这一模型专为长程任务打造。
智东西4月8日报道，今天，智谱正式开源其最强模型GLM-5.1，这一模型在专业软件开发基准测试SWE-Bench Pro中，GLM-5.1刷新全球最佳成绩，得分达到58.4，超过了GPT-5.4、Claude Opus 4.6等已经正式发布的闭源模型，和MiniMax M2.7、Kimi K2.5等开源模型。
GLM-5.1并非只能跑跑简单的Vibe Coding小案例，它专门面向长程任务设计，能持续地自主规划、执行并迭代，最终交付完整的工程结果。
两个官方演示，直接把“长程任务”的能力具象化了：
在向量数据库的调优任务中，GLM-5.1没有人类手把手教，自己跑了655轮迭代——测试、分析、改代码、再测试……最终把性能硬生生提升至3.6倍。
自动播放它还靠着一张架构草图，连续自主工作了超过8小时，执行了1200多个步骤，最终输出了一套功能完备的Linux桌面系统。官方测算，这相当于一个4人小团队连轴转一周的工作量。
自动播放这个“8小时不间断工作”的纪录，让它成为了全球首个在真实工程任务中验证这一能力的开源模型。
这意味着，那些过去只属于人类团队的复杂、长周期工程级任务，现在对逐渐AI也敞开了大门。
01.
海外网友火速体验：
体感接近Opus 4.6
成本暴砍至1/30
GLM-5.1一经发布，就吸引了海量关注，其推文的阅读量在12小时内就冲破了200万次，目前已经飙到227万次了。
不少体验过GLM-5.1的网友纷纷发帖评价，在这些帖子中，有一个关键信息被反复提及：GLM-5.1的使用体感，已经接近Claude Opus 4.6。
AI开发者toli拿GLM-5.1和Opus 4.6跑了113个编程任务，发现GLM-5.1的体感就和Opus一样。同时，智谱的Coding Plan提供了Claude Code订阅三倍的用量，价格只有后者的1/3。Toli认为，GLM-5.1是绝对的杀手级产品。
另一位开发者Beau Johnson分享，他已经将自己部署的OpenClaw背后的模型，从Opus 4.6替换为GLM-5.1，作为协调和执行Agent。这一切换没有带来任何体验上的差别，而成本却从1000美元暴砍至30美元左右。
软件定制公司Zenoware的创始人JP分享了他用GLM-5.1 one-shot做出来的10个案例，JP认为这是最接近Claude Opus 4.6的中国模型，给Opus 4.6带来了严重威胁。以下是JP部分案例的集锦：
口碑之外，GLM-5.1在多项基准测试中的表现，同样值得仔细拆解。
在编程能力这一维度，有三个基准测试的成绩较有参考性，包括衡量模型专业软件开发工作的SWE-Bench Pro、操作命令行解决问题的Terminal-Bench 2.0、从零构建完整代码仓库的NL2Repo。在这三个基准测试中，GLM-5.1的得分已经拍到全球第三、国产第一、开源第一。
而在考察模型设计能力的Design Arena上，GLM 5.1排名第四，同时多款GLM模型也包揽了这一榜单上的前四名，这个表现，基本可以和Opus 4.6还有Sonnet 4.6一块儿坐主桌了。
而在文本能力维度，Text Arena上GLM-5.1被评为排名第一的开源模型。
02.
真刀真枪一手实测：
连续接受十几条需求变更
还扛住了拔网线和复杂遗留代码
榜单好看，用户也叫好，但真正的考验还是在实际使用里。这次，智谱格外强调“长程任务（Long-Horizon Tasks）”，确实精准判断了当前大模型在工业界落地的痛点。
在真实的软件工程或复杂业务场景中，几乎没有任何有价值的问题是可以通过“一问一答”或“单次生成”解决的。只有真正具备了自主试错和策略演进的能力，模型才能像中高级工程师一样去“啃”硬骨头，而不是只写个初版就罢工。
这已经几乎成为了行业共识。无论是GLM-5.1、Claude Opus 4.6还是GPT-5.4，各家都在将长程能力作为核心卖点。
原因是，对于真正要拿AI干活、提效的企业而言，分数、正确率、排行榜都只是参考，他们关心的是模型能否在拿到一个任务后无需人工干预，自动诊断并修复问题，能否用8小时替代一个初级工程师一周的重复劳动，这些，才是可见的真实生产力。
那么，GLM-5.1到底能不能打？它真的能成为Opus 4.6的国产平替吗？我们拿GLM-5.1和Opus 4.6跑了两个完整工程任务，烧掉几百万token，看看它们的真实表现到底如何。
1、从零搭建待办看板，前后端+数据库全闭环
Prompt：
在一个空目录下，从零搭建一个完整的“待办事项看板”前端+后端，使用FastAPI+React，连接PostgresSQL数据库，实现增删改查。
拿到这一任务后，GLM-5.1和Opus 4.6都进行了初步的项目规划，拆解提示词中的要求，然后再开始开发。值得一提的是，我们用于测试的电脑环境相对老旧，还缺失部分依赖。率先进行开发的GLM-5.1马上定位了这些问题，直接“动手”帮我们装好了。
其实，GLM-5.1和Opus 4.6一开始给出的结果都有点简陋。于是我们向两个模型发送了十几条修改意见，包括要打造完整的导航菜单、配备全局搜索框+通知系统+用户头像、三级分组菜单等等。
GLM-5.1并没有被这一连串的“干扰”打断自己的开发节奏，在多轮需求变更后仍然可以成功交付。最终它打造的任务看板功能完整度较高，交互体验流畅，前后端数据也是联动的——新增的项目的确能在数据库中找到。
网页的UI细节也很到位，字体大小层级分明，光标悬停在卡片上时有微动效，还通过颜色区分了任务的优先级。
再来看看Opus 4.6的表现。在基础功能上，Opus 4.6同样实现了基于数据库的增删改查核心功能，不过网页的色彩选择和UI设计有些单调。
这一表现源于智谱在训练策略上的创新：通过显著扩展任务过程的训练窗口，采用多轮监督微调（multi-turn SFT）与强化学习（RL）结合的训练范式，GLM-5.1得以在完整的任务流程中学习，从“接受任务→规划→执行→调整→交付”的全过程都被纳入学习信号。因此，它不会因新指令的影响，丢掉原本的目标与方向。
2、网络中断+遗留代码+中文乱码：GLM-5.1如何自救？
Prompt：
搭建一个简易的电商后台，需要实现商品管理、订单流程和支付对接。
当AI模型进入企业，面临的往往是更多复杂的不确定性，比如模糊的目标，混乱的项目结构等等。在这些因素的干扰下，GLM-5.1还能稳定交付吗？
GLM-5.1的新任务，是搭建一个简易的电商后台，发送指令后，我们刻意使了点坏，在GLM-5.1快写完项目的时候把网给掐了，并关闭了现有的上下文窗口。重启Claude Code之后，再让它根据之前的项目文件继续开发。
GLM-5.1没有被这一小插曲影响。在告诉它原项目的地址后，GLM-5.1花了3分钟梳理了这个项目的后端部分，然后开始补齐前端缺失的代码。
理解遗留代码是开发的前提，理解程度直接影响着后续的开发质量。在GLM-5.1输出的前端设计框架中，可以看到它对原本的后端代码分析十分到位，不仅准确识别了Express 5+SQLite的技术栈，还敏锐地发现了后端缺少全局支付列表接口这一设计缺陷，并据此提出了“订单列表+展开行加载支付记录”的解决方案。
这得益于GLM-5.1更好的状态延续与上下文整合。面对长时间跨度和大量上下文信息，GLM-5.1能稳定地追踪已完成的内容、当前所处阶段和下一步关键动作，持续整合新信息，保持执行链路的一致性。
在即将完成开发时，GLM-5.1在我们没有要求的情况下，主动检查了后端的API路径，并发现并逐一修复了5个问题。这种“实验→分析→优化”的闭环，正是GLM-5.1能在长任务中始终保持方向不偏、质量统一、无需人工频繁纠偏的重要原因。
最终，GLM-5.1交付了这一电商后台项目，核心功能运转正常，还将后台数据进行了可视化。不过，我们刻意人为动手修改了中文字符的编码，让这一电商后台的中文字符显示为小方块。
为排查这一问题，GLM-5.1进行了29次工具调用，主要都是阅读文件，多工具协同效果稳定。最后，它发现数据库中多处中文字段都是乱码（GBK编码被错误当UTF-8存入），于是很快进行了修复。可以说，GLM-5.1在多轮工具调用和长上下文场景中，表现出工程师般的自主诊断和修复能力。
经历这两个小插曲，GLM-5.1用大概45分钟的时间完成了整个项目的开发，修复后的结果如下。
它交付了整整两个文件夹的成果，算上代码、组件库等等，有数百个文件，大小也来到了40多兆。
拿到同样任务的Opus 4.6，交付的结果如下：
从结果上来看，即便是我们人为给GLM-5.1上强度，它交付的结果也和Opus 4.6的结果保持在相似的水平线上。在保持原有功能、优化代码结构等多重任务中，GLM-5.1仍然完成了高质量的方案设计与执行，充分验证了其在复杂开发和维护任务中的工程化能力。
03.
结语：开源模型长程任务能力突破
从“回答问题”到“交付项目”
顶尖开源模型，正极大地拉近与闭源模型的差距。长程任务是Claude引以为傲的能力之一，模型不仅要会写代码，还要像人一样在数小时内保持目标感、处理意外、自我纠偏、并坚持到最后一刻。
过去，这一直是闭源模型的护城河，也是开源模型难以逾越的分水岭。
智谱称，GLM-5.1是全球第一个在真实工程任务中验证了8小时持续工作能力的开源模型。同时，我们的实测也显示，GLM-5.1不是靠“更长的上下文窗口”去死记硬背，而是真正学会了“规划→执行→检查→修复→交付”的完整工作流。
大模型正在从“回答问题”走向“交付项目”。在这一方向上，GLM-5.1已具备了在真实、混乱、长周期的工程环境中，独立承担任务的底气。
