开源模型首超Opus4.6！智谱GLM-5.1登场，14小时后CUDA专家被冲了

金磊 发自 凹非寺量子位 | 公众号 QbitAI优化CUDA Kernel这件事刚刚被AI狠狠地冲击了一波。因为现在给AI十四个小时它就能帮你把CUDA Kernel优化加速比从2.6×推至35.7×什么概念以前人类资深CUDA工程师要完成这个任务需要数月反复测试、调优、推翻重来才行但现在AI在你睡觉的时候就能解决掉。而且AI在这个过程中还展现出了专家级的直觉。例如在优化初期它尝试在现有高层框架内寻找解法但很快通过自主跑测试发现性能触及了天花板然后它便做出了人类专家才有的决策——自主判断放弃高层框架直接转向底层C进行硬核重写。整整14个小时里这个AI主打一个全自动AI自己发现瓶颈自己改变技术栈自己重新编译自己测试。那这到底是何许AI是也不卖关子正是大家熟悉的来自智谱的开源模型——GLM-5.1。随着这次长程任务Long Horizon Task能力的提升智谱官方也宣布了一个重要的突破首次解锁了开源模型与当前全球最顶尖闭源模型Claude Opus 4.6的全面对齐嗯是妥妥稳坐全球最强开源模型宝座的感觉了。而且从更多的权威评测榜单中来看也是印证了这一点。在被称为“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直接超越Claude Opus 4.6、GPT-5.4等一众头部模型拿下全球第一甚至在海外网友们的圈子中已经吹起了弃用Claude Max的风了它的手感和Opus一模一样使用额度是Claude Code的3倍成本却只有1/3。HuggingFace CEO也出面站台称SWE-Bench Pro中性能最强的模型开源了而这一切成绩的背后正是智谱面向小时级的长程任务能力。给AI几个小时一切都不一样了当前主流的大模型可以说大多数还是处于“分钟级交互”的阶段。但到了GLM-5.1这边它的交付单位就不同了——一个完整的项目。接下来我们就通过实测的方式来看下GLM-5.1的实力到底几何。调用工具1000轮优化真实机器学习模型负载第一个实测我们顺着前面的CUDA的例子继续让GLM-5.1进行一场考验KernelBench Level 3优化基准这一基准涵盖50个真实机器学习计算负载主打一个还原真实工业场景考验的是端到端的完整优化能力而非单一算子调试。在超过24小时的不间断迭代中GLM-5.1全程自主发力无需人类专家干预一遍遍完成“编译—测试—分析—重写”的闭环循环最终交出了这样的结果——3.6倍几何平均加速比而作为对比torch.compile max-autotune模式仅能达到1.49倍差距直接翻倍不止从这个过程中可以看到GLM-5.1能够自主编写定制Triton Kernel和CUDA Kernel运用cuBLASLt epilogue融合并实施shared memory tiling与CUDA Graph优化。这些优化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是模型的自主决策。结果再次表明在GPU内核优化这一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桌面环境在这个实测中我们给GLM-5.1扔了一份3000字的PRD核心要求只有一个从0开始复刻MacOS核心UI与交互不仅要前端壳子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。这是一个标准的前端工程团队至少需要数天才能打磨出原型的任务但在GLM-5.1这里时间被压缩到了小时级别。瞧待它分析完任务之后自己就开始唰唰地编程了1个小时之后在没有任何人工参与的情况下一个MacOS的桌面环境就这么水灵灵地诞生了可以看到更改桌面背景、放大缩小Docker、终端命令执行、系统自带的截图功能等统统都能实现。而在智谱官方的demo中展示了GLM-5.1耗时8小时实现的更加复杂的Linux系统执行了1200多步完整的桌面、窗口管理器、状态栏、应用程序、VPN管理器、中文字体支持、游戏库等……相当于一个4人团队一周的开发工作量。不得不说现在GLM-5.1的每一次提交都是具有实质意义的系统级演进。全自动重写屎山代码写代码的人都知道比从零写一个新项目更痛苦的是重构别人留下的屎山代码。但现在有了GLM-5.1我们可以把这个任务交给它来处理了。例如这段代码就堪称是屎山中的经典变量名完全无意义、五层嵌套if、重复计算总和三遍、全局变量到处乱改、函数几百行不拆分……能运行吗能运行恶心吗也是真恶心。而在GLM-5.1只需半小时的自动重写之后一份注释清晰、符合标准的代码就诞生了655次迭代打破向量数据库性能瓶颈如果说重构代码还只是把已有的东西做好那向量数据库优化考验的就是AI自主迭代、持续突破的能力。这也或许正是人类资深工程师最核心的价值。在这项测试中GLM-5.1的需求是优化现有向量数据库的查询性能尽可能提升QPS。随后它开启了完全自主的“测试-分析-优化-再测试”闭环。每一轮优化后它都会主动跑完整的Benchmark获取QPS、延迟、内存占用等核心数据自主分析性能瓶颈。最终在655轮迭代之后GLM-5.1把向量数据库的查询吞吐从初次交付的3108 QPS一路推到21472 QPS提升到初始正式版本的6.9倍。AI能独立工作多久成了新标准之所以GLM-5.1这次能够炸场本质上是它踩中了AI行业的下一个核心赛点长程任务Long Horizon Task能力。2025年3月全球顶尖的AI安全研究机构METRModel Evaluation and Threat Research便提出了一个彻底改变行业认知的新指标叫做Task-Completion Time Horizon任务完成时间线。这个指标的核心思想是不再用做题的准确率来衡量模型有多聪明而是用时间来衡量它能独立完成多长时间的人类专家任务。研究显示前沿模型的时间线每7个月就会翻一倍这条指数曲线被MIT Technology Review称为“AI领域最重要的一张图”。红杉资本更是在2026年初直接宣告“这就是AGI的核心方向”并直言2023-2024年的AI是只会对话的“talker”而2026-2027年的AI将成为能真正落地做事的“doer”。而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。它能在单次任务中持续、自主地工作长达8小时过程中自主规划、自主执行、自主测试碰壁时主动切换策略出错后自行修复最终交付完整的工程级成果。GLM-5.1之所以能做到这一点核心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。它能把一个复杂的大目标拆解为可执行的多阶段计划并且在长达十几小时、上千步的执行链路中始终围绕最终交付目标推进。简单来说就是干到第十步还记得第二步定的规矩。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下来等人工介入而是会自主查看错误日志、定位问题根源、修复bug甚至自己写回归测试用例验证修复效果。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、当前所处的阶段和下一步的核心动作持续整合新的信息保持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改写了全球大模型行业的叙事逻辑。长久以来中国开源模型始终带着追赶者的标签与美国顶尖闭源模型存在差距而GLM-5.1彻底打破这一局面它在权威榜单上对齐Claude Opus 4.6在SWE-bench Pro等核心工程指标上实现反超让中国开源AI在核心工程能力上与全球前沿并驾齐驱。更重要的是它的变革远超模型本身正重构万亿级IT服务市场的底层逻辑。AI Coding的进化有清晰路径从程序员提效工具到降低代码门槛再到能自主做事的初级工程师而GLM-5.1的Long Horizon能力直接将AI推向能持续工作数小时、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便冲击了整个软件工程的生产关系——4人团队一周的工作量、资深工程师数月的优化任务它数小时就能完成这将重构多个行业的定价与人力配置逻辑。当然我们不必陷入AI会替代程序员的无谓焦虑。就像当年计算机的普及没有淘汰会计这个职业只是淘汰了不会用计算机的会计AI的到来也不会淘汰开发者只会淘汰不会驾驭AI的开发者。GLM-5.1的出现真正给整个行业抛出的核心问题是当AI已经能自主完成长达数小时的复杂长程任务实现从规划、执行、纠错到完整项目交付的全闭环时人类的不可替代性到底在哪里答案或许就是定义问题、创造价值、做出核心决策的能力毕竟这是AI暂时无法替代的核心护城河。而对中国AI行业而言GLM-5.1只是开始当开源模型达到全球顶尖工程能力、AI从对话者变为执行者行业必将迎来更彻底、更深刻的变革。