2025年4月14日，中國AI領軍企業智譜AI正式推出GLM-4-32B-0414系列大模型，以32B參數量實現全方位能力躍升。該系列創新性融合對話、推理、沉思等多元智能模塊，在基準測試中展現出與GPT-4o、DeepSeek-V3/R1等國際頂尖模型比肩的綜合性能。尤為關鍵的是，智譜此次以MIT開源協議向全球開放模型權重，結合其突出的本地化部署優勢，真正實現了"高性能"與"普惠性"的雙重突破。作為"大模型六小虎"中IPO進程最快的企業，智譜此番動作既彰顯了國產大模型的技術實力，更為行業樹立了商業化與開源化協同發展的新范式。

效果展示

動畫繪制

網頁設計

提示詞：設計一個支持自定義函數繪制的繪圖板，可以添加和刪除自定義函數，并為函數指定顏色。

給我設計一個移動端機器學習平臺的 UI，其中要包括訓練任務，存儲管理，和個人統計信息界面。個人信息統計界面要用圖表展示用戶過去一段時間的各類資源使用情況。使用 Tailwind CSS 來美化頁面，把這 3 個手機界面平鋪展示到一個 HTML 頁面中。

SVG生成

用 SVG 展示一個 LLM 的訓練流程

相關鏈接

• 論文：https://arxiv.org/pdf/2406.12793
• 官網：https://www.zhipu.ai/
• 試用：https://modelscope.cn/studios/ZhipuAI/GLM-Z1-9B-0414/summary
• 文檔：https://github.com/THUDM/GLM-4/blob/main/README_zh.md
• 模型：https://huggingface.co/collections/THUDM/glm-4-0414-67f3cbcb34dd9d252707cb2e

模型介紹

智譜AI正式推出新一代開源大模型 GLM-4-32B-0414 系列，以 320億參數規模實現多維度能力突破，綜合表現媲美 GPT-4o 和 DeepSeek-V3/R1等頂尖模型。該系列基于15T 高質量數據預訓練，特別強化了推理類合成數據，為后續強化學習優化奠定堅實基礎。  

在后訓練階段，GLM-4-32B-0414 不僅優化了對話場景的人類偏好對齊，更通過拒絕采樣（Rejection Sampling） 和 強化學習（RL） 技術，顯著提升了**指令遵循、工程代碼、函數調用等關鍵能力，使其在智能體任務中表現更加穩定可靠。  

實際測試表明，GLM-4-32B-0414 在代碼生成、Artifacts 構建、函數調用、搜索增強問答等場景下表現優異，部分 Benchmark 甚至接近更大規模的 GPT-4o和 DeepSeek-V3-0324（671B）。同時，該模型延續了 GLM 家族本地化部署友好的特性，結合MIT 開源協議，為開發者與企業提供了更靈活、高效的大模型應用方案。  

作為國產大模型的代表之一，GLM-4-32B-0414 的發布不僅展現了智譜AI的技術實力，也為全球開源社區貢獻了一款兼具**高性能與實用性**的先進模型。

GLM-Z1-32B-0414 是具有深度思考能力的推理模型，這是在 GLM-4-32B-0414 的基礎上，通過冷啟動和擴展強化學習，以及在數學、代碼和邏輯等任務上對模型的進一步訓練得到的。相對于基礎模型，GLM-Z1-32B-0414 顯著提升了數理能力和解決復雜任務的能力。在訓練的過程中，我們還引入了基于對戰排序反饋的通用強化學習，進一步增強了模型的通用能力。

GLM-Z1-Rumination-32B-0414 是具有沉思能力的深度推理模型（對標 Open AI 的 Deep Research）。不同于一般的深度思考模型，沉思模型通過更長時間的深度思考來解決更開放和復雜的問題（例如：撰寫兩個城市AI發展對比情況，以及未來的發展規劃），沉思模型在深度思考過程中結合搜索工具處理復雜任務，并經過利用多種規則型獎勵來指導和擴展端到端強化學習訓練得到。Z1-Rumination 在研究型寫作和復雜檢索任務上的能力得到了顯著提升。

最后，GLM-Z1-9B-0414 是一個驚喜。沿用上述一系列技術，訓練了一個保持開源傳統的 9B 小尺寸模型。盡管規模更小，GLM-Z1-9B-0414 在數學推理和通用任務中依然展現出極為優秀的能力，其整體表現已處于同尺寸開源模型中的領先水平。特別是在資源受限的場景下，該模型在效率與效果之間實現了出色的平衡，為追求輕量化部署的用戶提供了強有力的選擇。

模型列表

GLM-4-9B-0414 由于其較小的模型容量，我們未對其智能體能力進行類似 GLM-4-32B-0414 的強化，主要針對翻譯等需要大批量調用的場景進行優化。

評測結果

GLM-4-0414 系列

對于 SimpleQA 和 HotpotQA，我們分別從測試集中采樣了近500條測試樣例，提供所有模型最基礎的 search 和 click 工具，另外確保其余 Setting 保持一致后，3次評測取平均值。

1. Moatless v0.0.3 使用如下參數 response_format="react", thoughts_in_actinotallow=False, max_interatinotallow=30，未對失敗軌跡進行重試，其余為默認配置
2. Agentless v1.5.0 其中的 Embedding 模型使用了 BGE，基于FAISS進行相似性檢索，為加快patch驗證的速度同時盡可能保證效果，將運行單個實例的超時時間從默認的300s修改為180s
3. OpenHands v0.29.1 未采用 YaRN 上下文擴展，而是限制了最大 60 個 iterations，并對 history 進行 summarization 以防止超出 32K 上下文限制，summarization 配置為 llm_cnotallow="condenser", keep_first=1, max_size=32，同樣未對失敗軌跡進行重試。

GLM-Z1-0414 系列

本文轉載自???AIGC Studio???，作者：AIGC Studio