Z.ai 的 Zixuan Li 讲 GLM-5.2。他这场的主张很直接：frontier intelligence 和 open weights 可以同时存在。软件工厂要长期成立，不能只依赖封闭模型。
原视频：https://www.youtube.com/watch?v=htM02KMNZnk
GLM 不只是一个名字
Zixuan 先解释了 Z.ai 和 GLM 的关系。GLM 原本代表 general language model。即使今天模型架构已经变化，GLM 仍然作为品牌名保留下来。
他把 GLM 放在 OpenAI、Anthropic、DeepMind 等前沿模型的语境里对比，也提到 Terminal Bench 2.1 等长程任务 benchmark。这里我不把榜单数字逐项展开，因为单篇文章很容易变成模型广告。他真正想证明的是：开源权重模型不再只是便宜替代，而是要进入前沿能力讨论。
这对软件工厂很重要。因为软件工厂不是一次聊天，而是大量任务、长期运行、接触真实代码和真实数据。团队会同时关心质量、成本、延迟、数据边界、部署位置和可控性。
闭源前沿模型通常先给你最强能力。开放权重模型则给你另一种东西：可部署、可检查、可微调、可在特殊环境里运行。这些能力在企业场景里很现实。
模型路由会成为常态
当天后面 Tereza、Sarah、Lee 等人都从不同角度提到模型选择。不是所有任务都应该丢给最强模型。便宜模型可以做重复工作，强模型处理复杂判断，开放模型承担数据边界敏感的场景，专用模型处理垂直任务。
Z.ai 这场放在早上很合适，因为它提醒大家：software factory 的底座不会是单一模型。一个成熟系统会像今天的云基础设施一样，把多种算力、多种存储、多种服务拼起来。
如果你把 AI 编程看成个人 productivity，模型强弱最显眼。如果你把它看成工厂，模型可替换性、部署控制和成本曲线就会变得同样重要。
开源权重的长期位置
我觉得开放权重的长期位置会更像基础设施，而不是开发者玩具。早期大家用开源模型是因为便宜、好玩、能本地跑。接下来，企业会因为控制权而认真看它。
这不代表开源模型会取代闭源模型。更可能的状态是混合。一个 software factory 会有模型路由层：简单任务走便宜模型，复杂任务走强模型，敏感任务走自部署模型，需要生态工具时走特定平台。
Z.ai 的意义就在这里。它把开放权重从 “可用” 推向 “可进入前沿工程系统”。这一步对 AI 工程师很关键，因为长期系统不能把所有命门交给一个 API。
开放权重为什么会进入软件工厂讨论
Z.ai 这场的意义，不只是又一个模型团队展示 benchmark。它把开放权重放进了前沿智能的竞争里。对软件工厂来说，这一点很关键。
软件工厂不是玩具调用。它会处理真实代码、企业知识、客户数据、内部系统和长期任务。团队会问很多问题：数据能不能离开公司，模型能不能私有部署，成本能不能预测，延迟能不能接受，某些任务能不能固定使用某个版本。开放权重给了这些问题更多选择。
闭源前沿模型仍然很强，但企业不可能把所有任务都交给一个黑盒。越接近核心流程，团队越需要控制权。开放权重模型不一定在所有指标上第一，但它能进入部署、审计、微调、成本控制和本地化这些工程问题。
benchmark 之外要看什么
Zixuan Li 讲了多个评测和对比，但我更关心的是 benchmark 之外的能力。一个模型能不能进入软件工厂，要看它是否稳定处理长上下文、是否能遵守工具调用格式、是否能在多轮任务里保持目标、是否能在失败时给出可诊断信息。
代码任务尤其如此。一次 pass 的 benchmark 不能代表真实工程。真实工程里会有不完整 spec、奇怪历史代码、权限限制、测试失败、依赖冲突、review 修改。模型要在这些噪声里工作，才算进入生产。
多模型路线会更现实
我的判断是，未来团队不会只问“哪个模型最好”，而会问“这个任务用哪个模型最合适”。强 reasoning 模型处理复杂设计，快速模型处理分类和摘要，本地开放模型处理敏感数据，便宜模型跑批量清洗，专门代码模型处理小改动。
这正是开放权重模型的位置：它不是一定替代所有闭源模型，而是让软件工厂拥有更多可控执行单元。模型市场越成熟，调度和路由越重要。Z.ai 这场把这个趋势提前摆上了台面。
来源与说明
本文基于 AI Engineer World’s Fair 2026 Day 1 主舞台视频转录、官方日程信息，以及本地 AI engineering 知识库整理。文章不是逐字稿，而是按单场分享的主线、上下文和工程启发重写。
评论前必须登录！
立即登录 注册