💬 NLP

GLM-5: from Vibe Coding to Agentic Engineering

O artigo apresenta o GLM-5, um modelo de fundação de próxima geração que utiliza uma nova infraestrutura de aprendizado por reforço assíncrono e a técnica DSA para transicionar da programação intuitiva para a engenharia autônoma de agentes, alcançando desempenho superior em tarefas complexas de engenharia de software e reduzindo custos de treinamento e inferência.

Autores originais: 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

Publicado 2026-02-25

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: 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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que, até agora, a inteligência artificial era como um estagiário brilhante, mas um pouco passivo. Você (o humano) tinha que dar instruções detalhadas, passo a passo, e o estagiário escrevia o código ou respondia à pergunta. Isso é o que os autores chamam de "Vibe Coding" (codificação baseada no "vibe" ou intuição do humano).

O GLM-5 é o lançamento de um novo tipo de funcionário: o Engenheiro Autônomo. Em vez de apenas seguir ordens, ele agora planeja, age, erra, corrige e entrega o projeto inteiro sozinho.

Aqui está uma explicação simples do que torna esse modelo especial, usando analogias do dia a dia:

1. A Grande Mudança: De "Passar o Roteiro" para "Dirigir o Carro"

Antes, você era o piloto e a IA era o navegador. Agora, com o GLM-5, você diz: "Quero ir para a praia" e a IA dirige o carro, escolhe a rota, para no posto de gasolina e chega lá.

O que mudou: O modelo não só gera texto; ele usa ferramentas, navega na internet, escreve código complexo e resolve problemas de software do início ao fim, sem precisar que você segure a mão dele a cada segundo.

2. A Arquitetura: O "Cérebro que Só Pensa no que Importa"

O modelo é gigante (tem 744 bilhões de parâmetros), mas a equipe usou uma tecnologia chamada DSA (Atenção Esparsa).

A Analogia: Imagine que você precisa ler um livro de 1.000 páginas para encontrar uma única receita de bolo. Um modelo antigo leria cada palavra de cada página, gastando muita energia e tempo. O GLM-5, com a DSA, é como ter um super-índice mágico. Ele olha para o livro, ignora 90% das páginas que não têm a receita e foca apenas nas páginas relevantes.
Resultado: Ele é muito mais rápido e barato de rodar, mas continua entendendo contextos enormes (como ler um livro inteiro de uma vez) sem se perder.

3. O Treinamento: A "Academia de Agentes"

Para treinar esse modelo, eles não apenas deram a ele milhões de livros para ler. Eles criaram uma academia de simulação.

A Analogia: Imagine um jogador de futebol que treina apenas jogando partidas reais, não apenas correndo na esteira. O GLM-5 foi treinado em um ambiente onde ele precisava resolver problemas reais de programação e buscar informações na internet.
A Inovação: Eles criaram um sistema de aprendizado assíncrono. É como se o modelo pudesse praticar em 1.000 campos de futebol ao mesmo tempo, enquanto os treinadores (os computadores) analisam os erros e dão feedback. Isso acelerou o aprendizado em tempo recorde.

4. O Teste Real: "O Desafio do Vendedor de Pipoca"

Para ver se o modelo era bom na vida real, eles o colocaram em um jogo chamado Vending Bench 2.

O Cenário: O modelo foi colocado para gerenciar uma máquina de vendas de pipoca por um ano inteiro. Ele tinha que decidir o preço, comprar suprimentos, lidar com clientes e tentar lucrar.
O Resultado: O GLM-5 terminou o ano com um saldo de $4.432, superando modelos anteriores e mostrando que ele consegue planejar a longo prazo, não apenas responder a uma pergunta de uma vez.

5. A Adaptação Local: "Feito para a Infraestrutura Chinesa"

Um ponto importante do papel é que o GLM-5 foi otimizado para funcionar perfeitamente em chips chineses (como os da Huawei e outros), não apenas nos chips americanos tradicionais.

A Analogia: É como se um carro de corrida fosse projetado especificamente para rodar nas estradas de terra e montanhas da China, garantindo que ele seja rápido e eficiente mesmo sem usar os combustíveis ou peças importadas mais comuns.

6. A Prova de Fogo: "O Experimento Pony Alpha"

Os autores fizeram algo ousado: lançaram o modelo anonimamente (como "Pony Alpha") para ver se as pessoas gostariam dele sem saber quem era o criador.

O Resultado: As pessoas acharam que era um modelo secreto de uma empresa americana gigante (como a Anthropic ou a DeepSeek). Quando descobriram que era um modelo de código aberto chinês, foi uma grande surpresa. Isso provou que o modelo é realmente bom, e não apenas "bom porque tem um nome famoso".

Resumo Final

O GLM-5 não é apenas um "chatbot" mais inteligente. É um engenheiro de software autônomo que pode:

Ler documentos gigantes sem esquecer detalhes.
Escrever e corrigir código complexo sozinho.
Planejar tarefas que levam horas ou dias para serem concluídas.
Funcionar de forma eficiente e barata em diferentes hardwares.

A mensagem principal é: A era de apenas "conversar" com a IA acabou. A era de "trabalhar com" a IA, onde ela executa tarefas complexas sozinha, começou.

Resumo Técnico: GLM-5 – Da "Vibe Coding" à Engenharia de Agentes

1. O Problema e o Contexto

O campo da Inteligência Artificial está em transição de modelos passivos de conhecimento para agentes ativos de resolução de problemas. O artigo identifica dois gargalos principais nessa evolução:

Custo Computacional e Eficiência: O treinamento e a inferência de modelos de grande escala (LLMs) com contextos longos tornaram-se proibitivamente caros, especialmente para tarefas de engenharia de software complexas que exigem raciocínio de longo prazo.
Adaptabilidade no Mundo Real: Benchmarks estáticos (como SWE-bench tradicional) não capturam a complexidade de tarefas de engenharia de software de ponta a ponta, onde os agentes precisam planejar, iterar e corrigir erros em ambientes dinâmicos por longos períodos ("long-horizon tasks").

O objetivo do GLM-5 é superar essas barreiras, transitando do paradigma de "Vibe Coding" (onde humanos dão prompts e o modelo gera código) para a "Engenharia de Agentes" (onde agentes autônomos planejam, implementam e iteram o software).

2. Metodologia e Arquitetura

O GLM-5 é um modelo fundacional de próxima geração que combina capacidades de Agente, Raciocínio e Codificação (ARC) em uma arquitetura otimizada.

2.1. Arquitetura e Eficiência

DSA (DeepSeek Sparse Attention): O GLM-5 adota a atenção esparsa dinâmica (DSA) para substituir a atenção densa tradicional $O(L^2)$ . Isso permite que o modelo selecione dinamicamente tokens importantes com base no conteúdo, reduzindo os custos de treinamento e inferência em cerca de 1,5x a 2x para contextos longos (até 128K tokens) sem perder fidelidade.
Escala de Parâmetros: O modelo possui 744B parâmetros totais (40B ativos) com 256 especialistas (MoE), o dobro do tamanho do GLM-4.5.
Atenção Multi-Latente (MLA) Otimizada: Foram introduzidas melhorias no MLA, incluindo o uso do otimizador Muon Split (que divide matrizes para atualização em escalas diferentes) e o aumento da dimensão da cabeça de atenção para 256 (MLA-256), melhorando a eficiência de decodificação e o desempenho em tarefas de longo contexto.
Previsão de Múltiplos Tokens (MTP): Utiliza compartilhamento de parâmetros entre camadas de MTP durante o treinamento para aumentar a taxa de aceitação na decodificação especulativa.

2.2. Pipeline de Treinamento

O treinamento segue uma estratégia progressiva de alinhamento:

Pré-treinamento e Mid-training: Treinado em um corpus de 28,5 trilhões de tokens. A fase de "Mid-training" estende progressivamente o contexto de 4K para 200K tokens, focando em dados de agentes e contextos longos.
Ajuste Fino Supervisionado (SFT): Expansão massiva de dados de agentes e codificação. O modelo suporta três modos de pensamento:
- Interleaved Thinking: Pensamento antes de cada resposta e chamada de ferramenta.
- Preserved Thinking: Manutenção de blocos de raciocínio entre turnos em conversas longas para evitar perda de informação.
- Turn-level Thinking: Controle granular para ativar/desativar raciocínio conforme a necessidade.
Reinforcement Learning (RL) Assíncrono:
- Infraestrutura Desacoplada: Uma nova infraestrutura de RL assíncrono desacopla a geração (inferência) do treinamento, maximizando a utilização de GPU e permitindo exploração em larga escala de trajetórias de agentes sem gargalos de sincronização.
- Algoritmos de RL: Implementação de algoritmos de RL de agente assíncrono que aprendem continuamente com interações de longo prazo. Utiliza-se Token-in-Token-out (TITO) para garantir correspondência exata entre tokens gerados e otimizados, evitando erros de re-tokenização.
- Distilação Cross-Stage On-Policy: Para evitar o esquecimento catastrófico, o modelo usa distilação on-policy entre as etapas de RL (Raciocínio, Agente, Geral) para recuperar habilidades adquiridas anteriormente.

2.3. Adaptação a Hardware Chinês

O GLM-5 foi totalmente adaptado para ecossistemas de GPUs domésticos chineses (Huawei Ascend, Moore Threads, Hygon, etc.), com otimizações de kernel e quantização mista (W4A8) que permitem rodar o modelo de 750B parâmetros em hardware local com desempenho comparável a clusters internacionais de dupla GPU.

3. Principais Contribuições Técnicas

Transição para Engenharia de Agentes: O GLM-5 não é apenas um modelo de chat, mas uma fundação para agentes que realizam tarefas de engenharia de software end-to-end, superando a limitação de "vibe coding".
Infraestrutura de RL Assíncrono: A criação de um orquestrador de rollout multi-tarefa baseado em servidor, que permite treinamento massivo e estável em ambientes heterogêneos, resolvendo problemas de latência e off-policy bias.
Ambientes de Avaliação Verificáveis: Desenvolvimento de pipelines para criar milhares de ambientes executáveis (SWE, Terminal, Busca) para treinar e avaliar agentes em cenários reais, incluindo a síntese de dados de busca multi-hop e geração de slides com verificação de renderização.
Gestão de Contexto Híbrida: Estratégias como "Keep-recent-k" combinadas com "Discard-all" para gerenciar contextos extremamente longos em tarefas de busca, melhorando significativamente a precisão em benchmarks como BrowseComp.

4. Resultados e Desempenho

O GLM-5 alcançou desempenho de ponta (SOTA) em diversos benchmarks abertos e proprietários:

Benchmarks de Raciocínio e Agente:
- Humanity's Last Exam (HLE): 50.4 (com ferramentas), superando modelos anteriores e competindo com Claude Opus 4.5 e GPT-5.2.
- SWE-bench Verified: 77.8% (aberto), superando o DeepSeek-V3.2 e competindo com modelos proprietários.
- BrowseComp: 75.9% (com gestão de contexto), o melhor entre modelos de código aberto.
- Vending-Bench 2: O modelo gerou um saldo bancário de $4.432 em uma simulação de negócios de longo prazo, demonstrando forte capacidade de planejamento e gestão de recursos.
Avaliação Interna (CC-Bench-V2):
- Em tarefas de Frontend e Backend, o GLM-5 superou o GLM-4.7 significativamente e alcançou desempenho comparável ao Claude Opus 4.5 em taxas de sucesso de instância (ISR) e construção (BSR).
- Em tarefas de longo horizonte (exploração de repositórios e tarefas encadeadas), o modelo mostrou melhorias substanciais na manutenção de contexto e correção de erros, embora ainda haja uma lacuna em relação aos modelos proprietários de ponta em tarefas encadeadas complexas.
Índice de Inteligência Artificial (Artificial Analysis): O GLM-5 atingiu uma pontuação de 50 no Índice v4.0, tornando-se o primeiro modelo de pesos abertos a atingir esse marco.

5. Significado e Conclusão

O GLM-5 representa um marco na democratização da Inteligência Geral Artificial (AGI) prática. Ao combinar eficiência computacional extrema (via DSA e RL assíncrono) com capacidades avançadas de engenharia de agentes, o modelo demonstra que modelos de pesos abertos podem rivalizar com sistemas proprietários de ponta em fluxos de trabalho complexos do mundo real.

A liberação do GLM-5 para a comunidade não apenas oferece uma ferramenta poderosa para desenvolvedores, mas também estabelece um novo padrão para a "Engenharia de Agentes", onde a autonomia, o planejamento de longo prazo e a correção de erros são fundamentais. O sucesso do experimento "Pony Alpha" (lançamento anônimo) reforça que a qualidade intrínseca do modelo é suficiente para competir globalmente, independentemente de vieses geopolíticos ou de marca.

Em resumo, o GLM-5 não é apenas uma melhoria incremental, mas uma mudança de paradigma rumo a agentes de IA autônomos, eficientes e capazes de resolver problemas de engenharia de software reais.