智谱AI在编程大模型领域的布局呈现出清晰的“代码专项独立演进”与“旗舰模型编程能力内化”双轨并行格局。CodeGeeX 是专门为代码生成打造的专项模型系列，GLM 系列则是通用旗舰模型，其编程能力从GLM-4时代开始逐步成为核心能力之一，到GLM-5系列已成为与Claude系列对标的关键战场。
从版本谱系来看，智谱编程大模型已发展出以下主要版本线：
CodeGeeX 专项系列（代码生成独立演进）：CodeGeeX-1（2022年9月，130亿参数，基于华为MindSpore框架和昇腾910训练）→ CodeGeeX2-6B（2023年，基于ChatGLM2架构，多语言代码生成）→ CodeGeeX3（2024年初，企业版）→ CodeGeeX4-ALL-9B（2024年7月5日WAIC发布，基于GLM-4-9B持续训练，百亿参数以下性能最强、最全能的代码大模型）。CodeGeeX4系列模型以每半年更新一代的速度迭代，其开源版本CodeGeeX4-ALL-9B是当前系列旗舰。
GLM 系列编程能力线（通用旗舰内化）：GLM-4（2024年，编程能力基础）→ GLM-4.6（上下文扩展至200K）→ GLM-4.7（SWE-bench 73.8%）→ GLM-4-32B-0414（320亿参数，工程代码突出）→ GLM-5.1（Coding能力对齐Claude Opus 4.6，支持8小时长程任务）→ GLM-5.2（1M上下文，Coding与长程任务开源SOTA）→ GLM-5.3（编程能力较5.2提升50%，Terminal Bench 3.0开源第一，涌现网络安全能力）→ GLM-5.3-Flash（原生多模态编程基座）→ GLM-5V-Turbo（多模态Coding）。
第二部分：各版本详细对比与拆解
一、CodeGeeX 专项系列代际对比
维度 CodeGeeX-1 CodeGeeX2-6B CodeGeeX4-ALL-9B
发布时间 2022年9月 2023年 2024年7月
参数量 130亿 60亿 90亿
基础架构 自研Transformer ChatGLM2 GLM-4-9B持续训练
上下文 2K 8K 128K
核心能力 代码生成 多语言代码生成 补全+生成+解释器+工具调用+联网搜索+仓库级问答
Function Call 不支持 不支持 支持（首个）
训练框架 MindSpore + 昇腾910 — 昇腾AI + 昇思
CodeGeeX4-ALL-9B是系列的技术质变版本。它在GLM-4强大语言能力的基础上继续迭代，大幅增强了代码生成能力，使用单一模型即可支持代码补全和生成、代码解释器、联网搜索、工具调用、仓库级长代码问答及生成等全面功能。其128K上下文在“大海捞针”评估中实现了100%的检索准确度。CodeGeeX4-ALL-9B还是目前唯一一个实现Function Call的代码大模型，在Berkeley Function Calling Leaderboard的AST数据集和Excecutable数据集上均表现出色。
在性能基准上，CodeGeeX4-ALL-9B在BigCodeBench的complete任务中得分48.9、instruct任务得分40.4，是200亿参数以下模型中得分最高的；在HumanEval基准上超过了CodeT5、DeepSeek Coder和LLaMA 3-70b等参数几乎两倍的模型。
二、GLM 系列编程能力代际对比
维度 GLM-4.7 GLM-4-32B-0414 GLM-5.1 GLM-5.2 GLM-5.3
参数量 未公开 320亿 7540亿MoE 未公开 7430亿MoE
上下文 200K 标准 200K 1M 1M
SWE-bench 73.8% — — — —
Terminal Bench 3.0 — — — — 开源第一
长程任务 标准 标准 8小时 长程任务SOTA 长程任务SOTA
网络安全 — — — — CyberGym最佳
GLM-5.3的核心突破在于“纯后训练”带来的编程能力跃升。它使用与GLM-5.2完全相同的基础模型——所有提升均来自后训练Scaling。在智谱内部Z.ai Code Bench上，编程能力较GLM-5.2提升了50%；在Terminal Bench 3.0、Agents‘ Last Exam (CLI)等公开基准测试中达到开源模型SOTA水平。GLM-5.3还涌现了超出预期的网络安全能力，在漏洞发现基准CyberGym上取得当前最佳成绩，越深入漏洞利用链，其相较GLM-5.2的提升越显著，漏洞利用类基准得分达到GLM-5.2的两倍以上。
第三部分：为什么分这么多版本？
一、CodeGeeX 与 GLM 的差异化定位
智谱的版本分化遵循清晰的“专项深度”与“通用广度”双轨逻辑。CodeGeeX专项系列聚焦于代码任务的极致优化——从130亿参数的第一代到90亿参数的第四代，参数量在缩小，但能力在扩大。CodeGeeX4-ALL-9B以百亿以下的参数规模实现了比参数大几倍的通用模型更强的代码能力，其核心价值在于“推理速度和模型性能的最佳平衡”，使本地部署和实时补全变得经济可行。
GLM旗舰系列则将编程能力作为综合智能的核心组成部分。GLM-5.1实现了“一次任务中独立、持续工作长达8小时”的长程任务能力，从规划、执行到交付的完整闭环。GLM-5.3的编程提升来自后训练Scaling而非基座更换，这意味着智谱找到了一条“在已训练好的基座上通过后训练大幅提升编程能力”的路径，其成本远低于重新预训练一个模型。
二、开源与商业的双轨并行
CodeGeeX系列以开源为核心策略。CodeGeeX4-ALL-9B的模型权重在HuggingFace、ModelScope、WiseModel等平台完全开放，支持GGUF格式与Ollama部署。这一策略使CodeGeeX的个人用户数量突破100万，企业版本广泛应用于科技、金融、医疗和制造等行业。
GLM旗舰系列同样以MIT协议开源，但2.4T级别的GLM-5.3主要通过API和Coding Plan订阅提供商业服务。新版GLM Coding Plan采用基于积分的配额系统，非高峰时段调用仅消耗标准积分的50%。
第四部分：最著名版本——CodeGeeX4-ALL-9B 本地部署实战
CodeGeeX4-ALL-9B是系列中部署门槛最低、社区生态最完善的版本，90亿参数支持128K上下文、Function Call和仓库级代码问答，GGUF量化版在8GB显存即可运行。以下为基于Ollama的完整本地部署步骤。
步骤一：环境准备与硬件规划
最低配置：NVIDIA GPU，显存6GB（量化模型），CPU需支持AVX2指令集
推荐配置：NVIDIA GPU，显存18GB（非量化模型）
内存：16GB DDR4及以上
存储：预留20GB SSD空间
步骤二：安装Ollama
bash
# Linux/macOS一键安装
curl -fsSL https://ollama.com/install.sh | sh
# 配置跨域环境变量
export OLLAMA_ORIGINS="*"
# 启动服务
ollama serve &
建议安装Ollama 0.2或更高版本。
步骤三：拉取CodeGeeX4-ALL-9B模型
bash
# 拉取Q4量化版（约5.5GB）
ollama pull codegeex4:9b-all-q4_K_S
# 或拉取FP16完整版（约18GB）
ollama pull codegeex4:9b-all-fp16
步骤四：命令行使用
bash
# 交互式运行
ollama run codegeex4:9b-all-q4_K_S
# 单次生成
ollama run codegeex4:9b-all-q4_K_S "用Python实现一个带缓存的斐波那契数列"
步骤五：VS Code插件集成
在VS Code中安装CodeGeeX插件，进入插件设置开启“本地模式”开关，在模型配置的高级模式中，将模型名称填写为codegeex4，API地址填写Ollama的本地端点http://localhost:11434，即可在IDE中免费使用本地CodeGeeX4-ALL-9B进行代码补全和对话。
步骤六：监控与调优
显存占用：Q4量化版约5-6GB
上下文窗口：128K
推理速度：取决于GPU性能，消费级显卡可流畅运行
降本策略：对日常代码补全使用Q4量化版；对需要完整128K上下文的仓库级分析任务使用FP16版本。
第五部分：不同版本的实践结果
案例一：GLM-5.3 + ZCode 从零开发3D开放世界驾驶游戏（基于GLM-5.3）
在GLM-5.3发布后的实测中，开发者使用GLM-5.3 + ZCode的组合，以真实地图数据1:1复刻了上海陆家嘴至外滩区域的3D开放世界驾驶游戏。GLM-5.3以“资深Three.js工程师兼分镜师”的身份，从零交付了可交互第三人称明亮风格开放世界Web Demo、适配60fps帧率的电影感宣传片渲染脚本及3D小游戏《大闹天宫》开发代码，全程仅输入设计规格、素材清单与验收标准，输出代码可直接运行且几乎无需人工调整。
这一案例代表了GLM-5.3在复杂3D工程全链路任务中的端到端生成能力。3D驾驶游戏需要同时处理场景渲染、物理碰撞、相机控制、地图数据解析等多个子系统，对模型的工程架构理解和长程任务执行能力提出了极高要求。
案例二：GLM-5.3“裸考”DeepSeek Harness框架（基于GLM-5.3）
在实测中，GLM-5.3被用来“魔改”DeepSeek刚刚开源的Harness框架——模型在完全没有框架文档的情况下，直接阅读代码库并完成功能修改。这一测试验证了GLM-5.3在陌生代码库快速理解和修改场景中的能力，其128K上下文和仓库级代码问答能力使模型能够一次性理解整个框架的结构和依赖关系。
案例三：CodeGeeX银行核心系统COBOL转Java重构（基于CodeGeeX企业版）
在某银行核心系统升级项目中，CodeGeeX通过自动识别COBOL代码中的业务逻辑并生成等效Java代码，实现了遗留系统的自动化重构。CodeGeeX在Spring Boot转FastAPI的迁移测试中，生成的代码结构保持率达到92%，仅需人工修正3%的业务逻辑差异；生成的测试用例覆盖率达88%。
某银行客户部署CodeGeeX后，代码审查环节的平均耗时从2.3小时缩短至47分钟，同时满足等保2.0三级要求。这一案例代表了CodeGeeX在金融行业遗留系统改造场景中的规模化价值——不是“生成一段演示代码”，而是“在受监管的生产环境中完成核心业务系统的语言迁移”。
案例四：CodeGeeX4-ALL-9B仓库级代码问答与Function Call（基于CodeGeeX4-ALL-9B）
CodeGeeX4-ALL-9B在128K上下文下展示了仓库级代码问答能力。在“大海捞针”评估中，模型在全部由Python代码组成的测试集中插入一个赋值语句（如zhipu_codemodel = “codegeex”），CodeGeeX4-ALL-9B100%正确回答了该变量的值。在Function Call方面，CodeGeeX4-ALL-9B在Berkeley Function Calling Leaderboard的AST数据集和执行验证两个维度均取得92.3%的调用成功率，甚至取得了比GPT-4更高的分数。
这一案例代表了CodeGeeX4-ALL-9B在大型代码库理解和工具调用场景中的独特价值。传统代码模型通常只能处理单文件级别的补全，而128K上下文使模型能够一次性“记住”整个代码库的依赖关系，在回答问题时准确定位到相关文件；Function Call能力则使模型能够调用外部API、执行代码、查询数据库，从“代码生成器”升级为“能动手的编程助手”。
版权声明：本平台仅提供信息存储空间服务，用户发布内容不代表本站观点，交易风险自担；侵权违法内容请立即举报（邮箱：37996619@qq.com），本站接通知后先行屏蔽，责任由发布者承担。