跳转至

GLM 家族

GLM 最初指一种把理解与生成放进同一模型的预训练目标；五年后，它又可以指通用语言模型、推理模型、视觉模型、语音模型、图像生成器、代码模型、Agent 运行栈或线上 API。名字延续，并不保证目标函数、tokenizer、主干架构、训练数据或许可证延续。理解这条谱系的关键，因而不是背版本号，而是持续追问三件事：

  1. 这次公开的是论文、权重、代码、API，还是只有产品能力说明？
  2. 新模型从哪个 checkpoint 或哪条方法线出发，哪些继承关系有直接证据？
  3. 一项局部技术怎样重新接回表示学习、后训练、系统和 Agent 闭环？

本页给出家族级入口；精确事件顺序见 GLM 演化时间线，GLM-5 的逐章证据见总深读与引用图谱。内容截至 2026 年 7 月 28 日，只登记能够由论文、官方仓库、模型卡或官方发布台账确认的公开对象。

GLM-5 把通用、代码推理、长上下文与 Agent 数据逐步接入 Base Model，再通过多阶段强化学习与在策略蒸馏完成后训练

Figure 5 是 GLM-5 文本模型分支的一张阶段账本，而不是整个 GLM 家族的统一架构。它把稀疏注意力适配、长上下文/Agent mid-training 和多阶段 RL 接成一条证据明确的路径；视觉、语音、OCR 与图像生成分支仍须回到各自报告判断主干和目标函数。图源：GLM-5: from Vibe Coding to Agentic Engineering, Figure 5, p. 4；Copyright © 2026 GLM-5 Team，CC BY 4.0。

家族地图

先把边界画清楚，许多看似矛盾的命名便会自然消失。下面按公开证据把对象分成四条线；同一行表示研究或产品方向，不自动表示 checkpoint 继承。

谱系 公开对象 证据边界
通用语言 GLM → GLM-130B → ChatGLM 系列 → GLM-4.x → GLM-5.x 家族名称和能力连续；具体目标、tokenizer、数据、主干与权重继承仍须逐代核对
视觉理解与行动 VisualGLM、CogVLM、CogVLM2、GLM-4V / 4.1V / 4.5V / 4.6V、CogAgent 方法、数据或团队可能相连；语言基座不同，不能把产品代际直接写成 checkpoint 直系
代码、检索与 Agent CodeGeeX2 / 4、AutoWebGLM、WebRL、slime 与长程 Agentic Engineering 一部分有明确基座或继续训练关系，另一部分只是共享模型家族或训练基础设施
语音与媒体生成 GLM-4-Voice、GLM-TTS、GLM-ASR、CogView / GLM-Image、CogVideo / CogVideoX 属于同一研究与产品生态，但任务、表示、生成协议和模型谱系彼此独立

判断一条连线是否成立，至少要区分三类对象：

  • GLM 核心主线：从 GLM 目标、GLM-130B、ChatGLM 到 GLM-4.x / 5.x，存在连续的家族报告或官方版本记录。
  • 有明确连接的派生线：例如 CodeGeeX2 基于 ChatGLM2、CodeGeeX4 从 GLM-4-9B 继续训练、VisualGLM 使用 ChatGLM-6B、GLM-4.5V 基于 GLM-4.5-Air。这些关系可落到仓库或论文。
  • 同一研究与产品生态中的相邻谱系：CogView、CogVideo、CogVLM 的部分代际，以及 ImageReward、SCAIL、Kaleido 等工作与 GLM 共享团队、基础设施或应用方向，却不能仅凭组织归属并入 GLM checkpoint 主线。

两个最容易混淆的名字

GLM-Zero Preview 是 2024 年 12 月上线过的推理模型服务；官方公司时间线确认了产品事件，但截至本页截面没有相应公开权重、代码或完整技术报告。

GLM-Z1 则是 2025 年 4 月随 GLM-4-0414 开放的 9B / 32B 推理 checkpoint，其中 Rumination 版本带固定搜索协议。二者不是同一个公开对象，也没有足够材料证明简单的 checkpoint 继承关系。官方里程碑与 GLM-4 仓库分别固定了这两层证据。

CogVLM 与 GLM-V 也不能写成一条无条件直线。CogVLM 以 visual expert 改造语言主干；CogVLM2 的公开主模型基于 Llama 3，而同期 GLM-4V 使用相同数据与训练方法、换成 GLM-4 语言基座。后来的 GLM-4.1V 才在官方论文中形成更清晰的 GLM-V 线。CogVLM2 仓库明确给出了这种“方法与数据相近、语言基座不同”的边界。

CogVLM 在语言模型各层为视觉位置加入独立 attention 与 FFN expert，同时保留文本位置的原语言参数路径

Figure 3 解释了“共享方法、不共享语言 checkpoint”为什么可以同时成立：visual expert 是一种层内融合机制，实际主干仍可替换为不同语言模型。CogVLM2 与 GLM-4V 的关系应沿语言基座、数据、visual expert 和发布权重分别登记，而不能从相似结构图直接推导权重继承。图源：CogVLM visual-expert architecture, Figure 3；Copyright 2024 CogVLM team @ Zhipu AI，Apache License 2.0。

一条历史主线：目标、协议、系统

从填空目标开始

2021 年 GLM 想消解 BERT 式双向理解与 GPT 式自回归生成之间的分工。给定被若干 blank 破坏的序列 \(x_{\mathrm{corrupt}}\)，模型按随机顺序恢复各个 span：

\[ \mathcal L_{\mathrm{GLM}} =-\sum_{i=1}^{m}\log p_\theta \left(s_{\pi(i)}\mid x_{\mathrm{corrupt}},s_{\pi(<i)}\right). \]

二维位置编码一维指向原文位置，另一维标记 span 内部位置；配合 attention mask，同一套参数可以在理解任务中使用双向上下文，也可以自回归生成缺失块。原始论文与参考实现支持的是这个方法结论，而不是“后续所有 GLM 都继续使用完全相同的目标”。

规模化把模型问题变成系统问题

GLM-130B 把双语模型推进到 130B 参数，并少见地同时公开权重、训练日志、并行工具和 loss spike 经验。这里的历史转折是：模型质量不再只由目标函数解释，初始化、数值精度、数据混合、3D parallelism、回滚和量化共同成为模型定义的一部分。它建立了工程经验谱系，却不意味着 ChatGLM-6B 是 130B checkpoint 的等比例缩小。

ChatGLM 把序列变成协议

ChatGLM-6B、ChatGLM2-6B 与 ChatGLM3 逐步加入对话模板、更长上下文、指令与偏好对齐，以及 function call / code interpreter 等工具接口。到了 GLM-4 All Tools，模型面对的不再只是 token 序列，而是

\[ \text{user intent} \rightarrow \text{tool choice} \rightarrow \text{structured arguments} \rightarrow \text{environment observation} \rightarrow \text{next action}. \]

因此“模型会不会用工具”无法只从权重判断：schema、chat template、runtime、错误恢复和工具返回格式都属于行为契约。ChatGLM 家族报告适合解释这次从对话到工具闭环的迁移。

推理并没有另起炉灶

GLM-Zero Preview 先以服务形式试验推理；GLM-Z1 再把 cold start、长程 RL、数学/代码/逻辑任务和搜索式 rumination 放到可下载 checkpoint 上。随后 GLM-4.5 不再维护“普通模型”和“推理模型”两个完全分离的接口，而是在同一 MoE 模型中支持 thinking / non-thinking。4.6 与 4.7 沿着上下文、coding、tool use、interleaved thinking 和 preserved thinking 继续迭代。

这条线说明，test-time compute 不是多输出一段隐藏文本那么简单。它同时改变训练数据、奖励、上下文协议、缓存成本与多轮状态，通用原理应回到推理后训练、测试时计算和工具使用理解。

GLM-5 把模型与 Agent 系统共同扩展

GLM-4.5 的 355B-A32B MoE 建立稀疏主干，GLM-5 再扩到约 744B-A40B，并把 MLA、DeepSeek Sparse Attention、Shared MTP、Muon Split、28.5T token 课程、slime 异步 RL、可执行环境和异构芯片部署放进一份报告。这里的核心不只是更大，而是四个循环闭合：

  1. 数据与架构共同决定长上下文能否训练；
  2. MTP 同时服务训练信号与推测解码；
  3. rollout engine、learner、reward 与环境共同决定 RL 数据分布；
  4. 稀疏 attention、量化、kernel 与并行布局共同决定理论节省能否变成服务收益。

完整证据见 GLM-5 总深读，架构部分见 MLA-256、DSA、Muon Split 与 Shared MTP，环境与运行系统见 GLM Agentic Engineering。

公开产物账本

下表中的缩写只描述可核对的公开对象：P 为论文或技术报告，W 为权重与模型卡，C 为代码，A 为 API / 产品说明，D 为数据或评测工件。某格缺失表示本页没有找到相应一手公开材料，不代表内部不存在。

通用语言与推理主线

时间 对象 公开产物 可以确认的关系 必须保留的边界
2021-03 GLM P · C/W autoregressive blank infilling 方法起点 不能把目标函数自动外推到 4.x / 5.x
2022-10 GLM-130B P · C/W/log 130B 双语规模化与训练稳定性 代码为 Apache-2.0；权重采用单独许可
2023-03 ChatGLM-6B C/W · 后续家族报告 6B 双语对话与本地部署 代码、权重与在线 ChatGLM 产品不是同一对象
2023-06 ChatGLM2-6B C/W · P 对话质量、上下文与推理效率更新 参数许可独立于仓库代码
2023-10 ChatGLM3 C/W · P Base / Chat 与 Agent 工具协议合流 工具能力依赖 runtime 与 template
2024-01 / 06 GLM-4 / GLM-4-9B P · C/W · A / 产品里程碑 10T token 家族训练、128K / 1M 开放版本与 All Tools 旗舰 API、Air、9B 权重和 4V 不能互代
2024-12 GLM-Zero Preview A / 公司里程碑 服务端推理模型事件 未见同名公开权重、代码或完整报告；不等于 GLM-Z1
2025-04 GLM-4-0414 / GLM-Z1 C/W 9B / 32B chat、Z1 reasoning 与 Rumination 分支 Rumination 有固定搜索协议；不是通用自定义工具模型
2025-07 / 08 GLM-4.5 / Air P · C/W · A 355B-A32B 与 106B-A12B MoE，hybrid reasoning、coding、Agent 公开 base/chat/FP8 是不同 checkpoint；报告值仍是团队测量
2025-09 GLM-4.6 W/C · A 在 4.5 公布架构上继续增强 200K、coding 与 tool use 没有同粒度新总报告，不能补写未知配方
2025-12 GLM-4.7 / Flash W/C · A interleaved / preserved / turn-level thinking；30B-A3B Flash 多轮 thinking 还依赖客户端保存协议
2026-02 GLM-5 P · C/W · A 744B-A40B、DSA、Shared MTP 与 Agentic Engineering 正文 80 层和公开配置 78 层存在冲突
2026-03 GLM-5-Turbo A 面向高吞吐长链 Agent 的服务版本 未见同名开放权重与独立训练报告
2026-04 GLM-5.1 W/C · A 更长时间的工程执行与多轮后训练更新 仍引用 GLM-5 报告，不能倒填 5.1 配方
2026-06 GLM-5.2 W/C · A 1M context、IndexShare、MTP 更新与 effort control 博客披露不是一份完整新训练报告

更细的 paper / weights / API / license 日期见演化时间线。尤其是“同一仓库托管多代模型”时，仓库更新时间不能代替 checkpoint 发布日。

代码、检索、Agent 与训练系统

时间 对象 连接方式 公开入口 谱系判断
2022-09 CodeGeeX 独立 13B code Transformer，23 种语言，训练累计通过约 850B token P · C/W/D 与 GLM 团队同源，但第一代不是某个 ChatGLM checkpoint 的代码微调
2023-07 CodeGeeX2 从 ChatGLM2 架构继续代码预训练 C/W 6B 权重有专用模型许可
2024-07 CodeGeeX4 从 GLM-4-9B 继续训练，统一 completion、interpreter、search、function call 与 repo QA C/W “ALL”描述任务接口，不表示训练配方全部公开
2023-06 WebGLM GLM-10B 加检索器、生成器与偏好 scorer P · C/D 它是检索增强系统，不是单一端到端权重的代际名称
2023-10 AgentTuning agent instruction tuning 与 AgentInstruct 数据 P/C/D 是通用训练方法与数据线，不应伪装成 GLM 核心版本
2024-04 AutoWebGLM 从 ChatGLM3-6B 出发，HTML 压缩、课程数据、拒绝采样与 RL P · C/W/D 浏览器环境与动作空间属于模型表现的一部分
2024-11 WebRL self-evolving curriculum、outcome reward model 与在线 RL，应用于 GLM-4-9B / Llama P · C 是跨基座训练方法，不是 WebGLM 的简单下一 checkpoint
2023–2024 CogAgent CogVLM visual expert 路线扩展到高分辨率 GUI grounding；后续 9B 版基于 GLM-4V P · C/W 18B 初代与 9B-20241220 的语言基座不同
2025–2026 AutoGLM / Open-AutoGLM 屏幕理解、动作生成与 ADB/HDC 执行闭环 C/W · A 手机 Agent 成功率依赖设备、应用版本、权限与执行器
2025–2026 slime Megatron learner、SGLang rollout、reward / verifier 与 data buffer 解耦 C · 站内深读 基础设施支持多模型，不等于只属于 GLM checkpoint
2026 GLM-skills 把 grounding、prompt generation、OCR 等能力包装成可调用任务接口 C skill 是提示、工具和运行时层，不应计作新基础模型

这条支线反复出现同一个主题：能力单位从“模型输出”扩大成“模型 + 协议 + 环境”。它应与检索增强、Agent runtime、coding agents、Agentic RL 数据与环境一起阅读。

明确派生的专门研究模型

还有一些名称里带 GLM、或直接从 GLM checkpoint 出发的研究模型。它们对某个问题很重要，却不应占据通用主线的版本号：

对象 直接关系 公开入口 应怎样归类
Multilingual-GLM 在原始 blank-infilling GLM 上扩展多语训练，公开 1B checkpoint C/W 原始预训练目标的语言覆盖实验，不是 ChatGLM 的前一代
GLM-iPrompt 在 GLM-10B 上应用 inverse prompting，覆盖 QA 与诗歌生成 C decoding / controllable-generation 方法，不是新的基础模型主干
MathGLM 独立训练算术模型，并从 GLM-10B、ChatGLM-6B、ChatGLM2-6B 派生数学文字题版本 P · C/W/D 专门数学能力与数据实验；不同 backbone 的 MathGLM 不能合成一个 checkpoint
SciGLM 从 ChatGLM3-6B-Base 微调，配合 self-reflective annotation 构造 SciInstruct P · C/W/D 科学指令数据与领域微调支线
ChatGLM-Math 在 ChatGLM3-32B 上训练 Math-Critique，经 rejection fine-tuning 与 DPO 改善数学对齐 P · C/D 公开的是方法、评测与数据管线，仓库没有提供完整模型部署
LongWriter-GLM4-9B 从 GLM-4-9B 训练长输出模型，引入 AgentWrite 与 LongWriter-6k P · C/W/D GLM-4 派生的长输出研究；后续 LongWriter-Zero 是更广的方法线，不等于 GLM-4.x 产品更新

这些工作揭示了“领域模型”的三种不同来源：改预训练语言分布、在通用 checkpoint 上继续训练、或只改变生成与反馈过程。比较它们时，必须把 backbone、数据和优化阶段分开，而不能只看最终名称。

评测、数据与工具工件

模型账本回答“发布了什么”，评测账本还要回答“分数是怎样产生的”。一个名称背后可能同时有题集、生成脚本、judge、容器化环境、轨迹和排行榜；它们的版本、许可和可复现性并不相同。尤其是 Agent 评测，模型只是系统的一部分，工具协议、环境镜像、超时、失败恢复和人工裁决都会改变结果。

下面先登记与 GLM 发布、用户分布或明确派生研究直接相连的工件：

工件 公开对象与用途 与 GLM 的直接联系 谱系与复现边界
GLM-Simple-Evals C · D；运行 HLE、LiveCodeBench、AIME、GPQA、MATH500、SciCode 与 MMLU-Pro 官方用于复现 GLM-4.5 / 4.6 发布评测的 harness 它从 simple-evals 适配而来，不是训练代码；checker / judge endpoint、数据 revision、采样参数与 prompt 必须一同冻结
CC-Bench trajectories D · A；公开隔离容器内多轮 coding-agent 任务的模型轨迹 GLM-4.6 发布页用它补充真实工程任务比较，并公开 GLM-4.5 等模型的交互记录 轨迹能审计过程，不能单独复建隐藏环境、人工偏好协议或服务 revision；不同任务集版本的胜率不可横向拼接
Terminal-Bench 2 verified D；修复部分环境，并对少量指令—测试不一致做最小改写 与 GLM-5 报告共同登记，解释终端 Agent 分数对环境缺陷的敏感性 “environment fixes only”“instruction + environment fixes”和原始 Terminal-Bench 2.0 是三个条件；只有同 revision、资源与超时才可比较
AlignBench C/D；683 条中文对齐题，主要由 ChatGLM 在线服务的真实问题分布整理 直接连接 ChatGLM 产品使用分布与多维度 judge 评测 公开题集不是在线服务快照；judge 模型、参考答案与评分 rubric 的版本同样属于结果
MathUserEval C/D；面向真实使用场景的数学题与参考答案 在 ChatGLM3-32B 的 Math-Critique、拒绝采样微调与 DPO 研究中提出 它是该研究的领域评测集，不是 ChatGLM3 通用能力认证；原流程还依赖固定 GPT-4 judge
HumanEval-X C/D；把 code generation 扩展到多种编程语言 与第一代 CodeGeeX 共同发布，承担多语代码能力比较 benchmark 与 CodeGeeX checkpoint 是两个对象；后续 CodeGeeX2 / 4 的报告值需按各自模板、语言和运行沙箱重跑

另一类工件来自同一研究生态，覆盖函数调用、长上下文、论文理解、代码、Agent 与多模态能力。它们提供了重要坐标系，却不自动构成 GLM checkpoint 的版本箭头：

工件 官方入口 测量什么 与家族的关系和边界
ComplexFuncBench / ComplexEval P · C · D 1,000 个复杂 function-calling 样本，覆盖单轮多步、用户约束、隐式参数推断、长参数值与 128K 上下文；同时评估调用与最终回复 与 All Tools / tool use 问题高度相关，但它是通用 benchmark 与 evaluator，不是某代 GLM 的训练集或权重证明
AgentBench P · C / environments 在知识图谱、操作系统、数据库、网页购物等交互环境中评估 LLM-as-Agent；新版还承载 function calling 任务 同实验室的通用 Agent 基础设施；task server、container 和 controller 是系统变量，不能把成绩只归因于模型
AutoWebBench P/C/D/environment 中英双语真实网页导航，并配套修改后的 WebArena、MiniWoB++ 与评分脚本 与 AutoWebGLM 方法直接绑定，不是 GLM 主线评测；环境改动后不能直接复用原始 WebArena 分数
LongBench / LongBench v2 P/C/D 从多任务长文本理解扩展到 503 道、8K 至 2M words 的深层长上下文推理题 是同实验室的通用长上下文基准；一次高分既不证明服务端窗口等价，也不能替代 needle、检索和长程 Agent 分解测试
NaturalCodeBench P · C/D 402 道 Python / Java 应用驱动代码合成题，覆盖六类工程领域 与 GLM / CodeGeeX 的代码能力相邻，但不是某个 checkpoint 的专属测试或训练数据
RPC-Bench P · C · D 从 review–rebuttal 交换构造细粒度论文理解 QA；同一论文可输入结构化文本或渲染页图，分别评估 LLM / VLM 是同组织的学术理解 benchmark；文本解析器、页面渲染与视觉分辨率都会改变任务，不代表 GLM 或 GLM-V 的继承关系
AlignMMBench / CritiqueVLM P · C/D/evaluator 4,978 组中文多模态单轮 / 多轮问答，覆盖三类、十三项能力，并以规则校准的 CritiqueVLM 评分 CritiqueVLM 基于 ChatGLM3-6B，不等于被测 GLM-V checkpoint；judge 的校准集和误差也应报告
LVBench P · C · D 最长约两小时视频的信息提取、时间定位与长程理解 为 GLM-V 等视频理解模型提供坐标，但不是其训练集声明或权重版本；视频抽帧、token budget 与字幕使用必须对齐
MotionBench P · C · D 六类细粒度运动理解，数据来自公开网络、已有数据集与 Unity3D 合成视频，并公开 5,000 条人工 motion caption 测的是 VLM 对运动的辨别与描述，不是视频生成质量，也不是 GLM-V 的 checkpoint 名称
VisualAgentBench P · C/environment/D 在 embodied、GUI 与 visual design 三类、五个环境中评估视觉 Agent，并提供行为克隆轨迹 复用 AgentBench 框架的同实验室基准；模型、controller、环境和轨迹数据必须分别登记
Vision2Web P · C · D · leaderboard 从静态页面、交互前端到全栈网站的视觉开发，以 GUI-agent 功能验证和 VLM judge 组合评分 与 GLM-5V / coding agent 的能力交叉，但本身是跨模型 benchmark；功能正确率与视觉相似度不可压成没有权重说明的单一结论
ZClawBench D 面向 OpenClaw 风格的多步工具使用和真实工作流，公开跨模型轨迹 属同组织最新的通用 Agent 评测；当前数据卡说明代码仍在解耦准备，故不能把数据集当作已完整开放的可执行环境
ImageReward / VisionReward C/W · C/W 学习图像以及图像 / 视频的多维人类偏好，用于排序、评估或生成模型优化 reward / evaluator 与生成器是不同模型；若既用于调优又用于汇报分数，应说明潜在的 evaluator overfitting

工具也要避免与模型、benchmark 混称。GLM-skills 封装任务接口，CogKit 服务 CogView4 / CogVideoX 微调与推理，OpenWebAgent 提供网页 Agent 开发框架，Z.AI Python SDK、Java SDK 和 coding plugins 负责接入与运行。它们可以改变可用性和系统表现，却既不是新 checkpoint，也不能凭自身产出模型能力分数。

THUDM 还公开了 BattleAgentBench、DataSciBench、SWE-Dev、SCALE-CUA 与 CodeRM-NT 等通用研究工件。它们与 Agent、coding、RL 主题相关；在一手材料没有给出 GLM checkpoint、训练数据或发布评测的直接关系时，应留在同组织相邻层，而不是写进家族版本表。

视觉理解、文档、语音与端侧

时间 对象 公开结构或能力 公开入口 边界
2023-04 VisualGLM-6B ChatGLM-6B + BLIP-2 Q-Former，约 7.8B 总参数 C/W 明确属于 ChatGLM 派生线
2023-10 CogVLM 语言层保留文本路径，为视觉输入加入 visual expert P · C/W 初代公开语言基座并非 GLM 主线 checkpoint
2024-05 / 08 CogVLM2 / Video Llama-3-8B 基座，图像与视频理解、较长视觉序列 P · C/W Meta Llama 许可与 CogVLM2 模型许可共同适用
2024-06 GLM-4V-9B 复用 CogVLM2 数据与方法、改用 GLM-4-9B 语言基座 C/W 与 CogVLM2 相邻，但不是同一权重
2025-07 GLM-4.1V-9B CogViT、任意分辨率 / 4K、64K context 与 RLCS 视觉推理 P · C/W Base 与 Thinking checkpoint 分开
2025-08 GLM-4.5V 基于 GLM-4.5-Air 的 106B MoE 视觉推理，覆盖图像、视频、文档、GUI 与 grounding P/C/W thinking switch 与 chat template 属于接口
2025-12 GLM-4.6V / Flash 106B 与 9B；128K、多模态 function calling、视觉编码与 GUI C/W · A 主要新增披露来自博客与模型卡
2026-04 GLM-5V-Turbo 图像、视频、文件到文本；视觉 coding 与工具执行 A 当前是服务对象；没有同名开放权重和完整报告可供逐层核对
2026-02 / 03 GLM-OCR CogViT + connector + GLM-0.5B decoder，MTP 与 full-task RL；0.9B P · C/W OCR 还依赖 layout detector 与并行页面流水线
2024-11 GLM-Edge 1.5B / 4B 文本与 2B / 5B 视觉模型，面向手机、车机和 PC C/W 仓库明确说部分芯片优化方案未公开；实测不能外推到任意设备
2024-10 / 12 GLM-4-Voice 从 GLM-4-9B 继续 speech–text 预训练，端到端 spoken dialogue P · C/W 语音 tokenizer、流式延迟与对话模型共同定义体验
2025-12 GLM-TTS LLM 生成 speech token，flow matching 转 mel，再由 vocoder 合成；多奖励 RL 调整表现力 P · C/W TTS 使用独立两阶段结构，不能仅凭名称视为 GLM-4-Voice 后继 checkpoint
2025-12 GLM-ASR-Nano-2512 1.5B speech-to-text，面向多语、方言与低音量语音 C/W · A API GLM-ASR-2512 与开放权重 GLM-ASR-Nano-2512 名称不同，应分别固定版本

多模态家族的完整谱系、结构与证据边界见 GLM 多模态家族；机制层再进入视觉—语言模型、表示与 grounding、文档、GUI 与 grounding 和音频语言模型。模型卡中的“支持视频”只说明输入接口与训练覆盖，不能自动证明长视频时间定位、跨段推理和流式处理都已解决。

图像与视频生成：相关，但不是一条 GLM 权重直线

时间 对象 方法转折 公开入口 谱系边界
2021 CogView 离散图像 token 上的大规模 autoregressive Transformer P · C Cog 名称与团队联系不等于语言 GLM checkpoint
2022 CogView2 hierarchical Transformer，把粗生成与局部 super-resolution 分层 P · C 与扩散路线尚未合流
2024 CogView3 / 3-Plus relay diffusion，在分辨率之间组织扩散过程 P · C/W 论文、3-Plus checkpoint 与后续 CogView4 分开
2025 CogView4 6B text-to-image diffusion Transformer，配套 CogKit C/W · tooling 没有同粒度独立总报告时，以模型卡和实现为准
2026-01 GLM-Image 9B GLM-4-9B-0414 初始化的 AR 模型先生成离散视觉语义，再由 7B DiT 与 Glyph Encoder 解码 C/W · A 这是明确连接语言 GLM 与图像生成的混合线；公开 benchmark 仍是团队报告值
2022 CogVideo autoregressive Transformer 做 text-to-video P · C 与后来的 diffusion CogVideoX 架构不同
2024-08 CogVideoX 2B / 5B 3D causal VAE + expert Transformer diffusion，文本与视频专家化处理 P · C/W 2B、5B、I2V 权重许可与能力接口分别核对
2024-11 CogVideoX 1.5 分辨率、时长与 image-to-video 更新 C/W 属 checkpoint 更新，不是新论文自动覆盖全部细节
2025-07 CogVideoX-3 起止帧、清晰度与服务侧生成接口更新 A 当前公开证据是 API 文档；不能假定与 1.5 开放权重逐层相同

GLM-Image 先由自回归语言视觉模型生成离散视觉 token，再由接收图像、字形和视觉 embedding 的 diffusion decoder 还原高分辨率图像

这张 standalone diagram 说明 GLM-Image 是家族中一条可验证的交汇线，而不是把所有 CogView 代际重新命名：9B AR 模型负责语义与离散视觉规划，7B diffusion decoder 负责连续高分辨率生成。编辑图像、glyph 与视觉 embedding 分别进入不同条件接口，因而 tokenizer、字形编码、mask 和 decoder 版本都属于模型能力边界。图源：GLM-Image official hybrid pipeline；Copyright 2026 Zhipu AI，Apache License 2.0。

ImageReward 与 VisionReward 提供图像 / 视频偏好建模，Kaleido、SCAIL、SCAIL-2 和 RealVideo 继续探索参考主体、角色动画与流式生成。它们是同一组织的相邻生成研究，不因共同托管在 zai-org 就自动成为 CogVideoX 或 GLM-Image 的正式版本。

从方法史看，这条线走过三次摆动：

  1. CogView / CogVideo 用离散 token 与自回归建模获得全局语义顺序；
  2. CogView3 / CogVideoX 借 diffusion / DiT 提高连续视觉细节与时空建模；
  3. GLM-Image 又把自回归语义规划与 diffusion 解码组合，使语言知识、版式和字形细节分工。

这不是“哪种范式最终胜出”，而是不同误差被分配给不同模块。通用推导可沿图像生成史、diffusion 与 score、latent DiT 与 flow、视频生成继续阅读。

机制怎样回到主干

家族页回答“某项设计为何在这里出现”，canonical 页面回答“它一般怎样工作”。下面是最短的双向索引：

GLM 案例 一般问题 Canonical 入口
blank infilling、二维位置与 mask 目标函数如何决定可见信息与生成顺序 概率与目标 · 语言建模
GLM-130B 的 spike、3D parallelism 与 INT4 规模化为何同时是数值、并行与恢复问题 模型并行 · 精度与数值 · 量化
ChatGLM3 / All Tools tool schema 与 observation 怎样进入上下文 工具使用 · Agent runtime
GLM-4.5 的 MoE 与 loss-free balance 容量、激活计算、路由与通信如何权衡 MoE · MoE 系统
GLM-5 的 MLA / DSA / IndexShare KV 状态与稀疏历史访问如何改变成本 注意力变体 · KV Cache · IndexCache
Shared MTP 辅助训练目标何时可以成为 draft model 推测解码
GLM-5 的 cross-stage OPD 学生怎样在自身轨迹上向多个阶段教师恢复能力 On-Policy Distillation · 蒸馏
Z1、4.5–5.2 的 reasoning / agentic RL 可验证奖励、异步 rollout 与长轨迹怎样结合 RLVR · 训练—推理偏差 · 长程 Agent
GLM-V、CogAgent 与 AutoGLM perception、grounding、action 是否共享坐标与状态 GLM 多模态家族 · 文档与 GUI · 具身状态与动作
GLM-OCR 视觉压缩、文字识别、layout 与 MTP 怎样分工 视觉 token 化 · 多模态训练系统
GLM-4-Voice、ASR 与 TTS 音频 token、流式生成与声学解码如何连接 音频表示与理解 · 生成与流式
CogView / CogVideoX / GLM-Image AR、diffusion、flow 与混合生成怎样取舍 多模态生成 · 理解与生成统一

站内阅读路径

想先建立版本感

从 GLM 演化时间线开始。它把 paper、weights、code、API 与 license 拆成独立事件，也解释 GLM-5.1 / 5.2 为什么不能倒灌进 GLM-5 报告。

想完整拆一份现代技术报告

按以下顺序阅读：

  1. GLM-5 总深读：模型、数据、训练、RL、环境、部署与评测总账；
  2. GLM-5 架构：MLA-256、Muon Split、Shared MTP 与 DSA；
  3. GLM Agentic Engineering：TITO、direct IS、环境扩展、上下文管理与异构部署；
  4. GLM-5 引用图谱：逐项核对报告最终使用的 63 条来源；
  5. IndexCache 与 IndexShare：区分论文方法、5.2 发布命名与 production-scale 证据；
  6. slime 与异步 Agentic RL：训练—rollout 管线与版本偏差；
  7. On-Policy Distillation：学生轨迹、教师分布与 cross-stage 能力恢复；
  8. SAO 与 CompactionRL：5.2 之后的长程 rollout 与 context compaction。

想沿能力分支进入

仍然未知

公开材料足以重建方向，却不足以复刻整个家族。下面这些空白应长期保留为空白，不能由相邻版本补齐：

  1. GLM-Zero Preview 的技术账本。官方能确认上线事件，不能确认训练数据、参数规模、权重继承、RL 配方或它与 GLM-Z1 的确切关系。
  2. 旗舰 GLM-4 服务与开放 9B checkpoint 的等价性。家族报告同时讨论产品模型和开放模型，但没有证明二者只是尺寸不同的同配方训练。
  3. 4.6 / 4.7 / 5.1 / 5.2 的完整训练增量。权重与能力更新已公开，数据混合、算力、完整超参数与逐项消融没有同等粒度披露。
  4. GLM-5 报告内部冲突。正文 80 层与附录 / 配置 78 层不能自行裁决；Agentic RL 的简化开场目标也不足以直接实现训练器。
  5. API 与开放权重的 revision 对齐。GLM-5-Turbo、GLM-5V-Turbo、CogVideoX-3 等服务对象不能被默认当作某个公开 checkpoint 的逐位副本。
  6. 多模态家族的完整数据谱系。CogVLM2 与 GLM-4V 的共同数据关系有官方说明，但 GLM-V、OCR、图像和视频各阶段的数据来源、去重、合成比例与安全过滤并未全部公开。
  7. 生成模型的可比评测。文本渲染、图像偏好、视频物理一致性与审美指标经常依赖私有 prompt、reward model 或人工协议；官方表格不能替代同条件独立复现。
  8. 端侧和国产硬件的可移植性能。量化格式、kernel、驱动、batch、上下文和 SLO 任一变化都会改变结果；单设备案例不是普遍吞吐定律。
  9. 许可证的跨工件一致性。仓库代码常为 Apache-2.0，历史权重可能使用单独研究 / 商业许可，较新权重也可能标注 MIT；每个 checkpoint 必须以当时模型卡为准。
  10. 同组织研究的继承关系。ImageReward、VisionReward、SCAIL、Kaleido、RealVideo、AgentTuning、WebRL 与 GLM 产品线互相提供方法背景，但除非论文或仓库明确说明，不能制造 checkpoint 箭头。

Reference

家族总报告与版本入口

代码、检索与 Agent

评测、数据与工具

多模态理解、生成与语音