💬 NLP

GLM-5: from Vibe Coding to Agentic Engineering

Dit paper introduceert GLM-5, een geavanceerd fundamenteel model dat de overgang van 'vibe coding' naar 'agentic engineering' mogelijk maakt door middel van DSA voor kostenefficiëntie en nieuwe asynchrone versterkingsleer-algoritmen voor superieure prestaties in complexe softwareontwikkelingstaken.

Oorspronkelijke auteurs: 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

Gepubliceerd 2026-02-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: 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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

🚀 GLM-5: Van "Vibe Coding" naar "Agent Engineering"

Stel je voor dat je een AI vroeg om een huis te bouwen.

De oude manier (Vibe Coding): Je zegt: "Bouw een huis, maar maak het mooi." De AI probeert het, maar als er een muur scheef staat, moet jij als mens de hele tijd ingrijpen, corrigeren en de blauwdrukken aanpassen. Het is alsof je een beginnende leerling helpt die constant hulp nodig heeft.
De nieuwe manier (GLM-5 / Agentic Engineering): Je zegt: "Bouw een huis." De AI pakt de hamer, de zaag en het blauwdruk. Hij denkt na, bouwt de muren, ziet zelf op dat de muur scheef staat, repareert het, en bouwt het dak erop. Hij werkt urenlang zelfstandig zonder dat jij hoeft te kijken. Dat is wat GLM-5 doet.

Het papier introduceert GLM-5, een nieuwe super-intelligente computerhersenen die niet alleen slim is, maar ook onafhankelijk kan werken, redeneert en codeert alsof het een senior software-ingenieur is.

🧠 Hoe werkt dit? (De 4 Grote Verbeteringen)

1. De "Slimme Lijst" (DSA) – Besparen op energie

Vroeger moest de AI naar elk woord in een heel boek kijken om een zin te begrijpen. Dat kostte enorm veel energie en tijd, net als het lezen van een hele bibliotheek om één antwoord te vinden.

De oplossing: GLM-5 gebruikt een techniek genaamd DSA. Stel je voor dat de AI een magische lijst heeft. In plaats van alles te lezen, kijkt hij alleen naar de belangrijkste zinnen en slaat hij de rest over.
Het resultaat: De AI is net zo slim, maar kost de helft van de energie en is veel sneller. Het is alsof je van een oude, zware vrachtwagen wisselt naar een strakke, snelle sportwagen die evenveel vracht kan vervoeren.

2. De "Asynchrone Werkvloer" – Geen wachtlijsten meer

In de oude systemen moest de AI wachten tot hij een antwoord had voordat hij de volgende stap kon doen. Het was alsof een kok in een restaurant wachtte tot de oven klaar was voordat hij de volgende groente kon snijden. Veel tijdverspilling!

De oplossing: GLM-5 heeft een asynchrone werkplek. De "koks" (AI's) die denken en plannen, werken volledig los van de "koks" die de daadwerkelijke berekeningen doen. Ze werken parallel.
Het resultaat: De AI kan duizenden scenario's tegelijk testen en leren, zonder ooit te hoeven wachten. Het is alsof je een fabriek hebt waar honderden robots tegelijk werken in plaats van één robot die alles één voor één doet.

3. De "Onafhankelijke Leermeester" (RL) – Leren van fouten

AI's leren vaak door te oefenen, maar als ze een fout maken, moeten ze vaak wachten tot de leraar (de computer) zegt "Nee, dat was fout".

De oplossing: GLM-5 heeft een nieuw systeem waarbij de AI onafhankelijk kan experimenteren. Hij kan urenlang een simulatie spelen (bijvoorbeeld een virtueel bedrijf runnen), fouten maken, zien wat er gebeurt, en zichzelf corrigeren.
Het resultaat: Hij leert veel sneller van complexe situaties. In een test waarbij hij een automaatbedrijf moest runnen, verdiende hij $4.432 (een enorm bedrag in de simulatie), terwijl oudere modellen faalden. Hij leerde plannen en resources beheren alsof het een echte CEO was.

4. Full-stack voor Chinese Chips – Iedereen mee

Vaak werken de slimste AI's alleen op dure, buitenlandse hardware.

De oplossing: GLM-5 is speciaal getuned om perfect te werken op Chinese computerchips (zoals Huawei, Moore Threads, etc.).
Het resultaat: Je kunt deze super-AI nu draaien op lokale hardware in China, zonder dat je miljarden moet uitgeven aan Amerikaanse chips. Het is alsof je een Formule 1-auto hebt die ook perfect rijdt op een gewone asfaltweg.

🏆 Wat kan hij echt? (De Proefjes)

Het papier toont aan dat GLM-5 niet alleen goed is in theorie, maar ook in de praktijk:

Software Bouwen: Waar andere AI's vastlopen bij het repareren van een complexe bug in een groot computerprogramma, bouwt GLM-5 het hele systeem opnieuw op, test het, en maakt het werkend.
Zoeken op het internet: Als je vraagt om de beste prijs voor een specifiek product te vinden door tien verschillende websites te checken, doet GLM-5 dit zelfstandig, zonder dat jij hoeft te klikken. Hij onthoudt wat hij al heeft gezien en weet precies waar hij moet zoeken.
Wiskunde & Redeneren: Hij scoort extreem hoog op moeilijke examens (zoals de "Humanity's Last Exam"), waar hij problemen oplost die zelfs mensen moeilijk vinden.

🌟 De "Pony Alpha" Verassing

Een leuk stukje in het verhaal: De makers lieten GLM-5 anoniem verschijnen onder de naam "Pony Alpha". Niemand wist dat het van Zhipu AI was.

Mensen dachten: "Oh, dit moet wel een gelekte versie van Claude of DeepSeek zijn!"
Toen ze ontdekten dat het GLM-5 was, waren ze verbluft. Het bewees dat een open model (die voor iedereen beschikbaar is) net zo goed kan presteren als de duurste, geheimgehouden modellen van grote tech-giganten.

🎯 Conclusie

GLM-5 is de overgang van een slimme chatbot (die antwoordt op vragen) naar een onafhankelijke ingenieur (die taken uitvoert). Het is sneller, goedkoper, en kan complexe taken van begin tot eind zelfstandig afhandelen.

Kortom: Vroeger gaf je de AI een opdracht en keek je toe. Nu geef je de AI een doel, en hij bouwt het voor je terwijl jij koffie drinkt.

Titel: GLM-5: Van Vibe Coding naar Agente Engineering

Auteurs: GLM-5 Team (Zhipu AI & Tsinghua Universiteit)

1. Het Probleem: Van Passief naar Actief AI

De huidige ontwikkeling van Large Language Models (LLM's) staat voor een fundamentele overgang. Waar modellen eerder vooral dienden als passieve kennisbronnen ("vibe coding", waarbij een mens prompteert en het model code schrijft), is de vraag nu hoe AI autonoom complexe, end-to-end software-engineering taken kan uitvoeren ("agente engineering").

De belangrijkste knelpunten bij deze overgang zijn:

Rekenkosten: Het trainen en infereren van modellen met lange contextvensters en complexe redeneervermogens is extreem duur.
Adaptiviteit: Bestaande modellen worstelen met langdurige, dynamische taken (zoals het beheren van een volledige software-ontwikkelcyclus) en vertonen vaak inconsistenties in lange trajecten.
Efficiëntie: Traditionele architecturen (zoals Dichte Attention) worden onhaalbaar duur bij contexten van 128K+ tokens.

GLM-5 is ontworpen om deze barrières te doorbreken en een nieuwe standaard te zetten voor efficiënte, autonome AI-agenten.

2. Methodologie en Architectuur

GLM-5 introduceert een reeks innovaties in architectuur, training en infrastructuur om de prestaties te maximaliseren en de kosten te minimaliseren.

A. Architectuur: DSA en MoE

DeepSeek Sparse Attention (DSA): In plaats van traditionele dichte $O(L^2)$ attention, gebruikt GLM-5 DSA. Dit mechanisme selecteert dynamisch welke tokens belangrijk zijn op basis van inhoud, wat de rekenkosten voor lange contexten (tot 128K tokens) met 1,5x tot 2x verlaagt zonder kwaliteitsverlies.
Modelgrootte: Het model heeft 744 miljard parameters (waarvan 40 miljard actief), wat een verdubbeling is ten opzichte van de voorganger GLM-4.5.
Multi-latent Attention (MLA) met Muon Split: Om GPU-geheugen te besparen en lange contexten te verwerken, wordt MLA gebruikt. Een nieuwe techniek, "Muon Split", lost een prestatiekloof op die eerder bestond tussen MLA en Grouped-Query Attention (GQA) door matrix-orthogonalisatie toe te passen op gesplitste hoofdmatrices.
Multi-token Prediction (MTP): GLM-5 deelt parameters tussen drie MTP-lagen tijdens training om de acceptatiekans bij speculatieve decoding te verhogen, wat de inferentiesnelheid vergroot.

B. Training Pipeline

Het trainingsproces is opgedeeld in drie fasen:

Pre-training: Getraind op een corpus van 28,5 biljoen tokens, met een sterke focus op code en redenering.
Mid-training: Progressieve uitbreiding van het contextvenster van 4K naar 200K tokens, specifiek gericht op lange contexten en agent-data om stabiliteit in complexe workflows te garanderen.
Post-training (RL): Een sequentiële Reinforcement Learning (RL) aanpak:
- Reasoning RL: Voor wiskunde, wetenschap en code.
- Agentic RL: Voor tool-gebruik en autonome taken.
- General RL: Voor menselijke uitlijning en emotionele intelligentie.
- On-Policy Cross-Stage Distillation: Een laatste stap om te voorkomen dat het model zijn eerdere vaardigheden vergeet (catastrophic forgetting) tijdens het leren van nieuwe taken.

C. Asynchrone RL Infrastructuur ("slime")

Een van de belangrijkste technische doorbraken is de asynchrone RL-architectuur.

Ontkoppeling: Generatie (inference) en training zijn volledig ontkoppeld. De inference-engine genereert continu trajecten, terwijl de training-engine deze verwerkt zodra een drempel is bereikt.
Token-in-Token-out (TITO): Om fouten door her-tokenisatie te voorkomen, worden exacte token-IDs en metadata direct doorgegeven, in plaats van tekst.
Server-based Rollouts: Een centrale "Multi-Task Rollout Orchestrator" beheert duizenden parallelle rollouts voor verschillende taken (zoals zoeken, coderen, terminal-taken) via HTTP-API's.
Context Management: Voor zoekagenten wordt een hybride strategie gebruikt ("Keep-recent-k" gecombineerd met "Discard-all") om de context binnen limieten te houden zonder belangrijke informatie te verliezen.

D. Hardware Adaptatie

GLM-5 is volledig geoptimaliseerd voor Chinese GPU-ecosystemen (o.a. Huawei Ascend, Moore Threads, Hygon). Dit omvat:

W4A8 Quantization: Gemengde precisie (INT4 voor experts, INT8 voor attention/MLP) om het model op één machine te laten draaien.
Custom Kernels: Specifiek ontworpen kernels voor Sparse Attention en MLA op NPU's.

3. Belangrijkste Bijdragen

Paradigmaverschuiving naar Agente Engineering: GLM-5 beweegt verder dan statische benchmarks naar het oplossen van real-world, end-to-end software-engineering problemen.
DSA Architectuur: Een lossless sparse attention-methode die lange contexten mogelijk maakt tegen de helft van de GPU-kosten.
Asynchrone RL Framework: Een schaalbaar systeem dat GPU-idle tijd elimineert tijdens lange agent-rollouts, waardoor trainingssnelheid en -kwaliteit drastisch verbeteren.
Real-world Evaluatie Suite (CC-Bench-V2): Een nieuwe, volledig geautomatiseerde benchmark voor frontend, backend en lange-horizon taken, die menselijke evaluatie vervangt door "Agent-as-a-Judge".
Full-stack Chinese Chip Ondersteuning: Bewijs dat state-of-the-art modellen efficiënt kunnen draaien op diverse nationale hardware-platforms.

4. Resultaten

GLM-5 behaalt state-of-the-art (SOTA) resultaten op open benchmarks en sluit de kloof met gesloten, proprietaire modellen.

Algemene Prestaties:
- Artificial Analysis Intelligence Index v4.0: GLM-5 scoort 50,4, wat het de eerste open-weight model maakt dat de 50-punten grens bereikt (GLM-4.7 scoorde 42).
- LMArena: Nummer 1 open model in zowel Text als Code Arena, vergelijkbaar met Claude Opus 4.5 en GPT-5.2 (xhigh).
Specifieke Benchmarks:
- SWE-bench Verified: 77.8% (beter dan Gemini 3 Pro, vergelijkbaar met Claude Opus 4.5).
- Humanity's Last Exam (HLE) met Tools: 50.4% (een aanzienlijke verbetering ten opzichte van GLM-4.7).
- BrowseComp (Zoekagenten): 75.9% met contextmanagement (SOTA onder open modellen).
- Vending-Bench 2 (Lange-horizon business): Eindbalans van $4.432, wat sterke langetermijnplanning aantoont.
- CC-Bench-V2 (Real-world Engineering): GLM-5 toont significante verbeteringen in frontend (React/Vue) en backend taken ten opzichte van GLM-4.7, en presteert vergelijkbaar met Claude Opus 4.5 in veel backend scenario's.
Efficiëntie:
- De training en inferentie kosten zijn aanzienlijk verlaagd dankzij DSA en asynchrone training, terwijl de prestaties op lange contexten (200K tokens) behouden blijven.

5. Betekenis en Conclusie

GLM-5 markeert een mijlpaal in de ontwikkeling van AI. Het bewijst dat open-weight modellen niet langer achterblijven bij gesloten systemen wat betreft complexiteit en autonomie. Door de focus te verleggen van "vibe coding" (prompten) naar "agente engineering" (autonome planning en uitvoering), biedt GLM-5 een praktische basis voor de volgende generatie AI-agenten.

De paper benadrukt dat de toekomst van AGI niet alleen ligt in het vergroten van parameters, maar in het herontwerpen van de efficiëntie van intelligentie en de architectuur van autonome verbetering. De open-sourcing van GLM-5 en de bijbehorende tools (code, modellen, en infrastructuur) stelt de gemeenschap in staat om de grenzen van efficiënte, agente-gedreven algemene intelligentie verder te verleggen.

Conclusie: GLM-5 is niet alleen een krachtiger model, maar een efficiëntere en practicalere fundamentele bouwsteen voor autonome AI-systemen in de echte wereld.