智谱GLM-5.1开源模型性能超越Opus4.6
优化CUDA Kernel这件事，最近被AI技术结结实实地冲击了一波。
现在，只需要给AI十四个小时，它就能帮你把CUDA Kernel的性能提升，从最初的2.6倍一路推高到惊人的35.7倍。
这是什么概念？
过去，这需要资深CUDA工程师耗费数月时间，反复测试、调优，甚至推倒重来才能完成。如今，AI在你休息的间隙就能搞定。
更令人印象深刻的是，AI在这个过程中展现出了近乎专家级的“直觉”。
例如在优化初期，它尝试在现有高层框架内寻找解决方案，但很快通过自主运行测试发现性能遇到了瓶颈。随后，它做出了一个颇具洞见的决策——果断放弃高层框架，转向底层的C++进行硬核重写。
整整14个小时，整个过程完全自动化：AI自主发现瓶颈、自主切换技术栈、自主重新编译、自主完成测试。
那么，完成这一切的究竟是哪路“神仙”模型？
答案并不陌生，正是来自智谱的开源模型——GLM-5.1。
随着这种处理长程任务能力的显著提升，智谱官方也宣布了一项重要突破：其模型实力已稳居全球开源模型的领先地位。
更多的权威评测榜单也印证了这一点。
在被誉为“软件工程能力试金石”的SWE-bench Pro基准测试中，GLM-5.1刷新了全球最佳成绩，超越了Claude Opus 4.6、GPT-5.4等一系列头部模型，拿下全球第一。
甚至在海外开发者社区中，已经出现了讨论弃用Claude Max，转而采用GLM-5.1的声音。
HuggingFace的CEO也公开表示，SWE-Bench Pro中性能最强的模型已经开源了。
这一切成绩的背后，核心驱动力正是智谱AI在小时级长程任务处理能力上的突破。
给AI几个小时，一切都不一样了
当前主流的大模型，大多数仍处于“分钟级交互”的阶段。但GLM-5.1的交付单位发生了根本变化——它开始交付完整的项目。
接下来，我们通过几个实测案例，具体看看GLM-5.1的实力究竟如何。
调用工具1000轮，优化真实机器学习模型负载
第一个测试延续CUDA优化的话题。我们让GLM-5.1挑战KernelBench Level 3优化基准。该基准包含50个真实的机器学习计算负载，高度还原工业场景，考验的是端到端的完整优化能力，而非简单的单一算子调试。
在超过24小时的不间断迭代中，GLM-5.1全程自主运行，无需人类专家干预，持续完成“编译-测试-分析-重写”的闭环。最终结果是：实现了3.6倍的几何平均加速比。作为对比，torch.compile的max-autotune模式仅能达到1.49倍，差距超过一倍。
从过程来看，GLM-5.1能够自主编写定制的Triton Kernel和CUDA Kernel，运用cuBLASLt epilogue融合技术，并实施共享内存分块与CUDA Graph优化。这些策略覆盖了从高层算子融合到微架构级调优的完整技术栈，每一步都源于模型的自主决策。
这再次表明，在GPU内核优化这个传统上高度依赖专家经验的领域，AI模型已经展现出从问题分析、方案设计到迭代调优的端到端自主工作能力。
1小时从零构建MacOS桌面环境
在另一个测试中，我们向GLM-5.1提交了一份3000字的产品需求文档，核心要求是：从零开始复刻MacOS的核心UI与交互。不仅需要前端界面，还必须包含窗口管理器、Dock栏调度以及模拟的底层文件系统。
这对于一个标准的前端工程团队来说，至少需要数天时间才能打磨出原型。但GLM-5.1将时间压缩到了小时级别。
在分析完任务后，模型便开始自主编程。1小时后，在没有任何人工参与的情况下，一个功能完整的MacOS桌面环境便构建完成。
最终，经过655轮迭代，GLM-5.1将向量数据库的查询吞吐量从初次交付的3108 QPS，一路提升至21472 QPS，达到初始版本的6.9倍。
AI能独立工作多久，成了新标准
GLM-5.1此次引发广泛关注，本质上是因为它触及了AI行业的下一个核心竞争点：长程任务处理能力。
2025年3月，全球顶尖的AI安全研究机构METR提出了一个改变行业认知的新指标：任务完成时间线。这个指标的核心思想是，不再仅仅用答题准确率来衡量模型的智能程度，而是用它能独立、连续完乘人类专家级任务的时间长度来衡量。
研究显示，前沿模型能处理的独立任务时长，大约每7个月就会翻一倍。这条指数曲线被《麻省理工科技评论》称为“AI领域最重要的一张图”。红杉资本在2026年初更是直接断言：“这就是通向AGI的核心方向”，并指出2023-2024年的AI主要是“对话者”，而2026-2027年的AI将进化为能真正落地干活的“执行者”。
而GLM-5.1，是全球首个在真实工程任务中，验证了具备8小时持续自主工作能力的开源模型。它能在单次任务中，持续规划、执行、测试，遇到障碍时主动切换策略，出错后自行修复，最终交付完整的工程成果。
GLM-5.1实现这一能力，源于三个维度的系统性技术突破：
第一，更强的长程规划与目标保持能力。它能将复杂的大目标，拆解为可执行的多阶段计划，并在长达十几小时、上千个步骤的执行过程中，始终牢记最终目标。简单说，就是干到第十步，还记得第二步定下的规矩。
第二，更稳的自适应纠错与持续执行能力。它实现了代码编写、工具调用、环境调试、API对接等多个环节的稳定衔接。中途出错时，不会停滞等待人工干预，而是会自主查看错误日志、定位问题根源、修复漏洞，甚至自己编写回归测试用例来验证修复效果。
第三，更好的状态延续与上下文整合能力。面对长时间跨度、多轮反馈和百万级token的上下文信息，它能稳定追踪已完成的工作、当前所处的阶段以及下一步的核心动作，持续整合新信息，确保整个执行链路的一致性。
开源模型看中国，更得看智谱
GLM-5.1的出现，不仅是模型能力的升级，更在某种程度上改写了全球大模型行业的叙事逻辑。
长期以来，中国的开源模型常被置于“追赶者”的位置，与美国的顶尖闭源模型存在感知上的差距。GLM-5.1彻底打破了这一局面：它在权威榜单上对齐了Claude Opus 4.6，并在SWE-bench Pro等核心工程能力指标上实现了反超，使得中国开源AI在关键工程能力上与全球前沿水平并驾齐驱。
更重要的是，它的影响远超模型本身，正在重构万亿级IT服务市场的底层逻辑。
AI编程的进化路径清晰可见：从程序员的提效工具，到降低编码门槛的助手，再到能独立完成任务的初级工程师。而GLM-5.1所展现的长程任务能力，直接将AI推向了能持续工作数小时、交付完整项目的新阶段。
当AI的交付单位从“一行代码”变为“一个完整项目”时，它冲击的是整个软件工程的生产关系。原本需要一个4人团队工作一周，或一位资深工程师耗时数月的优化任务，现在AI可能在数小时内就能完成。这必将重构许多行业的人力配置与成本定价逻辑。
当然，我们无需陷入“AI将替代程序员”的焦虑。历史经验表明，技术进步淘汰的从来不是职业，而是固守旧技能的人。就像计算机的普及没有淘汰会计，只是淘汰了不会使用计算机的会计；AI的到来也不会淘汰开发者，但可能会淘汰那些无法驾驭AI的开发者。
GLM-5.1的出现，向整个行业抛出了一个核心问题：当AI已经能够自主完成长达数小时的复杂长程任务，实现从规划、执行、纠错到项目交付的全闭环时，人类的不可替代性究竟在哪里？
答案或许在于定义问题、创造价值、做出关键战略决策的能力。这些能力，目前仍然是人类暂时无法被替代的核心护城河。
对中国AI行业而言，GLM-5.1只是一个开始。当开源模型达到全球顶尖的工程水平，当AI从“对话者”全面转向“执行者”，整个行业必将迎来更为彻底和深刻的变革。
相关攻略
CUDA13 3版本新增了对C++编写分块内核的支持，使开发者能在现有C++GPU代码库中直接使用CUDATile编程模型。该模型基于“分块”概念，自动利用张量核心、共享内存等硬件特性，无需繁琐的底层编码。与传统SIMT模型相比，它通过声明数据分块和运算逻辑，隐藏了并行、内存移动等细节，简化了开发过程，并具备跨GPU架构的移植性。
智谱开源模型GLM-5 1在长程任务处理上取得突破，仅用14小时即将CUDAKernel性能提升数十倍，全程自主完成分析、重写与测试。该模型在SWE-benchPro基准测试中位列全球第一，能力已从代码生成升级为完整项目交付，例如一小时构建MacOS桌面环境，大幅提升工程效率。这标志着AI正从“对话者”转向“执行者”，推动软件工程生产力变革。
在人工智能与高性能计算领域，CUDA编程是释放GPU极致算力的核心技术。它要求开发者不仅精通算法逻辑，更要深刻理解GPU硬件架构与并行计算原理，掌握复杂的内存管理与性能调优技巧。作为现代AI计算的基石，其陡峭的学习门槛让众多开发者望而却步。如今，来自清华大学智能产业研究院（AIR）与字节跳动种子团队
QLoRA微调Gemma模型时CUDA设备断言失败的完整解决方案 本文详解QLoRA+PEFT微调Gemma等大模型时，因CUDA上下文未正确初始化导致的device >= 0 && device < num_gpus断言错误，提供从环境重置、配置修正到稳健训练的全流程避坑指南。 如果你正在使用QL
中国寻求突破NVIDIA CUDA护城河：一种前所未有的新方式 4月8日消息，在寻求突破NVIDIA CUDA生态壁垒的种种尝试中，有一个战略级的变通方案，其思路相当值得深入探讨。 时间拉回到不久前的SEMICON CHINA 2026全球半导体产业战略峰会。会上，中国半导体行业协会副理事长、IC设
热门专题
热门推荐
来看一组让人揪心的数字：截至5月28日，超过半数的委内瑞拉民众，选择支持经济“美元化”——他们想要用美元来对抗全球数一数二的恶性通胀。根据AtlasIntel的调研，31%的受访者明确支持美元化，另有26%的人表示强烈支持，加起来支持率高达57%；而明确反对或强烈反对的，合计只有30%。换句话说，在
游戏开局，玩家第一眼看到的主角是谁？没错，就是零。不过这里有个挺常见的误会——很多人会下意识觉得零是女主角，那是不是还有个男主角？其实不然。进入游戏之后，外观是可以自由选择的，性别、形象都由你定，男女主角本质上都是同一个人。两种造型唯一的区别就是视觉风格，至于基础属性、成长路线、技能体系，完全一致。
或许有人觉得，AI音乐生成工具不过是图个新鲜感，与专业音乐制作相距甚远。但5月28日，ElevenLabs推出的Music v2，很可能改变这一印象。这次升级版音乐生成模型，已不再停留在去年那个“新手友好”的初级阶段，而是在工作流、版权合规和落地场景上都做了充分布局。 一、核心进化：创作从“一次性生
iPhone20周年纪念款将采用四曲面屏与圆润边框设计，边框仅1 1毫米，但边缘亮度存在失真问题，苹果正与三星、LG合作解决。若无法攻克，可能沿用平面边框。该款预计2027年亮相，属于Pro系列，含双版本，并计划采用屏下前摄与FaceID。
对于技术从业者而言，面试备考始终是一个老生常谈却又不断变化的话题。时间碎片化、知识点庞杂、实战表达欠缺，每一项都可能成为关键时刻的瓶颈。有没有一种方法，能让我们把通勤、运动等零散时间充分利用起来，高效地“打磨技能”呢？今天要介绍的「播面」，或许就是一个值得关注的解题新思路。 播面是什么 简单来说，「