💬 NLP

GLM-5: from Vibe Coding to Agentic Engineering

Le papier présente GLM-5, un modèle fondation de nouvelle génération qui fait passer le développement logiciel du « vibe coding » à l'ingénierie agissante grâce à des architectures DSA et une infrastructure d'apprentissage par renforcement asynchrone, permettant ainsi des performances inédites dans les tâches d'ingénierie logicielle de bout en bout.

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

Publié 2026-02-25

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🚀 GLM-5 : Du "Bricolage" à l'Ingénierie Autonome

Imaginez que vous avez un assistant très intelligent.

Avant (GLM-4.5 et autres) : C'était comme un super-cuisinier. Vous lui donniez une recette (une instruction), et il vous préparait un plat (un code ou un texte). Mais si vous vouliez ouvrir un restaurant, gérer les stocks, et gérer les clients, vous deviez lui dire chaque petite étape. C'est ce qu'on appelle le "Vibe Coding" (coder avec l'ambiance, en guidant pas à pas).
Aujourd'hui (GLM-5) : C'est devenu un Chef d'Entreprise Autonome. Vous lui donnez juste le but : "Ouvre un restaurant de sushi". Et lui, il va chercher les locaux, embaucher le personnel, acheter le poisson, gérer la comptabilité et s'assurer que tout fonctionne, tout seul. C'est ce qu'on appelle l'Ingénierie Agentique.

Le papier explique comment Zhipu AI et l'Université Tsinghua ont créé ce nouveau modèle pour passer de l'étape 1 à l'étape 2.

🛠️ Les 4 Innovations Magiques (Comment ils ont fait ?)

Pour rendre ce "Chef d'Entreprise" aussi performant qu'un humain, ils ont utilisé quatre astuces principales :

1. L'Architecture "DSA" : Le Tri sélectif intelligent

Imaginez que vous lisez un livre de 1000 pages. Si vous deviez relire chaque mot pour trouver une information précise, vous seriez épuisé.

L'ancien modèle : Relisait tout le livre, mot par mot, même les pages inutiles. C'était lent et cher.
GLM-5 (avec DSA) : Il a un super-index. Il sait exactement quelles pages sont importantes et ignore le reste instantanément.
Le résultat : Il peut lire des livres entiers (des contextes très longs) deux fois plus vite et deux fois moins cher, sans oublier le moindre détail.

2. L'Apprentissage Asynchrone : L'usine qui ne s'arrête jamais

Dans les anciens systèmes, l'ordinateur qui pense (génère des idées) et celui qui corrige (apprend des erreurs) devaient attendre l'un l'autre. C'était comme une chaîne de montage où l'ouvrier B attendait que l'ouvrier A finisse son travail avant de commencer le sien. Beaucoup de temps perdu !

La solution GLM-5 : Ils ont séparé les deux équipes. L'équipe de "penseurs" produit des milliers d'idées en continu, et l'équipe de "correcteurs" les apprend en même temps, sans jamais attendre.
L'analogie : C'est comme si vous aviez une équipe de 100 stagiaires qui écrivent des brouillons pendant que 10 professeurs corrigent les meilleurs en temps réel, sans jamais s'arrêter pour une pause.

3. L'Entraînement par "Jeux de Rôle" (RL) : Apprendre par l'expérience

Au lieu de simplement lire des manuels, GLM-5 a été mis dans des simulateurs de réalité.

Pour le code : On lui a donné des milliers de vrais bugs informatiques à réparer. S'il échoue, le simulateur lui dit "Non, ça ne marche pas". S'il réussit, il gagne des points.
Pour les recherches : On lui a demandé de trouver des informations précises sur internet en naviguant comme un humain.
Le but : Il a appris à planifier, à se corriger lui-même et à gérer des tâches complexes sur de longues périodes (comme gérer un business pendant un an entier dans un jeu).

4. L'Adaptation aux Puces Chinoises : Le "Tuning" local

Souvent, les super-intelligences ne fonctionnent bien que sur des puces américaines très spécifiques. GLM-5 a été spécialement optimisé pour fonctionner parfaitement sur 7 types de puces chinoises (comme Huawei Ascend).

L'analogie : C'est comme si une voiture de Formule 1 était conçue non seulement pour aller vite, mais aussi pour rouler parfaitement sur des routes de terre, des pistes de glace et des circuits de ville, sans changer de moteur. Cela rend la technologie accessible et moins coûteuse.

🏆 Les Résultats : Qui gagne ?

Le papier compare GLM-5 aux géants du marché (comme GPT-5, Claude Opus, Gemini).

Sur les tests classiques : GLM-5 est maintenant au même niveau que les meilleurs modèles propriétaires du monde. Il est devenu le numéro 1 des modèles "ouverts" (ceux que tout le monde peut utiliser).
Sur les tâches réelles (Le vrai test) :
- Code : Il peut gérer des projets logiciels complets, du début à la fin, mieux que ses prédécesseurs.
- Business : Dans un test où il devait gérer un distributeur automatique virtuel pendant un an, il a fini avec 4 432 $ sur son compte, ce qui est un score incroyable pour un modèle ouvert.
- Longue durée : Il ne s'égare pas dans les tâches longues. Il garde le fil conducteur, contrairement aux autres qui oublient souvent le début de la conversation après 50 messages.

💡 En résumé

GLM-5 n'est pas juste "un peu plus intelligent". C'est un changement de paradigme.

Avant : L'IA était un outil que vous deviez guider avec une baguette magique.
Maintenant : L'IA est un collaborateur autonome capable de prendre des décisions, de gérer des projets complexes et de s'adapter à la réalité, le tout à un coût beaucoup plus faible grâce à des astuces d'ingénierie brillantes.

Le message final est clair : L'intelligence artificielle n'est plus juste un chatbot, c'est un ingénieur. Et le meilleur de ce monde est désormais accessible à tous.

Résumé Technique : GLM-5 – De la "Vibe Coding" à l'Ingénierie Agentique

1. Problématique et Contexte

Le papier identifie une transition critique dans le domaine de l'IA : le passage d'une approche de "Vibe Coding" (où un humain guide passivement un modèle pour écrire du code via des prompts) à l'"Ingénierie Agentique" (où des agents autonomes planifient, implémentent et itèrent sur des tâches logicielles complexes).

Les défis majeurs rencontrés par les modèles actuels (LLM) dans cette transition sont :

Coûts computationnels : L'entraînement et l'inférence de modèles capables de gérer des contextes longs et des raisonnements complexes sont prohibitifs.
Adaptabilité réelle : Les benchmarks statiques (comme SWE-bench) ne capturent pas la complexité des tâches logicielles end-to-end et des interactions à long terme.
Efficacité de l'apprentissage par renforcement (RL) : Les infrastructures synchrones traditionnelles créent des goulots d'étranglement lors des rollouts d'agents sur de longues horizons, gaspillant des ressources GPU.

2. Méthodologie et Architecture

GLM-5 est une fondation de nouvelle génération conçue pour surmonter ces obstacles grâce à plusieurs innovations architecturales et méthodologiques.

2.1 Architecture et Efficacité

Modèle de taille massive : GLM-5 compte 744 milliards de paramètres (40B actifs) avec une architecture MoE (Mixture of Experts) à 256 experts.
DSA (DeepSeek Sparse Attention) : Pour réduire les coûts d'entraînement et d'inférence tout en maintenant la fidélité du contexte long, le modèle remplace l'attention dense $O(L^2)$ par un mécanisme de sélection dynamique et fine. DSA permet de traiter des contextes de 128K tokens à moitié du coût GPU, en identifiant dynamiquement les tokens importants.
Multi-latent Attention (MLA) optimisée : L'utilisation de vecteurs clé-valeur réduits est combinée à une nouvelle technique d'optimiseur appelée "Muon Split". Cette méthode divise les matrices de projection pour permettre des mises à jour à différentes échelles, comblant l'écart de performance entre MLA et GQA (Grouped-Query Attention).
Prédiction multi-tokens (MTP) : Une couche MTP partagée est utilisée pour augmenter le débit d'inférence et améliorer les taux d'acceptation lors du décodage spéculatif.

2.2 Pipeline d'Entraînement

L'entraînement suit une stratégie progressive sur 28,5 trillions de tokens :

Pré-entraînement : Focus sur le code et le raisonnement.
Mid-training : Extension progressive du contexte jusqu'à 200K tokens avec des données agentiques synthétiques pour assurer la stabilité des flux de travail complexes.
Post-entraînement (Alignement) :
- SFT (Supervised Fine-Tuning) : Introduction de modes de pensée imbriqués (Interleaved Thinking) et préservés (Preserved Thinking) pour maintenir la cohérence sur de longues conversations.
- RL (Reinforcement Learning) Asynchrone : Une infrastructure nouvelle découple la génération (rollout) de l'entraînement. Cela permet une exploration massive des trajectoires d'agents sans les goulots d'étranglements de synchronisation.
- Algorithmes RL Agentiques : Des algorithmes asynchrones permettent d'apprendre à partir d'interactions longues et diversifiées, améliorant la planification et l'auto-correction.
- Distillation Cross-Stage On-Policy : Une étape finale pour prévenir l'oubli catastrophique et récupérer les compétences acquises lors des étapes précédentes.

2.3 Infrastructure et Compatibilité Matérielle

Framework "slime" : Une infrastructure RL unifiée permettant des rollouts flexibles, une gestion des latences (tail-latency) via des inférences FP8 et MTP, et une tolérance aux pannes par cœur (heartbeat).
Adaptation Full-Stack Chinoise : GLM-5 est optimisé nativement pour sept écosystèmes de puces chinoises (Huawei Ascend, Moore Threads, Hygon, Cambricon, etc.), avec des noyaux fusionnés haute performance et une quantification W4A8 (4 bits pour les poids, 8 bits pour les activations).

3. Contributions Clés

Transition vers l'Ingénierie Agentique : GLM-5 démontre une capacité inédite à gérer des tâches logicielles end-to-end, dépassant les limites des benchmarks statiques traditionnels.
Efficacité via DSA : L'adoption de l'attention sparse permet de scaler le modèle à 744B paramètres tout en réduisant drastiquement les coûts computationnels pour les contextes longs.
Infrastructure RL Asynchrone : Le découplage de la génération et de l'entraînement maximise l'utilisation des GPU et permet l'apprentissage sur des horizons temporels longs (long-horizon tasks).
Alignement Humain et Qualité : Utilisation de réponses humaines expertes comme ancres dans le RL général pour éviter la dérive vers des patterns "robotiques" et améliorer l'intelligence émotionnelle et la qualité des tâches spécifiques.
Écosystème Ouvert : GLM-5 est le premier modèle à poids ouverts à atteindre un score de 50 sur l'indice d'intelligence Artificial Analysis v4.0, rivalisant avec les modèles propriétaires fermés.

4. Résultats et Performances

Les résultats sont présentés sur une gamme de benchmarks agentic, de raisonnement et de codage :

Benchmarks Généraux et de Raisonnement :
- Humanity's Last Exam (HLE) : GLM-5 obtient 50,4 (avec outils), surpassant Claude Opus 4.5 (43,4) et Gemini 3 Pro (45,8).
- GDPval-AA : Score Elo de 1409, se classant deuxième seulement derrière GPT-5.2 (xhigh).
Benchmarks de Codage (SWE) :
- SWE-bench Verified : 77,8% (meilleur modèle open-source, surpassant DeepSeek-V3.2 et Kimi-K2.5).
- SWE-bench Multilingue : 73,3%, surpassant Gemini 3 Pro et GPT-5.2 (xhigh).
- Terminal-Bench 2.0 : Performances comparables à Claude Opus 4.5.
Capacités Agentiques et Long-Horizon :
- Vending-Bench 2 : GLM-5 termine avec un solde de 4 432 $, se classant premier parmi les modèles open-source et approchant les performances de Claude Opus 4.5 (4 967 $).
- BrowseComp : Avec une gestion de contexte hiérarchique, GLM-5 atteint 75,9, surpassant tous les modèles open-source et se rapprochant des modèles propriétaires.
Évaluation Réelle (CC-Bench-V2) :
- Sur des tâches frontend et backend réelles, GLM-5 montre une amélioration significative par rapport à GLM-4.7 et des performances comparables à Claude Opus 4.5 sur les tâches backend, bien qu'un écart subsiste sur les tâches à très long horizon en raison de l'accumulation d'erreurs.

5. Signification et Impact

GLM-5 marque un tournant décisif dans le développement de l'IA :

Preuve de concept pour l'Open Source : Il démontre que les modèles à poids ouverts peuvent désormais rivaliser, et parfois surpasser, les systèmes propriétaires les plus avancés dans des scénarios réels complexes.
Nouveau Paradigme de Développement : En passant de la "vibe coding" à l'ingénierie agentique, GLM-5 ouvre la voie à des agents capables de gérer des cycles de développement logiciel complets de manière autonome.
Efficacité et Accessibilité : Grâce à DSA et l'optimisation pour les puces chinoises, GLM-5 rend l'IA de pointe plus accessible et économiquement viable pour des déploiements à grande échelle.
Validation par l'Anonymat : L'expérience "Pony Alpha" (publication anonyme sur OpenRouter) a confirmé que les capacités intrinsèques du modèle suffisent à le faire reconnaître comme un leader, indépendamment de la marque, validant ainsi la qualité pure de l'ingénierie derrière GLM-5.

En conclusion, GLM-5 n'est pas seulement une amélioration incrémentale, mais une refonte fondamentale de l'architecture et de l'entraînement des modèles pour répondre aux exigences de l'AGI (Intelligence Artificielle Générale) appliquée, en particulier dans le domaine du génie logiciel autonome.