepSeek-V3.2Kimi K2.5Claude Opus 4.6Gemini 3.1 ProGPT-5.4
HLE31.030.528.828.025.131.536.745.039.8
HLE (w/ Tools)52.350.450.6-40.851.853.1*51.4*52.1*
AIME 202695.395.495.189.895.194.595.698.298.7
HMMT Nov. 202594.096.994.681.090.291.196.394.895.8
HMMT Feb. 202682.682.887.872.779.981.384.387.391.8
IMOAnswerBench83.882.583.866.378.381.875.381.091.4
GPQA-Diamond86.286.090.487.082.487.691.394.392.0
SWE-Bench Pro58.455.156.656.2-53.857.354.257.7
NL2Repo42.735.937.939.8-32.049.833.441.3
Terminal-Bench 2.0 (Terminus-2)63.556.261.6-39.350.865.468.5-
Terminal-Bench 2.0 (Best self-reported)69.0 (Claude Code)56.2 (Claude Code)-57.0 (Claude Code)46.4 (Claude Code)---75.1 (Codex)
CyberGym68.748.3--17.341.366.638.866.3
BrowseComp68.062.0--51.460.6---
BrowseComp (w/ Context Manage)79.375.9--67.674.984.085.982.7
τ³-Bench70.669.270.767.669.266.072.467.172.9
MCP-Atlas (Public Set)71.869.274.148.862.263.873.869.267.2
Tool-Decathlon40.738.039.846.335.227.847.248.854.6
Vending Bench 2$5,634.41$4,432.12$5,114.87-$1,034.00$1,198.46$8,017.59$911.21$6,144.18

Serve GLM-5.1 Locally

The following open-source frameworks support local deployment of GLM-5.1:

Citation

If you find GLM-5.1 or GLM-5 useful in your research, please cite our technical report:

@misc{glm5team2026glm5vibecodingagentic,
      title={GLM-5: from Vibe Coding to Agentic Engineering},
      author={GLM-5-Team and : and Aohan Zeng and Xin Lv and Zhenyu Hou and Zhengxiao Du and Qinkai Zheng and Bin Chen and Da Yin and Chendi Ge and Chenghua Huang and Chengxing Xie and Chenzheng Zhu and Congfeng Yin and Cunxiang Wang and Gengzheng Pan and Hao Zeng and Haoke Zhang and Haoran Wang and Huilong Chen and Jiajie Zhang and Jian Jiao and Jiaqi Guo and Jingsen Wang and Jingzhao Du and Jinzhu Wu and Kedong Wang and Lei Li and Lin Fan and Lucen Zhong and Mingdao Liu and Mingming Zhao and Pengfan Du and Qian Dong and Rui Lu and Shuang-Li and Shulin Cao and Song Liu and Ting Jiang and Xiaodong Chen and Xiaohan Zhang and Xuancheng Huang and Xuezhen Dong and Yabo Xu and Yao Wei and Yifan An and Yilin Niu and Yitong Zhu and Yuanhao Wen and Yukuo Cen and Yushi Bai and Zhongpei Qiao and Zihan Wang and Zikang Wang and Zilin Zhu and Ziqiang Liu and Zixuan Li and Bojie Wang and Bosi Wen and Can Huang and Changpeng Cai and Chao Yu and Chen Li and Chengwei Hu and Chenhui Zhang and Dan Zhang and Daoyan Lin and Dayong Yang and Di Wang and Ding Ai and Erle Zhu and Fangzhou Yi and Feiyu Chen and Guohong Wen and Hailong Sun and Haisha Zhao and Haiyi Hu and Hanchen Zhang and Hanrui Liu and Hanyu Zhang and Hao Peng and Hao Tai and Haobo Zhang and He Liu and Hongwei Wang and Hongxi Yan and Hongyu Ge and Huan Liu and Huanpeng Chu and Jia'ni Zhao and Jiachen Wang and Jiajing Zhao and Jiamin Ren and Jiapeng Wang and Jiaxin Zhang and Jiayi Gui and Jiayue Zhao and Jijie Li and Jing An and Jing Li and Jingwei Yuan and Jinhua Du and Jinxin Liu and Junkai Zhi and Junwen Duan and Kaiyue Zhou and Kangjian Wei and Ke Wang and Keyun Luo and Laiqiang Zhang and Leigang Sha and Liang Xu and Lindong Wu and Lintao Ding and Lu Chen and Minghao Li and Nianyi Lin and Pan Ta and Qiang Zou and Rongjun Song and Ruiqi Yang and Shangqing Tu and Shangtong Yang and Shaoxiang Wu and Shengyan Zhang and Shijie Li and Shuang Li and Shuyi Fan and Wei Qin and Wei Tian and Weining Zhang and Wenbo Yu and Wenjie Liang and Xiang Kuang and Xiangmeng Cheng and Xiangyang Li and Xiaoquan Yan and Xiaowei Hu and Xiaoying Ling and Xing Fan and Xingye Xia and Xinyuan Zhang and Xinze Zhang and Xirui Pan and Xu Zou and Xunkai Zhang and Yadi Liu and Yandong Wu and Yanfu Li and Yidong Wang and Yifan Zhu and Yijun Tan and Yilin Zhou and Yiming Pan and Ying Zhang and Yinpei Su and Yipeng Geng and Yong Yan and Yonglin Tan and Yuean Bi and Yuhan Shen and Yuhao Yang and Yujiang Li and Yunan Liu and Yunqing Wang and Yuntao Li and Yurong Wu and Yutao Zhang and Yuxi Duan and Yuxuan Zhang and Zezhen Liu and Zhengtao Jiang and Zhenhe Yan and Zheyu Zhang and Zhixiang Wei and Zhuo Chen and Zhuoer Feng and Zijun Yao and Ziwei Chai and Ziyuan Wang and Zuzhou Zhang and Bin Xu and Minlie Huang and Hongning Wang and Juanzi Li and Yuxiao Dong and Jie Tang},
      year={2026},
      eprint={2602.15763},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2602.15763},
}

Как запустить

На своей GPU в ailist или через готовый API. Цены — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается даже в 8 × 80 ГБ.

API через OpenRouter

z-ai/glm-5.1

Недоступна

$0.97 / $3.04

Запуск через API временно недоступен: у платформы закончился лимит OpenRouter.

Класс архитектуры
GlmMoeDsaForCausalLM
Ревизия весов
26e1bd6

0 моделей