GLM-5 par Z.ai : Le modèle MoE open-weight de 744B réduit l'écart en matière de codage agentique

Lisa Ernst · 21.02.2026 · Intelligence Artificielle · 9 min

Les sorties d'IA sont constantes, mais peu font réellement évoluer la ligne « qu'est-ce que nous pouvons réellement livrer avec ceci ? ». GLM-5 de Z.ai (Zhipu AI / Knowledge Atlas Technology) est l'une de ces sorties : un modèle sous licence MIT avec un objectif clair — l'ingénierie agentique , c'est-à-dire les tâches à long horizon comme le débogage, le refactoring, l'orchestration d'outils et la recherche à l'échelle du web. C'est aussi une étape stratégique : Zhipu AI est entré en bourse à Hong Kong début 2026, et GLM-5 a été annoncé en plein milieu d'un cycle compétitif intense entre les laboratoires d'IA chinois.

Source: GLM-5 se positionne comme un modèle d'« ingénierie agentique » : contexte long, utilisation d'outils et travail logiciel plutôt que seulement la qualité du chat.

Résumé rapide : Pourquoi GLM-5 est important (et ce qu'il n'est pas)

• Open-weight sous MIT : poids publiés pour usage commercial (rare à ce niveau de performance).
• Conception axée sur l'agent : optimisé pour les tâches à long horizon (agents, appel de fonctions, travail sur dépôt).
• Échelle MoE massive : 744 milliards de paramètres au total 40 milliards actifs par token.
• Détails du routage des experts : 256 experts au total , avec 8 experts routés par token (plus les experts partagés), optimisé pour réduire la surcharge de communication.
• Contexte long : prend en charge jusqu'à 200K tokens, activé par DeepSeek Sparse Attention (DSA).
• Solide en codage + agents : les scores principaux incluent 77.8 sur SWE-bench Verified et 56.2 / 60.7 sur Terminal-Bench 2.0 (version vérifiée).
• Changement de fiabilité : Artificial Analysis rapporte -1 sur AA-Omniscience (moins d'hallucinations), obtenu en grande partie par un meilleur comportement d'abstention. 2.0 (version vérifiée).
• Limitation importante : GLM-5 est uniquement textuel (pas d'entrée d'image native).
• Vérification de la réalité : les poids BF16 natifs sont énormes (~1,49 To d'empreinte mémoire) ; la plupart des gens utiliseront des FP8 ou des API.

Pourquoi GLM-5 est important : Capacités, Ouverture et Stratégie Matérielle

La plupart des performances « de pointe » sont derrière des API propriétaires. GLM-5 est intéressant car il essaie de combiner trois choses : (1) performance agentique haut de gamme sur les benchmarks publics, (2) disponibilité ouverte sous une licence permissive, et (3) prêt pour l'écosystème non-NVIDIA (Z.ai déclare une optimisation full-stack sur plusieurs plateformes de puces domestiques ; Reuters a également noté une inférence sur des puces fabriquées en Chine, y compris Huawei Ascend et autres).

Si vous êtes développeur ou une équipe qui crée des outils, la valeur est évidente : les modèles open-weight sont la seule voie pratique pour une personnalisation approfondie, un déploiement sur site et une évaluation répétable. Mais l'histoire « ouverte » de GLM-5 a une contrepartie : il est open-weight, mais extrêmement grand — ce qui signifie que l'économie du déploiement détermine qui peut réellement l'utiliser localement.

Feuille de score de benchmarks : Les chiffres que les gens citent (avec contexte)

Ci-dessous se trouve une feuille de score compacte basée sur les benchmarks officiels de la carte modèle GLM-5 (même tableau qui compare avec DeepSeek-V3.2, Kimi K2.5, Claude Opus 4.5, Gemini 3 Pro, et les variantes GPT-5.2). La clé : regardez quels benchmarks correspondent à votre charge de travail.

Résultats clés des benchmarks (GLM-5 vs pairs de pointe sélectionnés)

Pourquoi les configurations de benchmarks sont importantes (et ce que les auteurs de GLM-5 divulguent)

Un détail utile : la carte modèle GLM-5 inclut des notes d'évaluation (frameworks, timeouts, tailles de contexte). Par exemple, SWE-bench utilise OpenHands avec un prompt adapté, et Terminal-Bench s'exécute via Terminus sous des limites de CPU/RAM. Ils publient également un ensemble de données « vérifié » Terminal-Bench 2.0 pour résoudre les instructions ambiguës et les problèmes d'environnement — ce qui est exactement le type de transparence qui rend les résultats plus exploitables.

Architecture : MoE 744B + DSA Contexte Long (200K tokens)

GLM-5 est un modèle Mixture-of-Experts (MoE) : capacité totale énorme, mais seule une partie est active par token. Le rapport technique décrit GLM-5 comme 744 milliards de paramètres au total avec 40 milliards activés. Le même rapport liste 256 experts au total, avec 8 experts routés par token, et une architecture optimisée pour réduire la surcharge de parallélisme des experts (par ex., moins de couches par rapport aux variantes précédentes).

Le contexte long n'est pas seulement « plus de tokens » : il nécessite des changements architecturaux et de données pour éviter un effondrement de la qualité de l'attention. GLM-5 intègre le DeepSeek Sparse Attention (DSA) pour préserver la capacité de contexte long tout en réduisant les coûts de calcul. Dans le cadre du rapport technique, le DSA ajoute un indexeur qui récupère les entrées clé-valeur top-k et calcule l'attention de manière éparse sur ce sous-ensemble — une conception qui améliore l'efficacité de l'entraînement et de l'inférence sans sacrifier la compréhension à longue portée.

« Slime » : Infrastructure de post-entraînement pour la mise à l'échelle de l'Apprentissage par Renforcement des Agents

Source: thudm.github.io

Slime est décrit comme une infrastructure d'apprentissage par renforcement asynchrone qui découple la génération de déploiements de l'entraînement, visant à mettre à l'échelle le RL des agents sans goulots d'étranglement de synchronisation.

Le titre marketing est « RL asynchrone », mais le point plus profond est l'infrastructure : la mise à l'échelle du post-entraînement des agents est généralement limitée par la synchronisation et le débit des déploiements. Le rapport GLM-5 décrit un pipeline qui découple la génération de l'entraînement, améliorant l'utilisation du GPU et permettant une exploration beaucoup plus large des trajectoires d'agents. De plus, ils proposent des algorithmes de RL d'agents asynchrones destinés à améliorer la planification et l'auto-correction dans les interactions à long horizon.

C'est la différence entre un modèle qui écrit du code agréable en isolation et un modèle qui survit à la réalité chaotique des systèmes réels : la sortie des outils est bruyante, les étapes intermédiaires échouent, et l'agent doit maintenir son état sur de nombreux tours. Les auteurs de GLM-5 mesurent explicitement cela à l'aide d'évaluations à long horizon comme Vending Bench 2.

Fiabilité : Moins d'hallucinations par une meilleure abstention

L'hallucination est le tueur silencieux de la « productivité agentique ». Si un agent invente avec confiance des signatures de fonctions ou un comportement d'API, vous obtenez des boucles de débogage coûteuses et une automatisation fragile. Artificial Analysis rapporte que GLM-5 atteint -1 sur son Indice AA-Omniscience — décrit comme une amélioration significative par rapport à GLM-4.7. La nuance importante : cette amélioration semble s'accompagner de plus d'abstention (le modèle est plus disposé à dire « je ne sais pas » plutôt que de deviner).

Coût et Accessibilité : Poids Ouverts, Réalité Coûteuse

GLM-5 est « ouvert » en termes de licence, mais c'est toujours un modèle à l'échelle de pointe. Artificial Analysis estime que le stockage des poids en BF16 natif nécessite environ 1 490 Go de mémoire — limitant effectivement l'auto-hébergement réel aux organisations disposant de clusters GPU sérieux. C'est pourquoi l'écosystème se concentre sur les variantes FP8 et les fournisseurs d'inférence tiers.

Si vous évaluez GLM-5 pour la production, il existe trois voies réalistes :

1. API d'abord (fournisseurs directs ou tiers de Z.ai) : temps de mise en valeur le plus rapide, mise à l'échelle la plus facile.
2. Auto-hébergement FP8 (pour les équipes disposant d'une infrastructure GPU) : excellent compromis entre coût et performance.
3. Auto-hébergement BF16 (rare) : fidélité maximale, douleur matérielle maximale.

Servir GLM-5 localement (pointeurs minimaux et pratiques)

La carte modèle officielle liste les piles d'inférence prises en charge, y compris vLLM et SGLang. Si vous souhaitez une vérification rapide « est-ce que cela fonctionne dans mon environnement ? », commencez par les poids FP8 et un point de terminaison unique compatible OpenAI.

# Exemple : vLLM (nuit) + Transformers récent (selon les instructions de la carte modèle)
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

# Exemple : SGLang via Docker (vérifiez la carte modèle pour les tags et les notes matérielles)
docker pull lmsysorg/sglang:glm5-hopper

Comment GLM-5 se compare en « qualité de chat » (Chatbot Arena)

Les benchmarks comme SWE-bench ou Terminal-Bench vous renseignent sur la capacité d'ingénierie. Mais qu'en est-il de la préférence conversationnelle pure ? Sur GLM-5 score 1455±8 et se classe autour du top ~15 modèles au total. Le sommet de ce classement est toujours dominé par des systèmes propriétaires comme Claude Opus 4.6.

Traduction : GLM-5 n'est pas seulement un « modèle à chiffres ». Il est également performant dans le chat général — mais son avantage déterminant reste l'ingénierie agentique + l'ouverture, pas le fait d'être le meilleur modèle de chat par Elo.

Qui devrait utiliser GLM-5 (et qui ne devrait pas)

GLM-5 est un bon choix si vous...

• créez des outils pour développeurs, des agents de codage ou des automatisations internes qui s'exécutent pendant de nombreuses étapes.
• avez besoin de poids ouverts sous une licence permissive pour la personnalisation ou les contraintes sur site.
• vous souciez des flux de travail à contexte long (bases de code à plusieurs fichiers, grands documents, longues transcriptions).
• voulez un modèle plus disposé à s'abstenir plutôt qu'à halluciner dans des domaines à haut risque.

GLM-5 n'est pas idéal si vous...

• avez besoin d'une entrée multimodale native (images) — GLM-5 est uniquement textuel.
• voulez une installation locale facile sur du matériel grand public (le modèle BF16 est énorme).
• n'avez besoin que de discussions occasionnelles ; des modèles plus petits ou des points de terminaison moins chers peuvent être plus rentables.

Conclusion

GLM-5 est l'un des signaux les plus clairs à ce jour que les modèles « open-weight » peuvent être des concurrents crédibles en ingénierie agentique — non pas en égalant chaque modèle de pointe sur chaque métrique, mais en se concentrant sur les tâches qui comptent pour les systèmes réels : comportement à long horizon, orchestration d'outils et travail logiciel. L'argument le plus fort n'est pas une seule ligne de benchmark — c'est la combinaison de l'échelle MoE, du DSA à contexte long, et de l'infrastructure RL d'agents conçue pour produire un comportement d'agent stable.

Si vous choisissez un modèle pour construire des produits plutôt que des démos, GLM-5 mérite une évaluation sérieuse — surtout si la licence ouverte et les flux de travail agentiques sont au cœur de votre feuille de route.

Questions Fréquemment Posées (FAQ)