智谱发了国内最好的编程模型，国产芯片赛道迎来又一利好消息！

9月30日，国产大模型独角兽智谱发布新一代大模型 GLM-4.6，代码能力全面进阶。作为GLM系列的最新版本，GLM-4.6在真实编程、长上下文处理、推理能力、信息搜索、写作能力与智能体应用等多个方面实现全面提升，整体性能超越DeepSeek昨日发布的最新模型DeepSeek-V3.2-Exp。尤其是在高级编码能力方面，在公开基准与真实编程任务中，GLM-4.6的代码能力对齐全球领先的Claude Sonnet 4，是国内已知的最好的Coding（编程）模型。

值得注意的是，DeepSeek昨日发布最新模型DeepSeek-V3.2-Exp，华为、寒武纪、海光信息等AI芯片厂商纷纷宣布已适配DeepSeek-V3.2-Exp。继DeepSeek-V3.2-Exp之后，智谱GLM-4.6也适配寒武纪与摩尔线程芯片，业内人士分析称，国产大模型与国产芯片协同正加速进入新阶段，朝着软硬协同的统一生态演进，国内AI产业的发展有望进一步加速。

对标全球领先模型，编程能力再进阶

9月30日，国内大模型独角兽智谱正式发布并开源新一代大模型GLM-4.6，在Agentic Coding（智能体驱动编码）等核心能力上实现大幅跃升。

据智谱介绍，在AIME 25、GPQA、LCB v6等八大模型通用能力的评估中，GLM-4.6在大部分权威榜单表现对齐全球领先的Claude Sonnet 4，成为目前国内最强的Coding模型。

为了测试模型在实际编程任务中的能力，在Claude Code环境下进行的74个真实场景编程任务测试结果显示，GLM-4.6实测超过Claude Sonnet 4，超越其他国产模型。

同时，模型在长上下文处理、推理能力、信息检索、文本生成及智能体应用等方面均实现全面升级，整体性能超越DeepSeek昨日发布的最新模型DeepSeek-V3.2-Exp。具体来看：

上下文长度：上下文窗口由128K提升至200K，适应更长的代码和智能体任务。

推理能力：推理能力提升，并支持在推理过程中调用工具。

搜索能力：增强了模型在工具调用和搜索智能体上的表现，在智能体框架中表现更好。

写作能力：在文风、可读性与角色扮演场景中更符合人类偏好。

此外，GLM-4.6还大幅提升了tokens效率和原生Agent体验。在平均tokens消耗上，GLM-4.6低于多个模型，与GLM-4.5相比，GLM-4.6在同类任务中可节省30%以上tokens消耗。在原生Agent体验上，相较于GLM-4.5，GLM-4.6进一步提升了PPT的可用性、前端代码的美观度与更先进的版面布局。

目前GLM-4.6已上线智谱MaaS平台bigmodel.cn，即将在Hugging Face、ModelScope同步开源，遵循宽松的MIT开源协议。作为开源模型，GLM-4.6目前是全球开源生态中性能最强的通用大模型之一，进一步提升了国产大模型在全球竞争格局中的地位。

适配寒武纪和摩尔线程芯片，国产芯片迎利好

智谱新一代大模型不仅实现了编程能力的再进阶，同时也加速了国产AI软硬件的生态协同，让国产大模型与国产芯片进一步实现了“双向奔赴”。

智谱官方宣布，GLM-4.6已在寒武纪领先的国产AI芯片上实现FP8+Int4混合量化推理部署，这也是首次在国产芯片上投产的FP8+Int4模型—芯片一体化解决方案。在保持模型精度不变的前提下，该方案大幅降低了推理成本，为国产芯片本地化运行大模型提供了可行路径和示范意义。

与此同时，另外一大国产芯片厂商摩尔线程也基于vLLM推理框架完成了对GLM-4.6的适配，新一代GPU可在原生FP8精度下稳定运行模型，充分验证了MUSA架构及全功能GPU在生态兼容性和快速适配能力方面的优势。

寒武纪与摩尔线程完成对GLM-4.6的适配，标志着国产GPU已具备与前沿大模型协同迭代的能力，加速构建自主可控的AI技术生态。GLM-4.6搭配国产芯片的组合将率先通过智谱MaaS平台面向企业与公众提供服务，释放更广泛的社会与产业价值。

值得注意的是，昨日DeepSeek发布了最新模型DeepSeek-V3.2-Exp，随后包括华为、寒武纪、海光信息等在内的多家国产芯片企业迅速宣布完成了模型适配工作。今日，智谱GLM-4.6发布后亦与国产芯片公司实现“火速适配”。在业内人士看来，此种同步发布适配的动作，表明中国AI产业链头部公司正在进行深度协同。国产大模型与国产芯片协同正加速进入新阶段，朝着软硬协同的统一生态演进，国内AI产业的发展有望进一步加速。

此外，智谱已于今年4月14日启动A股上市辅导，有望冲击“国产AI大模型第一股”，标志着中国AI大模型从技术竞赛迈入商业化落地与资本化运作的阶段。未来，国产原创的GLM系列大模型与国产芯片的深度协同，将在模型训练和推理环节持续推动性能与效率的双重优化，构建更加开放、可控、高效的人工智能基础设施。

责编：李丹

校对：廖胜超