💬 NLP

GLM-5: from Vibe Coding to Agentic Engineering

Il documento presenta GLM-5, un modello fondazionale di nuova generazione che, grazie a un'infrastruttura di apprendimento per rinforzo asincrona e a tecniche DSA, trasforma il paradigma della programmazione basata sull'atmosfera ("vibe coding") in un'ingegneria autonoma ("agentic engineering"), ottenendo prestazioni all'avanguardia nelle sfide di ingegneria del software end-to-end.

Autori originali: 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

Pubblicato 2026-02-25

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: 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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina che l'Intelligenza Artificiale abbia vissuto due epoche distinte.

1. Il Vecchio Mondo: "Il Codice per Vibe" (Vibe Coding)

Pensa al vecchio modo di usare l'AI come a un dizionario vivente. Tu gli dai un'idea vaga ("Ehi, scrivimi un sito web per una pizzeria"), e lui ti risponde con un testo o un pezzo di codice. È come se tu fossi un direttore d'orchestra che gesticola e l'AI è il musicista che suona una nota alla volta. Se sbagli, devi correggerlo a mano. È un processo passivo: l'AI aspetta, tu agisci.

2. Il Nuovo Mondo: "L'Ingegneria Agente" (Agentic Engineering)

GLM-5 segna il passaggio a un'era nuova. Ora, l'AI non è più solo un musicista, ma è diventata l'intero orchestra, il compositore e il tecnico del suono.
Invece di dirti "ecco il codice", GLM-5 agisce.

Pensa: Analizza il problema.
Agisce: Scrive il codice, lo prova, vede se funziona.
Corregge: Se c'è un errore, lo sistema da solo.
Ripete: Continua a lavorare per ore, gestendo progetti complessi da solo, proprio come un ingegnere umano esperto.

È come passare dal chiedere a un amico di scriverti una ricetta, a dare a un robot chef gli ingredienti e dirgli: "Prepara una cena per 10 persone". Il robot sceglie le ricette, cucina, assaggia e corregge il sale se necessario, senza che tu debba toccare nulla.

Come hanno fatto? I tre trucchi magici

Per rendere questo possibile, i ricercatori hanno usato tre "ingrediente segreti":

1. Il "Filtro Intelligente" (DSA)

Immagina di dover leggere un libro di 10.000 pagine per trovare una sola parola. Il vecchio metodo era leggere ogni singola riga, pagina per pagina. Costoso e lento.
GLM-5 usa una tecnologia chiamata DSA (DeepSeek Sparse Attention). È come avere un cane da caccia super intelligente che, invece di annusare tutto il libro, sa esattamente dove guardare.

Risultato: L'AI legge solo le parti importanti, risparmiando enormi quantità di energia e tempo, ma capisce tutto il contesto come se avesse letto tutto.

2. La "Cucina Asincrona" (Asynchronous RL)

Immagina una cucina dove lo chef (l'AI) deve aspettare che il cameriere (il computer) gli porti gli ingredienti prima di poter cucinare. Spesso lo chef rimane fermo a guardare il muro.
GLM-5 ha rotto questa catena. Hanno creato un sistema dove lo chef cucina mentre il cameriere porta gli ingredienti per il prossimo piatto.

Risultato: Non ci sono tempi morti. L'AI impara facendo migliaia di tentativi contemporaneamente, diventando molto più veloce ed efficiente nel risolvere problemi complessi.

3. L'allenamento "Senza Dimenticare" (Distillation)

Spesso, quando un'AI impara a fare qualcosa di nuovo (come guidare un'auto), dimentica come si fa a cucinare.
GLM-5 usa una tecnica speciale che è come un allenatore sportivo che ti fa fare esercizi di riscaldamento mentre impari un nuovo sport.

Risultato: L'AI diventa bravissima a programmare e a ragionare, ma non dimentica mai le sue basi. Rimane un "tuttofare" eccezionale.

I Risultati: Cosa sa fare davvero?

Il paper mostra che GLM-5 non è solo "bravo nei test scolastici", ma è un eroe sul campo di battaglia reale:

Il Test del Negozio (Vending Bench 2): Hanno messo l'AI a gestire un distributore automatico virtuale per un anno intero. GLM-5 ha guadagnato 4.432 dollari, dimostrando di saper pianificare a lungo termine, gestire le risorse e adattarsi ai cambiamenti, proprio come un vero imprenditore.
Il Test del Codice (SWE-bench): Risolve problemi di programmazione reali, non solo esercizi teorici. È diventato il modello "open source" (quello che tutti possono scaricare) più potente, battendo molti modelli a pagamento dei giganti americani.
Il Test della Ricerca (BrowseComp): Se gli chiedi di trovare informazioni complesse su internet, navigando tra migliaia di siti, lo fa meglio di chiunque altro tra i modelli gratuiti.

In sintesi

GLM-5 è come un tirocinante che diventa un maestro in una notte.
Non si limita a rispondere alle domande; risolve i problemi.
Ha dimostrato che non serve per forza un computer gigante e costoso per avere un'intelligenza potente: basta un'architettura intelligente, un allenamento intelligente e la capacità di "pensare mentre agisce".

Il messaggio finale è chiaro: l'era in cui l'AI ci dava solo risposte è finita. L'era in cui l'AI fa il lavoro per noi è appena iniziata. E questa volta, lo fa anche in modo economico e accessibile a tutti.

Titolo: GLM-5: dal "Vibe Coding" all'Ingegneria Agente (Agentic Engineering)

1. Il Problema

Il campo dei Large Language Models (LLM) sta affrontando una transizione critica: passare dall'essere semplici repository di conoscenza passiva a agenti autonomi capaci di risolvere problemi complessi in scenari reali (ingegneria del software, ricerca, pianificazione a lungo termine).
I principali ostacoli identificati sono:

Costi Computazionali: L'addestramento e l'inferenza su contesti lunghi (long-context) e su modelli massicci sono proibitivi.
Adattabilità Reale: I benchmark statici (come SWE-bench) non catturano la complessità dello sviluppo software end-to-end o delle interazioni agenti a lungo termine.
Efficienza: Le architetture esistenti faticano a bilanciare la profondità del ragionamento con l'efficienza operativa, specialmente in ambienti con risorse limitate o eterogenee.

2. Metodologia e Architettura

GLM-5 introduce un nuovo paradigma basato su un'architettura MoE (Mixture of Experts) avanzata e un'infrastruttura di addestramento innovativa.

Architettura e Scala:
- Il modello scala a 744 miliardi di parametri totali (40B attivi), raddoppiando la dimensione di GLM-4.5.
- Utilizza 256 esperti e riduce i layer a 80 per minimizzare l'overhead di comunicazione nel parallelismo.
- DSA (DeepSeek Sparse Attention): Sostituisce l'attenzione densa $O(L^2)$ con un meccanismo di selezione dinamica e fine-granularità. Questo riduce i costi di calcolo e inferenza del 50% per contesti lunghi (fino a 128K token) senza perdere accuratezza, permettendo di gestire 28,5 trilioni di token di addestramento.
- Multi-latent Attention (MLA) Ottimizzata: Migliorata con una tecnica chiamata "Muon Split" per allineare le prestazioni a quelle della GQA (Grouped-Query Attention) riducendo l'uso di memoria GPU.
Pipeline di Addestramento:
1. Pre-training: Corpus di 27 trilioni di token, con focus su codice e ragionamento.
2. Mid-training: Estensione progressiva del contesto da 4K a 200K token, focalizzata su dati agenziali a lungo termine.
3. Post-training (RL): Una pipeline sequenziale di Reinforcement Learning (RL):
  - Reasoning RL: Per matematica, scienza e codice.
  - Agentic RL: Per compiti di pianificazione e tool use.
  - General RL: Per l'allineamento umano e la qualità della risposta.
- Distillazione Cross-Stage On-Policy: Utilizzata per prevenire l'oblio catastrofico delle capacità apprese nelle fasi precedenti.
Infrastruttura Asincrona:
- Viene introdotto un nuovo framework asincrono (basato su "slime") che disaccoppia la generazione (inference) dall'addestramento. Questo elimina i colli di bottiglia di sincronizzazione, permettendo un'esplorazione massiva delle traiettorie degli agenti.
- Algoritmi RL Asincroni: Utilizzano tecniche come Token-in-Token-out (TITO) per mantenere la corrispondenza esatta tra token e azioni, e Importance Sampling a doppio lato per gestire il bias off-policy senza tracciare checkpoint storici pesanti.
Adattamento Hardware:
- GLM-5 è ottimizzato nativamente per l'ecosistema GPU cinese, con adattamenti full-stack su 7 piattaforme (inclusi Huawei Ascend, Moore Threads, Hygon, ecc.), utilizzando quantizzazione mista W4A8 e kernel fusi ad alte prestazioni.

3. Contributi Chiave

Transizione all'Ingegneria Agente: Sposta il focus dal "vibe coding" (prompting umano per generare codice) all'ingegneria agente, dove l'AI pianifica, implementa, itera e risolve bug autonomamente in ambienti reali.
DSA (DeepSeek Sparse Attention): Un'innovazione architetturale che rende economicamente sostenibile l'addestramento su contesti ultra-lunghi, rendendo i modelli agenziali scalabili.
Infrastruttura RL Asincrona: Risolve il problema dell'inefficienza GPU durante i roll-out di agenti a lungo termine, permettendo un addestramento RL su larga scala con alta stabilità.
Ambienti di Valutazione Realistici: Sviluppo di nuovi benchmark interni (CC-Bench-V2) e pipeline di sintesi dati per simulare scenari reali di sviluppo software (frontend, backend, task a lungo termine) e ricerca.
Ottimizzazione Hardware Nazionale: Dimostrazione che i modelli di punta possono essere eseguiti efficientemente su hardware cinese, riducendo i costi di deployment del 50% in scenari a lunga sequenza.

4. Risultati

GLM-5 ha raggiunto prestazioni State-of-the-Art (SOTA) su numerosi benchmark aperti, competendo o superando modelli proprietari come Claude Opus 4.5, Gemini 3 Pro e GPT-5.2 (xhigh).

Benchmark Agenziali e di Coding:
- SWE-bench Verified: 77.8% (superiore a Gemini 3 Pro e DeepSeek-V3.2).
- Terminal-Bench 2.0: 60.7% (versione verificata), paragonabile a Claude Opus 4.5.
- BrowseComp: 75.9% con gestione del contesto, il miglior risultato tra i modelli open-weight.
- Vending-Bench 2: Guadagna $4,432 in una simulazione aziendale annuale, dimostrando eccellenti capacità di pianificazione a lungo termine.
Ragionamento e Generalità:
- Humanity's Last Exam (HLE): 50.4 (con strumenti), superando i precedenti modelli GLM e avvicinandosi ai leader proprietari.
- Artificial Analysis Intelligence Index v4.0: Punteggio di 50, il primo modello open-weight a raggiungere questa soglia (rispetto a 42 di GLM-4.7).
Valutazione Interna (CC-Bench-V2):
- Nel frontend, GLM-5 raggiunge un tasso di successo di build (BSR) del 100% su vari stack (React, Vue, Svelte).
- Nel backend e nei task a lungo termine (chained tasks), mostra miglioramenti significativi rispetto a GLM-4.7, sebbene rimanga un divario rispetto a Claude Opus 4.5 su task complessi multi-step.

5. Significato e Impatto

Il documento segna un punto di svolta fondamentale nell'evoluzione dell'IA:

Democratizzazione dell'AGI Pratica: GLM-5 dimostra che i modelli open-weight possono ora eguagliare le capacità dei sistemi proprietari chiusi in scenari di ingegneria complessa, rendendo l'IA agenziale accessibile alla comunità.
Efficienza come Driver: L'uso di DSA e architetture sparse dimostra che è possibile scalare le capacità senza un aumento lineare dei costi computazionali, rendendo sostenibile l'addestramento di agenti autonomi.
Indipendenza Tecnologica: La piena adattabilità all'hardware cinese sottolinea la maturità dell'ecosistema tecnologico locale e la capacità di ottimizzare modelli di punta su infrastrutture diverse.
Nuovo Standard per l'Ingegneria: Il passaggio da "vibe coding" a "agentic engineering" definisce il futuro dello sviluppo software, dove l'AI non è più solo un assistente di scrittura, ma un ingegnere autonomo capace di gestire interi cicli di vita del software.

In sintesi, GLM-5 non è solo un modello più potente, ma una fondazione più efficiente e pratica per la prossima generazione di agenti di intelligenza generale, pronta per essere rilasciata alla comunità per accelerare l'innovazione.