GLM-5 引用图谱：六十三项证据的来路与作用¶
GLM-5 技术报告的源码书目库含 104 条候选记录，正文实际调用 63 个 citation key，最终 PDF 也渲染出 63 条参考文献。本页严格按 v2 PDF 的最终编号排列，每个编号只出现一次；候选库中没有进入正文的记录不计入报告证据。
这份书目并不等于六十三个不同工作：DeepSeek-V3.2 被两个 citation key 重复收录。它也不保证“引用对象”与“评测版本”完全相同：Vending-Bench 论文对应第一版，报告表格使用 Vending-Bench 2；SWE-smith 是数据生成论文，报告却用其 key 指向 SWE-bench Multilingual；Terminal-Bench 的书目入口早于报告采用的 2.0 协议。下面在保留报告原编号的同时修正这些语义边界。
家族事件可与 GLM 时间线对读；报告本身的结构、公式、表格与附录见 GLM-5 深读。
报告最终书目¶
- [1] System Card: Claude Opus 4.5：既是 frontier model 对比来源，也为 \(\tau^2\)-Bench Airline 的 domain fix 提供协议依据；它不是 GLM-5 训练方法来源。
- [2] QuaRot：支撑昇腾 W4A8 部署中的旋转式异常值抑制；报告没有据此证明所有低比特路径都无损。
- [3] Vending-Bench：定义长期经营模拟的第一版任务。GLM-5 表格实际报告 Vending-Bench 2，第二版协议应另查官方评测页。
- [4] SWE-rebench：用持续挖掘的新鲜 GitHub issue 检验软件工程 Agent 的时效泛化，缓解静态测试集长期暴露带来的污染疑虑。
- [5] LongBench v2：覆盖真实长文档、多文档、代码仓库和结构化数据，是 GLM-5 长上下文推理评测的一部分。
- [6] MCP-Atlas：在真实 MCP server 上测量工具发现、参数构造和多步调用，报告使用公开子集并另行指定 judge 与时限。
- [7] \(\tau^2\)-Bench：把用户和 Agent 都设为可行动主体，测量 dual-control 对话；不能与只有静态用户模拟器的工具评测互换。
- [8] Gemini 3 Pro Model Card：为闭源 frontier baseline 提供第一方口径；横向表格仍受 harness、预算和版本日期约束。
- [9] DeepSeek-V3.2：是 DeepSeek Sparse Attention 的直接来源，支撑 GLM-5 从 dense MLA 转向 learned top-\(k\) 历史访问的主线。
- [10] Nemotron-Math：提供数学长上下文蒸馏与多模式监督数据背景，进入 mixed-domain reasoning RL 的开放数据来源。
- [11] NExtLong：说明无需原生超长文档也可构造长程依赖；报告据此设计合成 long-context data，而非照搬其完整配方。
- [12] ByteScale：为超长序列的动态负载均衡与可变 context-parallel 分组提供系统背景。
- [13] Better & Faster LLMs via Multi-token Prediction：给出 MTP 的通用训练动机；GLM-5 进一步共享三步 MTP 参数，以约束草稿模型的参数与 KV 成本。
- [14] MiniLLM：是 reverse-KL 生成式蒸馏前身，报告用它解释最终 on-policy cross-stage distillation。报告书目把年份写成 2025，实际论文发表于 ICLR 2023。
- [15] Jet-Nemotron：为 attention pattern search 与 GDN 训练管线提供相邻方法；报告只在 9B 消融中搜索 SWA / full-attention 层型。
- [16] Chinese SimpleQA：把短答案事实性评测扩展到本地化中文知识，和英文 SimpleQA 是两个独立数据集。
- [17] RULER：测量模型的有效上下文而非声明窗口，既用于 attention pattern search，也用于长上下文对比。
- [18] EntropyLong：以 predictive uncertainty 组织长上下文训练样本，是 GLM-5 合成长程依赖的数据构造灵感之一。
- [19] SWE-bench：定义真实 GitHub issue resolution；报告评测的是人工复核的 Verified 子集，原始论文与子集版本不应混写。
- [20] Fast Inference from Transformers via Speculative Decoding：给出 draft-and-verify 的正确性与加速框架，GLM-5 的共享 MTP 层充当内生 draft model。
- [21] DataComp-LM：为 web data classifier 与数据筛选实验提供开放基线；其 arXiv 首次公开于 2024，报告书目按后续发表年份列为 2025。
- [22] The Tool Decathlon：用多类真实工具和长程任务评估 Agent，报告通过官方评测服务提交结果。
- [23] TACO：提供 topic-diverse algorithmic code generation 数据，进入 competitive-programming reasoning RL 的开放数据池。
- [24] DeepSeek-V2：建立 MLA 与稀疏 MoE 的直接架构背景；GLM-5 保留 MLA 的 KV 压缩思想，但调整 head 维度并叠加 DSA。
- [25] DeepSeek-V3：提供 MTP 与 MoE 训练的家族前身，也是 GLM-5 比较草稿接受长度和系统取舍的重要基线。
- [26] DeepSeek-V3.2：与前面的同名条目是同一工作，源自两个不同 citation key；此处主要支撑 efficient-attention 对比、context management 与评测 baseline。
- [27] RepoQA：测量 repository-level 长上下文代码理解，进入 9B attention 消融而非最终 Agent coding 主表。
- [28] On-Policy Distillation：student 从自身 rollout 分布采样，再匹配 teacher 的完整分布；这是 GLM-5 跨阶段能力恢复的核心方法背景。
- [29] Towards Robust Mathematical Reasoning：提供 IMO-AnswerBench 及稳健数学答案评测语境，支撑最终数学能力表格。
- [30] AIMO-2 Winning Solution：提供 OpenMathReasoning 数据与竞赛数学训练经验，进入 mixed-domain reasoning RL 的开放数据来源。
- [31] Megatron-LM：为 interleaved pipeline parallelism 和大规模 GPU 训练布局提供基础；GLM-5 在此上重新放置 MTP 模块以平衡 stage memory。
- [32] Introducing GPT-5.2：既是评测对比对象，也被报告列为 difficulty filtering 的强 teacher；公开页面无法验证 GLM 内部 teacher 调用细节。
- [33] GDPval：定义经济价值任务；报告展示的是 GDPval-AA Elo，且明确记录了榜单截面日期。
- [34] Humanity's Last Exam：提供跨学科 frontier knowledge / reasoning 测量；报告中星号结果还区分 text-only 与 full set。
- [35] SYNTHETIC-2：提供公开协作生成的 reasoning trace，进入代码 RL 数据来源；博客发布说明不等于数据质量的独立复现。
- [36] Generalizing Verifiable Instruction Following：对应 IF-Bench，以可程序验证的约束测量指令遵循，和开放式 style judge 分开。
- [37] Zero Bubble Pipeline Parallelism：通过推迟部分 weight-gradient computation 减少 pipeline bubble；GLM-5 把这一思路接到自己的存储与通信重叠设计。
- [38] ZeRO：为 optimizer、gradient 与 parameter sharding 提供基础；报告重点使用 pipeline rank 内的 ZeRO-2 gradient sharding。
- [39] GPQA：以研究生级、难检索科学问题测量推理，主表使用 Diamond 子集。
- [40] DeepSeekMath：是 GRPO 的直接方法来源，构成 GLM-5 reasoning RL 的起点；实际配方还加入 IcePop 并移除 KL regularization。
- [41] MultiChallenge：测量多轮对话中的指令保持、上下文分配与 in-context reasoning，进入通用能力附录。
- [42] Harbor：定义可执行 terminal-agent task 的容器格式；报告用 construction / refine agents 合成并校验这类环境。
- [43] Kimi K2.5：作为同时期 agentic frontier model 进入综合对比，不是 GLM-5 架构或训练数据来源。
- [44] Every Step Evolves：提供 trillion-scale thinking model 的 RL 背景；报告把 agentic token-ratio masking 与其 IcePop 式校准作邻近比较。
- [45] Terminal-Bench：是终端 Agent benchmark 的项目入口。报告实际采用 2.0 及一个修订歧义指令的 verified 版本，不能只按早期仓库题名解释。
- [46] MENT：构造非字面英中翻译评测，报告使用其中 SNS 等四个领域检查语言与文化鲁棒性。
- [47] FlexSP：为长序列训练中的灵活 sequence parallelism 提供系统基础，与 ByteScale 一起解释动态计算重分配。
- [48] CyberGym：在真实漏洞环境中测量安全修复 Agent；它评估执行能力，不等于模型经过完整安全审计。
- [49] SimpleQA：测量单一、可判定短答案的事实性。源码引用 key 与书目 key 的大小写不一致，最终渲染条目实际对应这项工作。
- [50] BrowseComp：测量网页检索、证据聚合和长程搜索；报告强调其结果对 judge prompt 与 judge model 敏感。
- [51] MiMo-V2-Flash：为 on-policy distillation 和 reasoning post-training 提供同时期实现背景。
- [52] Qwen3：支撑 thinking / non-thinking 统一与蒸馏的相邻路线，报告在跨阶段 on-policy distillation 处引用。
- [53] SWE-smith：论文主题是可扩展的软件工程训练数据生成；SWE-bench Multilingual 官方页要求引用该记录，但不能把题名改写成一篇专门提出 Multilingual benchmark 的论文。
- [54] Gated Delta Networks：是 9B efficient-attention 消融中的线性注意力候选；GLM-5 最终主干并未采用 GDN。
- [55] \(\tau\)-Bench：定义 tool-agent-user interaction 的前代基准，与后续 dual-control 的 \(\tau^2\)-Bench 共同构成工具对话评测谱系。
- [56] HELMET：提供更完整的长上下文评测设计；报告在 9B 消融中使用其 ICL 子任务。
- [57] DAPO：为 token-level policy-gradient loss 和大规模 reasoning RL 提供基础，报告在 artifact generation 的稳定化处引用。
- [58] Efficient Activation Rematerialization and Optimal Hybrid Parallelism：支撑 pipeline warmup 中按层 offload / reload activation 的设计，并与细粒度 recomputation 配合降低峰值显存。
- [59] SWE-bench Goes Live：其 RepoLaunch pipeline 启发从 issue–PR 对自动构建可执行环境、测试命令与日志解析器。
- [60] Insights into DeepSeek-V3：从硬件 roofline 解释 MLA head 配置；GLM-5 据此重新权衡 training / prefill 与 decode 的维度成本。
- [61] IcePop：针对 MoE RL 的 training–inference mismatch；GLM-5 reasoning RL 采用其校准思想，但明确移除 KL regularization。
- [62] Group Sequence Policy Optimization：以 routing replay 保持 MoE top-\(k\) expert 一致。GLM-5 借这个类比说明 DSA top-\(k\) 一致性的重要性，但没有采用完整 index replay：\(k=2048\) 的索引存储与通信代价过高，实际方案是冻结 indexer，并在 rollout 与训练两端使用 deterministic
torch.topk。 - [63] BrowseComp-ZH：扩展中文网页浏览能力测量，与英文 BrowseComp 共同构成 search-agent 主表。
七条主链¶
| 主链 | 报告吸收的历史节点 | GLM-5 中的落点 |
|---|---|---|
| 稀疏注意力 | MLA → DSA | 先由 indexer 选择历史 token，再执行 top-\(k\) attention；冻结 indexer，并以 deterministic torch.topk 保持 rollout / training 一致，而不是回放完整索引 |
| 多 token 解码 | MTP → speculative decoding | 三个训练步共享参数，MTP 同时增加预训练信号并充当 draft model |
| 长上下文数据 | DataComp-LM、NExtLong、EntropyLong | web 质量分类、自然长文档与合成长程依赖共同进入 128K / 200K mid-training |
| 分布式训练 | Megatron-LM、ZeRO、Zero Bubble、ByteScale、FlexSP | MTP stage placement、gradient sharding、activation offload、deferred gradient 与动态 context parallel 合流 |
| reasoning RL | DeepSeekMath → IcePop | GRPO 家族目标处理数学、科学、代码和 tool-integrated reasoning，并校准 rollout / training mismatch |
| Agentic RL | SWE-bench Goes Live、Harbor、DAPO | 可执行环境、长轨迹、token-level loss 与 outcome 分批共同服务 coding、terminal、search 和 artifact tasks |
| 能力合并 | MiniLLM → On-Policy Distillation | 最终 checkpoint 从自身 rollout 采样，再向多个阶段 teacher 的分布恢复早期能力 |
这些箭头表示报告可以核对的前身与组合关系。GLM-5 自身的具体超参数、数据比例、内部 judge 和私有 prompt set 仍应优先引用报告，而不能归因给任一前置工作。
报告之后的一跳来源¶
下面的节点不属于报告最终书目，只用于解释发布后的 5.x 演化、修正 benchmark 版本，或连接公开实现。它们不参与上面的编号。
- GLM-5 official repository：权重、部署命令、推理框架适配与后续 5.1 入口。
- GLM-5 official model card：公开 checkpoint 配置与许可证的可核对对象。
- GLM-5.1 official model card：报告之后的长程 Agent checkpoint；仍引用 GLM-5 家族报告。
- GLM-5.2 technical blog：披露 1M context、IndexShare、MTP 更新、服务优化与后训练变化。
- GLM-5.2 official model card：权重、配置、部署与 MIT 许可入口。
- IndexCache：围绕 DSA index 复用与长上下文推理成本的报告后一跳工作。
- Bebop：GLM-5.2 博客明确引用的推测解码研究，连接 rejection sampling 与 MTP 接受率。
- Single-Rollout Asynchronous Optimization：处理长程 Agent rollout 的异步稳定性，属于 5.2 后训练的后续公开工作。
- CompactionRL：把 context compaction 纳入长程 Agent 强化学习，解释轨迹被拆成不等长子轨迹后的优化问题。
- slime：GLM 家族 Agentic RL 的公开训练—rollout 基础设施入口。
- SWE-bench Multilingual official benchmark：定义 300 个任务、42 个仓库和 9 种语言，并解释为什么官方 citation 指向 SWE-smith。
- SWE-bench Verified：人工复核子集的官方说明，与原始 SWE-bench 论文分层。
- Vending-Bench 2 official evaluation：报告表格所用第二版任务与独立运行方入口。
- Terminal-Bench 2.0：报告采用版本的正式说明，区别于最终书目中的早期项目入口。
- SimpleQA official release：数据、grader 与 correct / incorrect / not-attempted 语义的第一方说明。
证据边界¶
- 层数存在内部冲突。正文写 80 层，超参数附录写 3 个 dense layer 加 75 个 MoE layer，公开配置也给出 78 层。应保留冲突，不用算术替作者选择版本。
- Agentic RL 的开场公式不能直接执行。该式未显式包含 policy ratio 或 log-prob；若只把组内中心化 reward 相加，目标恒为零。后文的 rollout-ratio、双侧 masking 与 token loss 才提供可训练线索，但仍不足以复原完整实现。
- 实验口径不是统一常数。HLE 有 text-only / full-set 区分，Terminal-Bench 有原版与 verified 任务，GDPval-AA 是带日期的 Elo 截面，BrowseComp 依赖 proprietary judge，MTP 接受长度使用 private prompt set。
- 模型对比不等于同条件复现。闭源模型的系统卡、官方分数和 GLM 团队重跑结果应分开标注；context、max tokens、thinking effort、工具、sampling 与 harness 任一变化都可能改变结论。
- 书目映射需要人工校正。SimpleQA 的 key 大小写不一致；SWE-bench Multilingual、Vending-Bench 2、Terminal-Bench 2.0 的实际版本与最终书目题名并不一一对应；MiniLLM 年份错误；DeepSeek-V3.2 重复出现。
- 报告后工作不能倒灌。GLM-5.1、GLM-5.2、IndexCache、Bebop、SAO 与 CompactionRL 能解释后续演化，但不能被写成 2 月版 GLM-5 报告已经采用或引用。
- 作者报告值仍需外部复现。数据规模、内部环境数量、国产硬件吞吐、私有评测和 serving efficiency 可以作为第一方披露引用，不能改写成独立验证事实。