GLM-5 - GitLite

KO | EN

gitlite — search

#javascript #ai #llm #golang #rust #deep-learning #linux #windows #awesome #vue #security #pytorch #mcp #openai

GLM-5

(★ 7,017)

GLM-5: 바이브 코딩(Vibe Coding)에서 에이전틱 엔지니어링(Agentic Engineering)으로

파일 탐색기

최종 버전 다운로드 (.zip)

- - bug_report.yaml
  - feature-request.yaml
- PULL_REQUEST_TEMPLATE.md
- ascend.md
- bench.png
- bench_51.png
- bench_52.png
- bench_52_lh.png
- logo.svg
- realworld_bench.png
- vending_bench.png
- WECHAT.md
- wechat.png
- - SKILL.md
.gitignore
.pre-commit-config.yaml
LICENSE
README.md
README_zh.md
requirements.txt

# 설치 가이드

1. 코드 내려받기

git clone https://github.com/zai-org/GLM-5

깃허브에서 프로젝트 코드 전체를 내 컴퓨터로 내려받습니다.

cd GLM-5

방금 내려받은 프로젝트 폴더 안으로 이동합니다.

2. Python

쉬움 추천

사전 준비물

Git GitHub에서 프로젝트 코드를 내려받으려면 필요합니다.
Python 3 설치 시 'Add Python to PATH' 옵션을 꼭 체크하세요 (Windows).

pip install -r requirements.txt

requirements.txt 등에 명시된 파이썬 라이브러리를 설치합니다.

python <실행할 파일명>.py # README에서 정확한 실행 파일명을 확인하세요

파이썬 스크립트(또는 모듈)를 실행합니다.

✅ 에러 메시지 없이 실행되고 터미널에 안내 문구가 출력되면 정상입니다.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# GLM-5.2 & GLM-5.1 & GLM-5

![](resources/logo.svg)

👋 [Wechat](resources/WECHAT.md) 또는 [Discord](https://discord.gg/Hc5z9bx5Xw) 커뮤니티에 참여하세요.
  
📖 GLM-5.2 [블로그](https://z.ai/blog/glm-5.2)와 GLM-5 [기술 보고서](https://arxiv.org/abs/2602.15763)를 확인해 보세요.
  
📍 [Z.ai API 플랫폼](https://docs.z.ai/guides/llm/glm-5.2)에서 GLM-5.2 API 서비스를 이용해 보세요. 
  
🔜 [z.ai](https://z.ai)에서 GLM-5.2를 체험해 보세요.

## 소개
### GLM-5.2
GLM-5.2는 장기 호라이즌(long-horizon) 작업을 위한 최신 플래그십 모델입니다. 이 모델은 이전 버전인 GLM-5.1에 비해 장기 호라이즌 작업 능력이 대폭 향상되었으며, 최초로 \*\*견고한 1M 토큰 컨텍스트\*\*에서 해당 기능을 제공합니다.
GLM-5.2의 새로운 기능은 다음과 같습니다:
- \*\*견고한 1M 컨텍스트:\*\* 장기 호라이즌 작업을 안정적으로 유지하는 견고한 1M 토큰 컨텍스트
- \*\*유연한 연산 레벨을 갖춘 고급 코딩\*\*: 성능과 지연 시간의 균형을 맞추기 위한 여러 사고 연산 레벨을 갖춘 강력한 코딩 능력
- \*\*향상된 아키텍처\*\*: 4개의 희소 어텐션(sparse attention) 레이어마다 동일한 인덱서를 재사용하는 [IndexShare](https://arxiv.org/abs/2603.12201)를 제안하여, 1M 컨텍스트 길이에서 토큰당 FLOP를 2.9배 줄였습니다. 또한 추론 가속(speculative decoding)을 위한 GLM-5.2의 MTP 레이어를 개선하여 수락 길이를 최대 20% 늘렸습니다.
![bench\_52](https://raw.githubusercontent.com/zai-org/GLM-5/main/resources/bench\_52.png)
표준 코딩 벤치마크에서 GLM-5.2는 가장 강력한 오픈 소스 모델이며, GLM-5.1에 비해 크게 향상된 성능을 보여줍니다(Terminal-Bench 2.1에서 81.0 대 62.0, SWE-bench Pro에서 62.1 대 58.4). 또한 폐쇄형 프론티어 모델과의 격차를 크게 좁혔습니다. Terminal-Bench 2.1(81.0)에서는 Claude Opus 4.8(85.0)과 몇 점 차이 내로 진입했으며, Gemini 3.1 Pro보다 앞서 있습니다.
자세한 내용은 [블로그](https://z.ai/blog/glm-5.2)를 확인하세요.
### GLM-5.1
GLM-5.1은 에이전트 엔지니어링을 위한 차세대 플래그십 모델로, 이전 모델에 비해 훨씬 강력한 코딩 능력을 갖추고 있습니다. SWE-Bench Pro에서 최고 수준의(state-of-the-art) 성능을 달성했으며, NL2Repo(저장소 생성) 및 Terminal-Bench 2.0(실세계 터미널 작업)에서 GLM-5를 큰 차이로 앞섭니다.
![bench\_51](https://raw.githubusercontent.com/zai-org/GLM-5/main/resources/bench\_51.png)
그러나 가장 의미 있는 도약은 첫 시도 성능 그 이상에 있습니다. GLM-5를 포함한 이전 모델들은 초기 단계에 역량을 소진하는 경향이 있습니다. 즉, 빠른 초기 이득을 위해 익숙한 기술을 적용하다가 정체기에 빠지며, 더 많은 시간을 주어도 도움이 되지 않습니다.
반면 GLM-5.1은 훨씬 더 긴 호라이즌에 걸쳐 에이전트 작업에서 효과를 유지하도록 구축되었습니다. 이 모델은 더 나은 판단력으로 모호한 문제를 처리하고 더 긴 세션 동안 생산성을 유지한다는 것을 발견했습니다. 복잡한 문제를 분해하고, 실험을 실행하고, 결과를 읽고, 실제 정밀도로 차단 요소를 식별합니다. 반복적인 순환을 통해 추론을 재검토하고 전략을 수정함으로써, GLM-5.1은 수백 번의 라운드와 수천 번의 도구 호출에 걸쳐 최적화를 유지합니다. 실행 시간이 길어질수록 결과가 더 좋아집니다.
### GLM-5
복잡한 시스템 엔지니어링과 장기 호라이즌 에이전트 작업을 목표로 하는 GLM-5를 출시합니다. 스케일링은 여전히 범용 인공지능(AGI)의 지능 효율성을 향상시키는 가장 중요한 방법 중 하나입니다. GLM-4.5와 비교하여 GLM-5는 3550억 파라미터(320억 활성)에서 7440억 파라미터(400억 활성)로 확장되었으며, 사전 학습 데이터는 23T에서 28.5T 토큰으로 증가했습니다. 또한 GLM-5는 DeepSeek Sparse Attention(DSA)을 통합하여 긴 컨텍스트 용량을 유지하면서 배포 비용을 크게 줄였습니다.
강화 학습은 사전 학습된 모델의 유능함과 탁월함 사이의 격차를 해소하는 것을 목표로 합니다. 그러나 LLM을 위한 대규모 배포는 RL 학습 비효율성으로 인해 어려운 과제입니다. 이를 위해 학습 처리량과 효율성을 대폭 향상시켜 더 세밀한 사후 학습 반복을 가능하게 하는 새로운 \*\*비동기 RL 인프라\*\P인 [slime](https://github.com/THUDM/slime)을 개발했습니다. 사전 학습과 사후 학습 모두의 발전으로 GLM-5는 광범위한 학술 벤치마크에서 GLM-4.7에 비해 상당한 개선을 이루었으며, 추론, 코딩, 에이전트 작업에서 전 세계 모든 오픈 소스 모델 중 동급 최강의 성능을 달성하여 프론티어 모델과의 격차를 좁혔습니다.
![bench](https://raw.githubusercontent.com/zai-org/GLM-5/main/resources/bench.png)
GLM-5는 복잡한 시스템 엔지니어링과 장기 호라이즌 에이전트 작업을 위해 특별히 제작되었습니다. 내부 평가 스위트인 CC-Bench-V2에서 GLM-5는 프론트엔드, 백엔드 및 장기 호라이즌 작업 전반에서 GLM-4.7을 크게 능가하며 Claude Opus 4.5와의 격차를 좁혔습니다.
![realworld\_bench](https://raw.githubusercontent.com/zai-org/GLM-5/main/resources/realworld\_bench.png)
장기 운영 능력을 측정하는 벤치마크인 [Vending Bench 2](https://andonlabs.com/evals/vending-bench-2)에서 GLM-5는 오픈 소스 모델 중 1위를 차지했습니다. Vending Bench 2는 1년의 호라이즌 동안 시뮬레이션된 자판기 사업을 운영하도록 모델에 요구하며, GLM-5는 4,432달러의 최종 계좌 잔액으로 마무리하여 Claude Opus 4.5에 근접하고 강력한 장기 계획 및 자원 관리 능력을 입증했습니다.
![vending\_bench](https://raw.githubusercontent.com/zai-org/GLM-5/main/resources/vending\_bench.png)
## 모델 다운로드
| 모델 | 다운로드 링크 | 모델 크기 | 정밀도 |
|-------------|-------------------------------------------------------------------------------------------------------------------------------------|------------|-----------|
| GLM-5.2 | [🤗 Hugging Face](https://huggingface.co/zai-org/GLM-5.2)  
 [🤖 ModelScope](https://modelscope.cn/models/ZhipuAI/GLM-5.2) | 744B-A40B | BF16 |
| GLM-5.2-FP8 | [🤗 Hugging Face](https://huggingface.co/zai-org/GLM-5.2-FP8)  
 [🤖 ModelScope](https://modelscope.cn/models/ZhipuAI/GLM-5.2-FP8) | 744B-A40B | FP8 |
| GLM-5.1 | [🤗 Hugging Face](https://huggingface.co/zai-org/GLM-5.1)  
 [🤖 ModelScope](https://modelscope.cn/models/ZhipuAI/GLM-5.1) | 744B-A40B | BF16 |
| GLM-5.1-FP8 | [🤗 Hugging Face](https://huggingface.co/zai-org/GLM-5.1-FP8)  
 [🤖 ModelScope](https://modelscope.cn/models/ZhipuAI/GLM-5.1-FP8) | 744B-A40B | FP8 |
| GLM-5 | [🤗 Hugging Face](https://huggingface.co/zai-org/GLM-5)  
 [🤖 ModelScope](https://modelscope.cn/models/ZhipuAI/GLM-5) | 744B-A40B | BF16 |
| GLM-5-FP8 | [🤗 Hugging Face](https://huggingface.co/zai-org/GLM-5-FP8)  
 [🤖 ModelScope](https://modelscope.cn/models/ZhipuAI/GLM-5-FP8) | 744B-

A40B | FP8 |
## GLM-5 시리즈 모델 로컬 배포하기
GLM-5 시리즈는 다음 프레임워크를 사용한 배포를 지원합니다. 자유롭게 시도해 보세요:
- [SGLang](https://github.com/sgl-project/sglang) (v0.5.13.post1+) — [cookbook](https://cookbook.sglang.io/autoregressive/GLM/GLM-5.2) 참조
- [vLLM](https://github.com/vllm-project/vllm) (v0.23.0+) — [recipes](https://recipes.vllm.ai/zai-org/GLM-5.2) 참조
- [Transformers](https://github.com/huggingface/transformers) (v0.5.12+) — [transformers docs](https://github.com/huggingface/transformers/blob/main/docs/source/en/model\_doc/glm\_moe\_dsa.md) 참조
- [KTransformers](https://github.com/kvcache-ai/ktransformers) (v0.5.12+) — [tutorial](https://github.com/kvcache-ai/ktransformers/blob/main/doc/en/kt-kernel/GLM-5.2-Tutorial.md) 참조
- [Unsloth](https://github.com/unslothai/unsloth) (v0.1.47-beta+) — [guide](https://unsloth.ai/docs/models/glm-5.2) 참조
- `Ascend NPU` 플랫폼에서의 배포는 vLLM-Ascend, xLLM 및 SGLang과 같은 추론 프레임워크를 지원합니다 — [여기](example/ascend.md)를 참조하세요.
GLM-5는 `reasoning\_effort` 파라미터를 통해 사고 예산(thinking budget)을 제어하는 기능을 지원하며, 이 파라미터는 `max`와 `high`의 두 가지 단계를 허용합니다. \*\*`max`가 기본값\*\*입니다. `reasoning\_effort`를 별도로 설정하지 않거나(`high`가 아닌 다른 값으로 설정한 경우 포함) 모델은 `Max`로 실행됩니다. `High` 단계를 사용하려면 명시적으로 `reasoning\_effort="high"`를 전달해야 합니다. 벤치마크나 리더보드 재현과 같은 기본 시나리오의 경우 `Max`를 유지하세요(별도의 설정 불필요). `High` 단계를 특별히 원할 때만 `reasoning\_effort="high"`로 설정하세요. `enable\_thinking=false`로 설정하면 사고 기능을 완전히 끌 수 있습니다.
## GLM-5 시리즈 모델 파인튜닝
GLM-5 시리즈는 다음 프레임워크를 사용한 파인튜닝을 지원합니다. 자유롭게 시도해 보세요:
- [Slime](https://github.com/THUDM/slime) (v0.3.0+): GLM 팀이 사용하는 강화 학습 프레임워크입니다.
- [ms-swift](https://github.com/modelscope/ms-swift) (v4.4.0+): SFT, PPO, GRPO를 지원합니다.
## 인용
연구에서 GLM-5 시리즈 모델이 유용하다고 생각되신다면, 저희 기술 보고서를 인용해 주세요:
```bibtex
@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},
}
```