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。
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：
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。
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！
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。
瞧，待它分析完任务之后，自己就开始唰唰地编程了：
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……
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：
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 METR（Model 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。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
谁会代表 2026 年的 AI？
龙虾爆火，带动一波 Agent 与衍生产品浪潮。
但真正值得长期关的 AI 公司和产品，或许不止于此。
如果你正在做，或见证着这些变化，欢迎申报。
让更多人看见你。 https://wj.qq.com/s2/25829730/09xz/
一键关注 点亮星标
科技前沿进展每日见
