智谱昨日发布博文，宣布推出新一代 GLM-4-32B-0414 系列模型，320 亿参数，效果比肩 OpenAI 的 GPT 系列和 DeepSeek 的 V3 / R1 系列，且支持非常友好的本地部署特性。
该系列模型共有 GLM-4-32B-Base-0414、GLM-Z1-32B-0414、GLM-Z1-Rumination-32B-0414 和 GLM-Z1-9B-0414 四款模型。
GLM-4-32B-Base-0414
在预训练阶段，该模型采用 15T 高质量数据，其中包含大量推理类的合成数据，这为后续的强化学习扩展打下了基础。
在后训练阶段，除了针对对话场景进行了人类偏好对齐外，团队还通过拒绝采样和强化学习等技术强化了模型在指令遵循、工程代码、函数调用方面的效果，加强了智能体任务所需的原子能力。
GLM-4-32B-0414 在工程代码、Artifacts 生成、函数调用、搜索问答及报告等方面都取得了不错的效果，部分 Benchmark 甚至可以媲美更大规模的 GPT-4o、DeepSeek-V3-0324（671B）等模型。
GLM-Z1-32B-0414
该模型是具有深度思考能力的推理模型，在 GLM-4-32B-0414 的基础上，通过冷启动和扩展强化学习，以及在数学、代码和逻辑等任务上对模型的进一步训练得到的。
相对于基础模型，GLM-Z1-32B-0414 显著提升了数理能力和解决复杂任务的能力。在训练的过程中，该团队还引入了基于堆栈排序反馈的通用强化学习，进一步增强了模型的通用能力。
GLM-Z1-Rumination-32B-0414
该模型是具有沉思能力的深度推理模型（对标 Open AI 的 Deep Research）。
沉思模型通过更长时间的深度思考来解决更开放和复杂的问题（例如：撰写两个城市 AI 发展对比情况，以及未来的发展规划），结合搜索工具处理复杂任务，并经过利用多种规则型奖励来指导和扩展端到端强化学习训练得到。
GLM-Z1-9B-0414
这是一个开源 9B 小尺寸模型，在数学推理和通用任务中依然展现出极为优秀的能力，其整体表现已处于同尺寸开源模型中的领先水平。
测试结果
GLM-4 系列在多项基准测试中表现优异。例如，在 IFEval 指令遵循测试中得分 87.6；在 TAU-Bench 任务自动化测试中，零售场景得分 68.7，航空场景得分 51.2；在 SimpleQA 搜索增强问答测试中得分 88.1。
模型
IFEval
BFCL-v3 (Overall)
BFCL-v3 (MultiTurn)
TAU-Bench (Retail)
TAU-Bench (Airline)
SimpleQA
HotpotQA
Qwen2.5-Max
85.6
50.9
30.5
58.3
22.0
79.0
52.8
GPT-4o-1120
81.9
69.6
41.0
62.8
46.0
82.8
63.9
DeepSeek-V3-0324
83.4
66.2
35.8
60.7
32.4
82.6
54.6
DeepSeek-R1
84.3
57.5
12.4
33.0
37.3
83.9
63.1
GLM-4-32B-0414
87.6
69.6
41.5
68.7
51.2
88.1
63.8
代码修复方面，GLM-4 在 SWE-bench 测试中的成功率达 33.8%。采用 MIT 许可的 GLM-4 降低了计算成本，为研究和企业提供了高性能 AI 解决方案。
模型
框架
SWE-bench Verified
SWE-bench Verified mini
GLM-4-32B-0414
Moatless[1]
33.8
38.0
GLM-4-32B-0414
Agentless[2]
30.7
34.0
GLM-4-32B-0414
OpenHands[3]
27.2
28.0
