GLM-5 por Z.ai: O Modelo MoE de Peso Aberto de 744B Fechando a Lacuna em Codificação Agentica

Lisa Ernst · 21.02.2026 · Inteligência Artificial · 9 min

Lançamentos de IA são constantes, mas apenas alguns mudam significativamente a linha de "o que podemos realmente lançar com isso?". GLM-5 de Z.ai (Zhipu AI / Knowledge Atlas Technology) é um desses lançamentos: um modelo sob licença MIT com um alvo claro — engenharia agentica , significando tarefas de longo horizonte como depuração, refatoração, orquestração de ferramentas e pesquisa em escala web. É também um marco estratégico: a Zhipu AI tornou-se listada publicamente em Hong Kong no início de 2026, e o GLM-5 foi anunciado bem no meio de um intenso ciclo competitivo entre laboratórios de IA chineses.

Fonte: GLM-5 posiciona-se como um modelo de "engenharia agentica": contexto longo, uso de ferramentas e trabalho de software, em vez de apenas qualidade de chat.

Resumo Rápido: Por que o GLM-5 é Grande (e o que Não É)

• Peso Aberto sob MIT: pesos lançados para uso comercial (raro neste nível de desempenho).
• Design primeiro para agentes: sintonizado para tarefas de longo horizonte (agentes, chamadas de ferramentas, trabalho em repositório).
• Escala Massiva de MoE: 744B parâmetros totais 40B ativos por token.
• Detalhes do roteamento de experts: 256 experts totais , com 8 experts roteados por token (mais experts compartilhados), otimizados para reduzir a sobrecarga de comunicação.
• Contexto longo: suporta até 200K tokens, habilitado por DeepSeek Sparse Attention (DSA).
• Forte codificação + agentes: pontuações principais incluem 77.8 no SWE-bench Verified e 56.2 / 60.7 no Terminal-Bench 2.0 (versão verificada).
• Mudança na confiabilidade: Artificial Analysis relata -1 no AA-Omniscience (menor alucinação), alcançado em grande parte por melhor comportamento de abstenção. 2.0 (versão verificada).
• Limitação importante: GLM-5 é apenas texto (sem entrada de imagem nativa).
• Verificação da realidade: pesos BF16 nativos são enormes (~1.49 TB de espaço de memória); a maioria das pessoas usará FP8 ou APIs.

Por que o GLM-5 Importa: Capacidade, Abertura e Estratégia de Hardware

A maior parte do desempenho "fronteiriço" vive atrás de APIs proprietárias. O GLM-5 é interessante porque tenta combinar três coisas: (1) desempenho de agente de ponta em benchmarks públicos, (2) disponibilidade aberta sob uma licença permissiva e (3) prontidão para ecossistema não-NVIDIA (Z.ai declara otimização full-stack em múltiplas plataformas de chip domésticas; Reuters também observou inferência em chips fabricados na China, incluindo Huawei Ascend e outros).

Se você é um desenvolvedor ou uma equipe construindo ferramentas, o valor é óbvio: modelos de peso aberto são a única rota prática para personalização profunda, implantação on-premise e avaliação repetível. Mas a história "aberta" do GLM-5 vem com uma ressalva: é peso aberto, mas extremamente grande — o que significa que a economia de implantação decide quem pode realmente usá-lo localmente.

Placar de Benchmark: Os Números Que as Pessoas Citam (com Contexto)

Abaixo está um placar compacto baseado nos benchmarks oficiais do cartão de modelo GLM-5 (a mesma tabela que compara com DeepSeek-V3.2, Kimi K2.5, Claude Opus 4.5, Gemini 3 Pro e variantes GPT-5.2). O ponto chave: veja quais benchmarks correspondem à sua carga de trabalho.

Principais Resultados de Benchmark (GLM-5 vs. pares de fronteira selecionados)

Por que as configurações de benchmark importam (e o que os autores do GLM-5 divulgam)

Um detalhe útil: o cartão de modelo GLM-5 inclui notas de avaliação (frameworks, timeouts, tamanhos de contexto). Por exemplo, SWE-bench usa OpenHands com um prompt personalizado, e Terminal-Bench roda via Terminus sob limites de CPU/RAM. Eles também publicam um conjunto de dados "verificado" Terminal-Bench 2.0 para abordar instruções ambíguas e problemas de ambiente — que é exatamente o tipo de transparência que torna os resultados mais acionáveis.

Arquitetura: 744B MoE + DSA Long Context (200K tokens)

GLM-5 é um modelo Mixture-of-Experts (MoE): capacidade total enorme, mas apenas uma fração está ativa por token. O relatório técnico descreve o GLM-5 como tendo 744B parâmetros totais com 40B ativados. O mesmo relatório lista 256 experts totais, com 8 experts roteados por token, e uma arquitetura sintonizada para reduzir a sobrecarga de paralelismo de experts (por exemplo, menos camadas em comparação com variantes anteriores).

Contexto longo não é apenas "mais tokens": requer mudanças arquitetônicas e de dados para evitar colapso na qualidade da atenção. GLM-5 integra DeepSeek Sparse Attention (DSA) para preservar a capacidade de contexto longo enquanto reduz os custos computacionais. Na estrutura do relatório técnico, DSA adiciona um indexador que recupera os principais-k pares chave-valor e calcula a atenção esparsamente sobre esse subconjunto — um design que melhora a eficiência tanto no treinamento quanto na inferência sem perder a compreensão de longo alcance.

"Slime": Infraestrutura de Pós-Treinamento para Escalar Agente RL

Fonte: thudm.github.io

Slime é descrito como uma infraestrutura assíncrona de aprendizado por reforço que desacopla a geração de rollouts do treinamento, visando escalar agente RL sem gargalos de sincronização.

O slogan de marketing é "RL assíncrono", mas o ponto mais profundo é a infraestrutura: dimensionar o pós-treinamento de agentes geralmente é limitado pela sincronização e pela taxa de transferência de rollouts. O relatório GLM-5 descreve um pipeline que desacopla a geração do treinamento, melhorando a utilização da GPU e permitindo uma exploração muito mais ampla de trajetórias de agentes. Além disso, eles propõem algoritmos de agente RL assíncrono destinados a melhorar o planejamento e a autocorreção em interações de longo horizonte.

Esta é a diferença entre um modelo que escreve código bom isoladamente e um modelo que sobrevive à realidade bagunçada de sistemas reais: a saída da ferramenta é barulhenta, passos intermediários falham e o agente deve manter o estado em muitas interações. Os autores do GLM-5 medem explicitamente isso usando avaliações de longo horizonte como o Vending Bench 2.

Confiabilidade: Menor Alucinação por Melhor Abstenção

A alucinação é o assassino silencioso da "produtividade agentica". Se um agente inventa confiantemente assinaturas de funções ou comportamento de API, você obtém loops de depuração caros e automação frágil. Artificial Analysis relata que o GLM-5 atinge -1 em seu AA-Omniscience Index — descrito como uma melhoria significativa em relação ao GLM-4.7. A nuance importante: essa melhoria parece vir com mais abstenção (o modelo está mais disposto a dizer "não sei" em vez de adivinhar).

Custo e Acessibilidade: Pesos Abertos, Realidade Cara

GLM-5 é "aberto" em termos de licenciamento, mas ainda é um modelo de escala de fronteira. Artificial Analysis estima que o armazenamento dos pesos em BF16 nativo requer aproximadamente 1.490 GB de memória — efetivamente limitando a auto-hospedagem real a organizações com clusters de GPU sérios. É por isso que o foco do ecossistema está em variantes FP8 e provedores de inferência de terceiros.

Se você está avaliando o GLM-5 para produção, existem três rotas realistas:

1. API-first (provedores first-party da Z.ai ou de terceiros): tempo mais rápido para valor, escalabilidade mais fácil.
2. Auto-hospedagem FP8 (para equipes com infraestrutura de GPU): forte trade-off entre custo e desempenho.
3. Auto-hospedagem BF16 (raro): fidelidade máxima, dor de hardware máxima.

Servindo GLM-5 localmente (apontamentos mínimos e práticos)

O cartão de modelo oficial lista pilhas de inferência suportadas, incluindo vLLM e SGLang. Se você quiser uma verificação rápida de sanidade "isso funciona no meu ambiente?", comece com os pesos FP8 e um único endpoint compatível com OpenAI.

# Exemplo: vLLM (nightly) + último Transformers (conforme orientação do cartão de 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

# Exemplo: SGLang via Docker (verifique o cartão de modelo para tags e notas de hardware)
docker pull lmsysorg/sglang:glm5-hopper

Como o GLM-5 se Compara em "Qualidade de Conversa" (Chatbot Arena)

Benchmarks como SWE-bench ou Terminal-Bench falam sobre habilidade de engenharia. Mas e a preferência pura de conversação? No GLM-5 pontua 1455±8 e fica em torno dos ~15 melhores modelos gerais. O topo dessa classificação ainda é dominado por sistemas proprietários como o Claude Opus 4.6.

Tradução: GLM-5 não é apenas um "modelo de números". Ele também é forte em conversas gerais — mas sua vantagem definidora permanece a engenharia agentica + abertura, não ser o único melhor modelo de conversa por Elo.

Quem Deve Usar o GLM-5 (e Quem Não Deve)

GLM-5 é uma boa opção se você...

• constrói ferramentas de desenvolvedor, agentes de codificação ou automação interna que rodam por muitos passos.
• precisa de pesos abertos sob uma licença permissiva para personalização ou restrições on-premise.
• se importa com fluxos de trabalho de contexto longo (bases de código com vários arquivos, documentos grandes, transcrições longas).
• quer um modelo que esteja mais disposto a se abster em vez de alucinar em domínios de alto risco.

GLM-5 não é ideal se você...

• precisa de entrada multimodal nativa (imagens) — GLM-5 é apenas texto.
• quer uma instalação local fácil em hardware de consumidor (o modelo BF16 é enorme).
• só precisa de conversas casuais; modelos menores ou endpoints mais baratos podem ser mais econômicos.

Conclusão

GLM-5 é um dos sinais mais claros de que modelos "peso aberto" podem ser contendores credíveis em engenharia agentica — não igualando todos os modelos de fronteira em todas as métricas, mas focando nas tarefas que importam para sistemas reais: comportamento de longo horizonte, orquestração de ferramentas e trabalho de software. O argumento mais forte não é uma única linha de benchmark — é a combinação de escala MoE, DSA de contexto longo e infraestrutura de agente RL projetada para produzir comportamento de agente estável.

Se você está escolhendo um modelo para construir produtos em vez de demonstrações, o GLM-5 vale uma avaliação séria — especialmente se licenciamento aberto e fluxos de trabalho agenticos são centrais para seu roteiro.

Perguntas Frequentes (FAQs)