GLM-5.1がオープンソース化：8時間独立稼働可能なモデル

智譜 2026-04-08 10:41 北京

3分のVibe Coding（バイブコーディング：雰囲気や直感に任せたプログラミング）から30分のAgentic Engineering（エージェント工学：自律型AIによる工程構築）、そして今回の8時間にわたるLong-Horizon Task（長距離タスク：長期にわたる複雑な作業）へ。GLM-5.1は再び突破を遂げました。

GLM-5.1はこれまでで最も賢いフラッグシップモデルであり、現在世界最強のオープンソースモデルです。GLM-5.1はコード生成能力を大幅に向上させ、特に長期的なタスクの遂行において顕著な進歩が見られます。以前の数分間のインタラクションで完結するモデルとは異なり、GLM-5.1は単一のタスクにおいて8時間以上独立して継続的に作業を行うことができます。その間、自律的に計画を立て、実行し、自己進化を遂げ、最終的に完全なエンジニアリングレベルの成果物を納品します。

コード生成能力は、モデルの知能水準をさらに高める鍵です。以下の図は、業界内で最も代表的な3つのコード評価ベンチマークの平均結果を示しています。これには、専門的なソフトウェア開発作業を測定するSWE-Bench Pro、コマンドライン操作を通じて問題を解決するTerminal-Bench 2.0、ゼロから完全なコードリポジトリを構築するNL2Repoが含まれます。GLM-5.1は、グローバルモデルの中で3位、中国国内モデルで1位、オープンソースモデルで1位の成績を収めました。

実際のソフトウェア開発に最も近いSWE-bench Proベンチマークにおいて、GLM-5.1はグローバルベストを更新し、GPT-5.4やClaude Opus 4.6を上回りました。SWE-bench Proは、モデルが実際のGitHubリポジトリ内で難易度の高いエンジニアリングバグを特定し修正できるかを要求するもので、モデルが専門的なソフトウェア開発業務を担当できるかどうかを測る最も厳格な指標です。

あなたが眠る8時間は、モデルが働く8時間です。

過去2年間、業界はベンチマーク（Benchmark）を用いてモデルの知能度を測ってきました。私たちは、次の段階の衡量基準は「どれほど長く作業できるか」、つまりロングホリゾンタールーティン（Long-Horizon Task）におけるモデルの成果であり、人間の仕事のうちどれだけの時間を独立して完了できるかであると主張します。

長期的なタスクにおいて安定した出力を維持するため、モデルが直面するのは単により大きなコード量だけでなく、一連の複雑なエンジニアリング上の意思決定ポイントです：自らベンチマークを実行し、ボトルネックを特定し、解決策を変更し、再度テストを実行する。これはモデルにより高い要件を突きつけ、「実験→分析→最適化」という完全なクローズドループを人間のエンジニアのように形成することを求め、コード記述後に停止して採点を待つのではなく、自律的に行動させるものです。

METR（Model Evaluation and Research Team）の同等の評価基準において、GLM-5.1は8時間レベルの継続的な作業を達成した唯一のオープンソースモデルであり、Claude Opus 4.6を除く世界中でもこの能力を備える少数のモデルの一つです。私たちの究極的な目標は全自律型エージェント（Autonomous Agent）であり、モデルが7×24時間中断なく目標の分解、実行と納品、自己評価と修正、自己進化を行い、これからは人間の介入が不要になることです。

モデルの1日8時間の作業で何ができるかを見てみましょう。

シナリオ1：8時間でゼロからLinuxデスクトップを構築

昼間にアーキテクチャのスケッチを描き、就寝前にGLM-5.1に渡すと、朝起きた時には完全なシステムが完成しています。正確に8時間かかり、1200以上のステップを実行しました。20分で最初の意味のある成果が発生し、8時間後には機能豊富なLinuxデスクトップシステムが出力されました。これには完全なデスクトップ環境、ウィンドウマネージャー、ステータスバー、アプリケーション、VPNマネージャー、中国語フォントサポート、ゲームライブラリなどが含まれ、4.8MBの関連ファイルが付属しています。これは4人のチームが1週間で開発する作業量に相当します。

以下の動画は、GLM-5.1が8時間で行ったコードコミットの結果です。これらは数行から4、5行の小さなパッチではありません。各コミットは実質的なシステムレベルの進化であり、テストやコードレビューに人間が関与することなく完了しました。モデルはさらに自身のコードに対して回帰テスト（Regression Test）を記述し、それを実行してパスさせています。

シナリオ2：655回の反復でベクトルデータベースの最適化ボトルネックを打破

ベクトルデータベースはAI検索およびレコメンデーションシステムの背後にある中核エンジンであり、近似最近傍探索（Approximate Nearest Neighbor, ANN）はその中で非常に重要かつアルゴリズムとエンジニアリング能力を問われる重要な要素です。このプロセスでは、モデルがIVF（Inverted File Index）、HNSW（Hierarchical Navigable Small World）、ベクトル量子化などの基礎アルゴリズムの知識を習得しているだけでなく、実際のエンジニアリング判断力も必要とされます。つまり、一つの最適化パスで壁にぶつかった際に、ボトルネックを自ら特定し、戦略を切り替えることができ、盲目的に同じ方向を繰り返さないことです。

GLM-5.1は単にパラメータを微調整するだけでなく、全スキャンからIVFバケット検索への切り替え、半精度圧縮の導入、量子化による粗いランク付けの追加、二段階ルーティングの実行、そして事前プuning（Pruning）に至るまでの一連の最適化チェーンを自ら完了しました。655回の反復の中で、ベンチマーク（Benchmark）の自主実行、ボトルネックの特定、方案の調整を継続的に行い、最終的にベクトルデータベースのクエリスループットを初回納品時の3108 QPSから21472 QPSまで引き上げ、初期正式版の6.9倍に向上させました。

シナリオ3：1000回のツール呼び出しで実際の機械学習モデルの負荷を最適化

GLM-5.1が示す長時間の作業能力と自己進化能力により、同モデルは単なる「コード生成器」から「能動的なシステム最適化エンジン」へと進化しました。50の実際の機械学習計算負荷を含むKernelBench Level 3最適化ベンチマークにおいて、GLM-5.1は各負荷に対して独立した継続的最適化を行いました。24時間以上の絶え間ない反復プロセスの中で、GLM-5.1は複数の「コンパイル—テスト—分析—再実装」サイクルを自律的に完了し、最終的に3.6倍の幾何平均加速比を達成しました。これはtorch.compileのmax-autotuneモードが示す1.49倍という結果を大幅に上回るものです。

モデルが示した最適化の深さと創造性は特に注目すべき点です。GLM-5.1はカスタムTriton KernelおよびCUDA Kernelを自律的に記述し、cuBLASLtのepilogue融合を活用してshared memory tiling（共有メモリタイル処理）とCUDA Graph最適化を適用しました。これらの最適化戦略は、高レベルの演算子融合からマイクロアーキテクチャレベルのパラメータ調整に至るまで、完全な技術スタックをカバーしており、そのすべてがモデルの自律的な意思決定に基づいています。

この結果は、従来専門家の経験に大きく依存してきたGPUカーネル最適化の分野において、AIモデルが問題分析から設計案の策定、さらには反復的なパラメータ調整に至るまでのエンドツーエンドの自律作業能力を既に備えていることを示しています。GPUおよびより広範な高性能計算（HPC）の分野において、長年エンジニアリング効率を阻害してきた最適化のボトルネックは、AIによって徐々に解消されつつあります。

8時間の背後にあるもの

モデルを8時間稼働させること自体は難しくはありません。真に困難なのは、第8時間の作業が依然として有効であることです。

GLM-5以前のモデルを含む多くのモデルは、複雑な最適化タスクに直面すると、初期段階で急速に成果を上げた後にボトルネック状態に陥りがちでした。これらは既知の最適化手法を繰り返し試みますが、一つの手段が通じない場合に戦略を能動的に切り替えることができませんでした。

GLM-5.1の訓練目標は、このボトルネックを突破することです。ベクトルデータベースの最適化タスクにおいて、私たちは典型的な「階段状」の最適化軌跡を観察しました。モデルは固定された戦略内で増分的なパラメータ調整を行い、収益が頭打ちになった時点で能動的にベンチマークログを分析して現在のボトルネックを特定し、その後構造的に異なるアプローチへとジャンプします。具体的には、全データベーススキャンからIVF（Inverted File Index）バケット化へ、単一精度から量子化による粗い検索へ、単層ルーティングから二段階のプルーニング（枝刈り）へと移行します。各ジャンプにはRecall（再現率）の一時的な低下が伴いますが、これはモデルが新しい方向性を探索する際に制約を一時的に打破するためであり、その後で調整し直します。この「打破—修復」のサイクル自体が、有効な最適化の証左です。

KernelBenchにおいて、複数のモデルの最適化曲線を比較することで、この差異をより直接的に確認できました。GLM-5は初期の立ち上がりが速いものの、早期に平坦化します。一方、GLM-5.1は同じ時間枠内でより長く上昇を続け、最終的にGLM-5の1.4倍に達しました。鍵は、モデルが「有効な最適化」の期間をどこまで延長できるかです。

Linuxデスクトップのビルドタスクにおける課題はまた異なります。前述の2つのシナリオには、各ステップの有効性を測定するための明確な数値指標（QPSや加速比）が存在しましたが、完全なデスクトップシステムをビルドする場合、単一の指標はありません。「良い」という基準は、機能の完全性、視覚的一貫性、インタラクション品質を総合的に判断することに依存します。これはモデルに初步的な自己評価能力を求めるものであり、各実行サイクルの終了後に自身の成果を振り返り、改善すべき箇所や継続して最適化するべき領域を判断する能力が必要です。これは3つのシナリオの中でフィードバック信号が最も弱いケースであり、かつ現在最も突破が必要な方向性です。

私たちは、モデルの「有効作業時間」を延長することが、エージェント能力を向上させるための基本的な次元であると信じています。この道筋には依然として顕著な技術的課題があります：複雑なタスクに対するコンテキスト不安（context anxiety）をいかに克服するか、数千回のツール呼び出し後に実行の一貫性をいかに維持するか、いかにして局所最適解から早期に脱出するか、そして何より重要なのは、数値指標が明確でないタスクにおいて信頼できる自己評価メカニズムをいかに構築するかという点です。GLM-5.1は、この方向への一歩であり、私たちは継続的に推進していきます。

GLM-5.1は単により強力なモデルというだけでなく、新たな技術パラダイムの幕開けを意味します。今すぐ、指示を与えて8時間離れてみてください。

オープンソースと利用方法

1. 公式APIアクセス

BigModelプラットフォーム：https://docs.bigmodel.cn/cn/guide/models/text/glm-5.1

Z.ai：https://docs.z.ai/guides/llm/glm-5.1

1. 製品体験

GLM-5.1はまもなくZ.aiに登場します：https://chat.z.ai

GLM-5.1はGLM Coding Plan（Max/Pro/Lite）に組み込まれており、Claude CodeやOpenCodeなどの主要な開発ツールをサポートしています。

1. オープンソースリンク

GitHub：https://github.com/zai-org/GLM-5

Hugging Face：https://huggingface.co/zai-org/GLM-5.1

ModelScope：https://modelscope.cn/models/ZhipuAI/GLM-5.1

WeChatで開くためにジャンプ