智谱的 Coding 是怎么炼成的
智谱的变化，不只是模型榜单上的一次跃升。它真正值得研究的，是一家原本带着学院派、政企定制标签的公司，如何在危机中换了一条增长路径。
我更愿意把这个过程概括为两句话：先在方向上做取舍，再在执行中尽量不犯错。
危机迫使智谱改变路线
2025 年春节，DeepSeek R1 以很低的价格达到很强的性能，直接冲击了智谱赖以生存的政企模型部署业务。文中受访者估计，当时智谱有近三成客户流向 DeepSeek。与此同时，Chatbot 热度下降，行业开始转向能够调用工具、完成复杂任务的模型。
2025 年 5 月，智谱在战略会上决定放弃文本、多模态、编程分别训练垂直模型的路线，转而融合 Reasoning、Coding 和 Agentic 数据，训练一个大参数的“三合一”模型。
这个决定并不轻松。继续扩大模型意味着更高投入，融合模型也不适合原有的低成本私有化部署。但智谱已经没有多少退路：旧业务受到冲击，下一阶段必须依靠能够解决复杂生产力问题的模型打开。
三合一路线最终形成了 2025 年 7 月发布的 GLM 4.5。智谱为它准备了 15 万亿 Token 的通用数据和 8 万亿 Token 的 Coding、Reasoning、Agentic 数据。它也是智谱第一个在 Coding 上形成市场口碑的模型。
Coding 不是预先写好的剧本
智谱最初并没有明确把 Coding 放在三种能力之首。真正促使团队聚焦 Coding 的，是用户的选择。
研发过程中，团队反复强调不要只围着榜单训练，而要在真实任务中验证能力。客户反馈中，“提高研发效率”频繁出现。GLM 4.5 发布后，又不断有大客户要求把模型接入程序员工作流，市场上也出现了“Claude 平替”的评价。
需求因此变得清晰：Coding 不只是少数程序员使用的工具，而可能成为改变更多人生产方式的入口。原来被认为只有一两百万用户的市场，随着编程门槛下降，可能扩展到更大的人群。
智谱随后推出 GLM Coding Plan 和企业版，并在后续模型中持续强化 Coding。它由此在沉重、非标准化的政企交付之外，找到了更容易规模化、商业价值也更高的业务。
这件事给我的启发是，战略不能只靠预判。更可靠的方式，是先建立面向下一阶段的能力，再让真实用户帮助公司确定能力的优先级。
模型能力开始转化为规模收入
GLM 5.2 是智谱商业模式变化的关键节点。文章称，这个以 Coding 为主要能力的模型进入全球第一梯队，并成为当时开源模型中的 SOTA。
据文中股东提供的数据，智谱 ARR 在 2026 年 5 月约为 5 亿至 6 亿美元；GLM 5.2 发布后，7 月 ARR 升至 10 亿美元，年底预期也被提高到 25 亿美元。智谱没有回应这些数据，但云厂商主动推销 GLM 5.2、海外调用量快速增长，都说明市场需求确实发生了明显变化。
资本市场也迅速作出反应。GLM 5.2 发布后的第一个交易日，智谱股价上涨 32%，一周后市值达到万亿港元。
不过，市值上涨并没有消除收入压力。文章按 Anthropic 的市销率推算，智谱若要稳定支撑万亿港元市值，ARR 需要达到约 62.2 亿美元，而当时只有 10 亿美元。模型成功打开了想象空间，但预期与收入之间仍有很大距离。
从项目制转向 MaaS
智谱过去以政企定制见长，但这种生意很难形成规模效应。每增加一批客户，就要投入更多交付人员；订单高度非标，验收过程还伴随着大量额外服务。即使业务稳定增长，天花板也比较清楚。
模型快速迭代又加重了这个问题。一个模型开始部署时可能领先，几个月后项目完成，它已经落后于新模型。相比之下，按需调用 MaaS 服务对客户更灵活，对模型公司也更容易复制。
智谱早在 2021 年就讨论过对标 OpenAI、通过 API 收费，但当时市场和模型能力都不成熟。直到 Coding 模型获得用户认可，MaaS 才真正具备增长基础。
所以，智谱的转型不是简单地“从 To B 转向 To C”，而是从依赖人力的定制交付，转向由模型能力驱动的标准化服务。
最重要的能力是取舍
智谱并不擅长所有事情。它的模型和产品在聊天的情绪价值、视觉审美等方面都暴露过短板。智谱清言与头部 Chatbot 的用户规模存在差距，视频生成产品也没有得到艺术类客户的认可。
但短板没有让智谱继续平均分配资源。它缩减了多模态团队，把更多算法人员和预算投入文本、Coding、Agentic 的强化学习环境与数据工程。
大模型训练中的目标彼此牵制。强化 Coding，需要数据少废话、高精度；追求情感交流，则可能要求另一套训练目标。算力、模型容量和数据都有限，如果每项能力都想保留，最后很可能没有一项真正突出。
我认为，智谱这一阶段最关键的判断，不是发现自己什么都能做，而是承认自己不擅长什么。Coding 与它的理工科和学院派基因更匹配，于是资源才可能形成有效集中。
“不犯错”来自一套工程体系
选对方向只是开始。智谱此后的优势，还来自精细的 A/B Test、训练路线拆解和数据策略。
遇到关键技术选择时，智谱会安排不同小组分别验证，把各条训练路线放到测试集上比较，再决定取舍。这种实验室式的方法看上去不激进，却减少了关键环节凭感觉下注的风险。
文章还强调了数据和后训练的重要性。Coding 能力的提升，关键环节包括监督微调和基于 Agent 任务环境的强化学习。用什么问题生成数据、选择什么任务、数据用于微调还是强化学习，都依赖长期经验。
智谱较早在海外组建数据采购团队，内部还建设了数据标注平台。自 GLM 4.5 起，算法团队也更频繁地听取销售和交付团队的反馈。模型发布前，一道测试通用能力，另一道直接检验目标用户的高频场景。
这使“以用户需求为依据”不只是口号，而是进入了训练和评测流程。
人才壁垒藏在组织关系里
智谱 AI 院的核心竞争力，不只是算法人员数量。文章称，数百名研究员中超过七成来自清华计算机系，创始团队和核心管理层也有深厚的清华师生、同门关系。
这种组织更像公司、学校和研究院的结合体。层级相对扁平，关键方向常从技术问题和实验结果的讨论中产生，年轻研究员也有较大空间提出问题、验证想法。
师生和同门关系增强了信任，也降低了核心人才流失率。外部公司即使开出很高薪酬，也不容易把人挖走。稳定的人才供给、较低的流失和长期积累的训练经验，共同构成了智谱很难被短期复制的壁垒。
这种组织也有边界。它可能不擅长捕捉大众情绪和消费产品需求，但很适合需要长期研究、反复实验和知识传承的模型训练。智谱的做法不是消灭自己的基因，而是把业务方向调整到基因能够发挥作用的地方。
竞争远未结束
GLM 5.3 再次强调后训练，而不是单纯扩大预训练参数。唐杰把 Scaling Law 描述为一个控制变量实验：不仅要看参数，还要看数据量、算力投向，以及模型由谁在什么条件下运行。
与此同时，月之暗面、DeepSeek、阿里等公司仍在推高模型参数，开源 SOTA 的位置也在快速易手。GLM 5.2 被 K3 超过后，智谱又用 GLM 5.3 夺回领先，说明任何榜单优势都很短暂。
智谱这一轮领先，不能简单归结为押中 Coding。它经历了外部冲击，被迫改变模型路线；又根据用户反馈确定重点，收缩不擅长的方向，把资源投入数据、后训练和工程验证；最后依靠一个稳定的学院派组织，把选择持续执行下去。
真正有价值的不是“预测下一个风口”，而是建立一种能力：当环境变化时，敢于离开旧路径；当资源有限时，知道什么不做；当方向确定后，用体系把每一步做对。