GLM-5 de Z.ai: El modelo MoE de peso abierto de 744B que cierra la brecha en codificación de agentes

Lisa Ernst · 21.02.2026 · Inteligencia Artificial · 9 min

Los lanzamientos de IA son constantes, pero solo unos pocos cambian significativamente la línea de “¿qué podemos lanzar realmente con esto?”. GLM-5 desde Z.ai (Zhipu AI / Knowledge Atlas Technology) es uno de esos lanzamientos: un modelo bajo licencia MIT con un objetivo claro: la ingeniería de agentes , es decir, tareas de largo alcance como depuración, refactorización, orquestación de herramientas e investigación a escala web. También es un hito estratégico: Zhipu AI cotizó públicamente en Hong Kong a principios de 2026, y GLM-5 se anunció justo en medio de un intenso ciclo competitivo entre laboratorios de IA chinos.

Fuente: GLM-5 se posiciona como un modelo de “ingeniería de agentes”: contexto largo, uso de herramientas y trabajo de software en lugar de solo calidad de chat.

Resumen rápido: Por qué GLM-5 es importante (y qué no es)

• Peso abierto bajo MIT: pesos liberados para uso comercial (raro a este nivel de rendimiento).
• Diseño centrado en el agente: ajustado para tareas de largo alcance (agentes, llamadas a herramientas, trabajo de repositorio).
• Escala masiva de MoE: 744B parámetros totales 40B activos por token.
• Detalles de enrutamiento de expertos: 256 expertos totales , con 8 expertos enrutados por token (más expertos compartidos), optimizado para reducir la sobrecarga de comunicación.
• Contexto largo: admite hasta 200K tokens, habilitado por DeepSeek Sparse Attention (DSA).
• Codificación fuerte + agentes: las puntuaciones principales incluyen 77.8 en SWE-bench Verified y 56.2 / 60.7 en Terminal-Bench 2.0 (versión verificada).
• Cambio de fiabilidad: Artificial Analysis informa -1 en AA-Omniscience (menos alucinaciones), logrado en gran medida por un mejor comportamiento de abstención. 2.0 (versión verificada).
• Limitación importante: GLM-5 es solo de texto (sin entrada de imagen nativa).
• Chequeo de realidad: los pesos BF16 nativos son enormes (~1.49 TB de huella de memoria); la mayoría de la gente usará FP8 o APIs.

Por qué GLM-5 importa: capacidad, apertura y estrategia de hardware

La mayoría del rendimiento "de vanguardia" vive detrás de APIs propietarias. GLM-5 es interesante porque intenta combinar tres cosas: (1) rendimiento de agente de alta gama en benchmarks públicos, (2) disponibilidad abierta bajo una licencia permisiva, y (3) preparación para ecosistemas no NVIDIA (Z.ai afirma optimización de pila completa en múltiples plataformas de chips nacionales; Reuters también notó inferencia en chips fabricados en China, incluidos Huawei Ascend y otros).

Si eres un desarrollador o un equipo que crea herramientas, el valor es obvio: los modelos de peso abierto son la única ruta práctica para personalización profunda, despliegue en las instalaciones y evaluación repetible. Pero la historia "abierta" de GLM-5 tiene una trampa: es de peso abierto, pero extremadamente grande, lo que significa que la economía de despliegue decide quién puede usarlo realmente localmente.

Hoja de puntuación de benchmarks: Los números que la gente cita (con contexto)

A continuación, se presenta una hoja de puntuación compacta basada en los benchmarks oficiales de la tarjeta modelo GLM-5 (la misma tabla que compara con DeepSeek-V3.2, Kimi K2.5, Claude Opus 4.5, Gemini 3 Pro y variantes de GPT-5.2). La clave: observa qué benchmarks coinciden con tu carga de trabajo.

Resultados clave de benchmarks (GLM-5 vs. pares de vanguardia seleccionados)

Por qué importan las configuraciones de benchmark (y qué divulgan los autores de GLM-5)

Un detalle útil: la tarjeta modelo GLM-5 incluye notas de evaluación (frameworks, tiempos de espera, tamaños de contexto). Por ejemplo, SWE-bench usa OpenHands con un prompt adaptado, y Terminal-Bench se ejecuta a través de Terminus bajo límites de CPU/RAM. También publican un conjunto de datos "verificado" de Terminal-Bench 2.0 para abordar instrucciones ambiguas y problemas del entorno, que es exactamente el tipo de transparencia que hace que los resultados sean más accionables.

Arquitectura: MoE de 744B + DSA de contexto largo (200K tokens)

GLM-5 es un modelo Mixture-of-Experts (MoE): enorme capacidad total, pero solo una porción está activa por token. El informe técnico describe GLM-5 como 744B parámetros totales con 40B activados. El mismo informe lista 256 expertos totales, con 8 expertos enrutados por token, y una arquitectura ajustada para reducir la sobrecarga de paralelismo de expertos (por ejemplo, menos capas en comparación con variantes anteriores).

El contexto largo no es solo "más tokens": requiere cambios arquitectónicos y de datos para evitar el colapso en la calidad de la atención. GLM-5 integra DeepSeek Sparse Attention (DSA) para preservar la capacidad de contexto largo mientras reduce los costos de cómputo. En el marco del informe técnico, DSA agrega un indexador que recupera las entradas clave-valor de los k principales y calcula la atención de forma dispersa sobre ese subconjunto, un diseño que mejora tanto la eficiencia de entrenamiento como de inferencia sin sacrificar la comprensión de largo alcance.

"Slime": Infraestructura de post-entrenamiento para escalar el RL de agentes

Fuente: thudm.github.io

Slime se describe como una infraestructura de aprendizaje por refuerzo asíncrono que desacopla la generación de despliegues del entrenamiento, con el objetivo de escalar el RL de agentes sin cuellos de botella de sincronización.

El titular de marketing es "RL asíncrono", pero el punto más profundo es la infraestructura: escalar el post-entrenamiento de agentes generalmente se ve limitado por la sincronización y el rendimiento del despliegue. El informe GLM-5 describe un pipeline que desacopla la generación del entrenamiento, mejorando la utilización de la GPU y permitiendo una exploración mucho más amplia de las trayectorias de los agentes. Además, proponen algoritmos de RL de agentes asíncronos destinados a mejorar la planificación y la autocorrección en interacciones de largo alcance.

Esta es la diferencia entre un modelo que escribe buen código de forma aislada y un modelo que sobrevive a la sucia realidad de los sistemas reales: la salida de las herramientas es ruidosa, los pasos intermedios fallan y el agente debe mantener el estado a lo largo de muchas interacciones. Los autores de GLM-5 miden explícitamente esto utilizando evaluaciones de largo alcance como Vending Bench 2.

Fiabilidad: Menos alucinaciones por una mejor abstención

La alucinación es el asesino silencioso de la "productividad de agentes". Si un agente inventa con confianza firmas de funciones o comportamiento de API, se generan bucles de depuración costosos y automatización frágil. Artificial Analysis informa que GLM-5 alcanza -1 en su índice AA-Omniscience, descrito como una mejora significativa en comparación con GLM-4.7. El matiz importante: esta mejora parece venir con más abstención (el modelo está más dispuesto a decir "no sé" en lugar de adivinar).

Costo y accesibilidad: Pesos abiertos, realidad costosa

GLM-5 es "abierto" en términos de licencia, pero sigue siendo un modelo a escala de vanguardia. Artificial Analysis estima que el almacenamiento de los pesos en BF16 nativo requiere aproximadamente 1490 GB de memoria, lo que limita efectivamente el auto-alojamiento real a organizaciones con clústeres serios de GPU. Es por eso que el enfoque del ecosistema está en las variantes FP8 y los proveedores de inferencia de terceros.

Si estás evaluando GLM-5 para producción, hay tres rutas realistas:

1. API primero (proveedores de primera o tercera parte de Z.ai): tiempo de valor más rápido, escalado más fácil.
2. Auto-alojamiento FP8 (para equipos con infraestructura de GPU): fuerte equilibrio entre costo y rendimiento.
3. Auto-alojamiento BF16 (raro): fidelidad máxima, máximo dolor de hardware.

Servir GLM-5 localmente (punteros mínimos, prácticos)

La tarjeta modelo oficial enumera las pilas de inferencia compatibles, incluidas vLLM y SGLang. Si deseas una verificación rápida de "¿esto funciona en mi entorno?", comienza con los pesos FP8 y un único endpoint compatible con OpenAI.

# Ejemplo: vLLM (nocturno) + Transformers más reciente (según la guía de la tarjeta modelo)
pip install -U vllm --pre --index-url https://pypi.org/simple --extra-index-url https://wheels.vllm.ai/nightly
pip install git+https://github.com/huggingface/transformers.git

# Ejemplo: SGLang a través de Docker (consulta la tarjeta modelo para ver etiquetas y notas de hardware)
docker pull lmsysorg/sglang:glm5-hopper

Cómo se compara GLM-5 en "Calidad de Chat" (Chatbot Arena)

Benchmarks como SWE-bench o Terminal-Bench te hablan de la capacidad de ingeniería. Pero, ¿qué pasa con la preferencia conversacional pura? En GLM-5 obtiene una puntuación de 1455±8 y se sitúa alrededor de los ~15 mejores modelos en general. La parte superior de esa tabla de clasificación todavía está dominada por sistemas propietarios como Claude Opus 4.6.

Traducción: GLM-5 no es solo un "modelo de números". También es fuerte en chat general — pero su ventaja definitoria sigue siendo la ingeniería de agentes + la apertura, no ser el mejor modelo de chat por Elo.

Quién debería usar GLM-5 (y quién no)

GLM-5 es una buena opción si usted…

• desarrolla herramientas para desarrolladores, agentes de codificación o automatización interna que se ejecutan durante muchos pasos.
• necesita pesos abiertos bajo una licencia permisiva para personalización o restricciones en las instalaciones.
• se preocupa por los flujos de trabajo de contexto largo (bases de código con múltiples archivos, documentos grandes, transcripciones largas).
• desea un modelo que esté más dispuesto a abstenerse en lugar de alucinar en dominios de alto riesgo.

GLM-5 no es ideal si usted…

• necesita entrada multimodal nativa (imágenes): GLM-5 es solo de texto.
• desea una instalación local fácil en hardware de consumo (el modelo BF16 es enorme).
• solo necesita chat ocasional; modelos más pequeños o endpoints más económicos pueden ser más eficientes en costos.

Conclusión

GLM-5 es una de las señales más claras hasta ahora de que los modelos "de peso abierto" pueden ser contendientes creíbles en la ingeniería de agentes — no igualando a cada modelo de vanguardia en cada métrica, sino centrándose en las tareas que importan para los sistemas reales: comportamiento de largo alcance, orquestación de herramientas y trabajo de software. El argumento más fuerte no es una sola línea de benchmark, sino la combinación de la escala MoE, el DSA de contexto largo y la infraestructura de RL de agentes diseñada para producir un comportamiento de agente estable.

Si eliges un modelo para crear productos en lugar de demostraciones, GLM-5 vale la pena evaluarlo seriamente, especialmente si la licencia abierta y los flujos de trabajo de agentes son centrales para tu hoja de ruta.

Preguntas Frecuentes (FAQs)