GLM-5：从 Vibe Coding 走向 Agentic Engineering 的全栈路线图

核心结论先行

这篇论文最重要的信号只有一句话： GLM-5 不是单纯把参数放大，而是通过 DSA 稀疏注意力 + 异步 RL 基建 + 代理式环境扩展，系统性解决了"长上下文 + 长链任务 + 真实软件工程"三大瓶颈。整套路线把"能写代码"推进到了"能做工程"。

一张图理解 GLM-5 全流程

图解：整体训练流程从 Base → Mid → Post。Base/ Mid 聚焦长上下文与代理任务能力，Post 通过多阶段 RL 对齐与蒸馏，避免能力回退。

关键逻辑

Base / Mid Training ：把上下文从 4K 拉到 200K，专门引入长链 Agent 数据。
Post-Training ：SFT → Reasoning RL → Agentic RL → General RL → On-Policy Distill。
目标：稳定推理 + 真实工程 + 长链任务一致性。

训练后阶段：GLM-5 的"灵魂工程"

1. SFT：三类数据 + 三种思维模式

General Chat
Reasoning
Coding & Agent

核心变化是 思维控制机制 ：

图解：模型支持三种思考模式：交错思考（每一步前推理）、保留思考（跨回合复用）、回合级开关（按需启停）。

关键价值

交错思考保证每一步行动前都有推理。
保留思考让长链任务不丢上下文。
回合级开关控制成本与稳定性。

2. Reasoning RL：GRPO + IcePop 去"训练-推理分布偏差"

论文给出的核心公式如下：

L ( θ ) = − E x , y i ∼ π infer $1 G ∑ i = 1 G 1 ∣ y i ∣ ∑ t = 1 ∣ y i ∣ pop ⁡ ( ρ i , t , 1 / β , β ) ⋅ min ⁡ ( r i , t A \^ i , t , clip ⁡ ( r i , t ) A \^ i , t )$ \mathcal{L}(\theta)= -\mathbb{E}_{x, y_i \sim \pi^{\text{infer}}} \left $\\frac{1}{G}\\sum_{i=1}\^G \\frac{1}{\|y_i\|} \\sum_{t=1}\^{\|y_i\|} \\operatorname{pop}(\\rho_{i,t},1/\\beta,\\beta) \\cdot \\min(r_{i,t}\\hat{A}_{i,t}, \\operatorname{clip}(r_{i,t})\\hat{A}_{i,t}) \\right$ L(θ)=−Ex,yi∼πinfer G1i=1∑G∣yi∣1t=1∑∣yi∣pop(ρi,t,1/β,β)⋅min(ri,tA^i,t,clip(ri,t)A^i,t)

其中 mismatch 比例：

ρ i , t = π θ old train ( y i , t ∣ x , y i , < t ) π θ old infer ( y i , t ∣ x , y i , < t ) \rho_{i,t}= \frac{ \pi_{\theta_{\text{old}}}^{\text{train}}(y_{i,t}|x,y_{i,<t}) }{ \pi_{\theta_{\text{old}}}^{\text{infer}}(y_{i,t}|x,y_{i,<t}) } ρi,t=πθoldinfer(yi,t∣x,yi,<t)πθoldtrain(yi,t∣x,yi,<t)

核心点

训练策略与推理策略分开建模。
IcePop 直接削掉 mismatch 太大的样本，防止 RL 崩盘。

3. DSA RL：稳定性来自"确定性 Top-k"

DSA 引入 indexer 做稀疏注意力检索。这里最关键的是 Top-k 必须可复现 ：

CUDA Top-k 随机性会导致 RL 崩盘。
直接用 torch.topk 虽慢但稳定。
indexer 参数默认冻结，避免训练震荡。

4. Agentic RL：异步训练 + TITO + 双侧重要性采样

异步训练是为了"长链任务不让 GPU 空转"。关键机制：

TITO（Token-in Token-out）

避免再分词错位，保障动作对齐。
双侧裁剪的 token-level IS

r t ( θ ) = exp ⁡ ( log ⁡ π θ − log ⁡ π rollout ) r_t(\theta)=\exp(\log\pi_\theta - \log\pi_{\text{rollout}}) rt(θ)=exp(logπθ−logπrollout)

f ( x ) = { x , 1 − ϵ ℓ < x < 1 + ϵ h 0 , otherwise f(x)= \begin{cases} x, & 1-\epsilon_\ell < x < 1+\epsilon_h \\ 0, & \text{otherwise} \end{cases} f(x)={x,0,1−ϵℓ<x<1+ϵhotherwise

好处：避免维护历史策略快照，降低开销。

5. General RL：三维优化目标 + 混合奖励

目标拆成三层：

Foundational correctness
Emotional intelligence
Task-specific quality

奖励系统融合：

Rule-based
ORM（低方差但易被 hack）
GRM（高方差但鲁棒）

6. On-Policy Cross-Stage Distillation

最后用蒸馏恢复前面 SFT/RL 的能力，避免被后续 RL 冲掉。

A ^ i , t = sg $log ⁡ π θ teacher infer ( y i , t ∣ x , y i , \< t ) π θ train ( y i , t ∣ x , y i , \< t )$ \hat{A}_{i,t}=\text{sg}\left $\\log\\frac{\\pi_{\\theta_{\\text{teacher}}}\^{\\text{infer}}(y_{i,t}\|x,y_{i,\ A^i,t=sglogπθtrain(yi,t∣x,yi,\$