kaggle竞赛宝典 | 国内最快的推理模型！效果比肩 DeepSeek R1，速度快 8 倍！

本文来源公众号“kaggle竞赛宝典”，仅用于学术分享，侵权删，干货满满。

原文链接：微调大型语言模型 （LLM）

我发现，AI 领域的竞争越来越多元化了。

以前，大家往往比拼模型的参数规模、模型效果；后来，大家开始卷价格；就在今天，智谱 AI 这位老哥，突然开源了一个速度起飞的推理模型，直接把“速度”这张牌打成了王炸。

有多快呢？

推理速度最高达到 200 Tokens/s，是 DeepSeek-R1 常规速度的 8 倍。

这还没完。

这只是智谱刚推出的推理模型 GLM-Z1-AirX，还有一个高性价比版本 GLM-Z1-Air，不仅在效果上硬刚 671B 参数的 DeepSeek-R1，而且价格卷到了后者的 1/30。

感觉空气中都弥漫着一股“内卷终结者”的气息。

GLM-Z1-Air 效果表现

先来看一下 GLM-Z1-Air 在一系列学术测试基准上的效果表现。

在 AIME 24/25 (数学推理)、LiveCodeBench (代码生成)、GPQA (科学问答) 这些硬核基准测试中，GLM-Z1-32B 基本上做到了对 671B 参数量 DeepSeek-R1 的效果打平。考虑到两者参数量级的巨大差异，这表现堪称不错了。

此外，我注意到，GLM-Z1-32B 与同等参数量的 QwQ-32B 模型相比，其在综合工具调用、科学测试基准上表现更优，其他测试基准上整体持平。

根据官方的描述，这个模型通过冷启动和扩展强化学习，专门针对数学、代码、逻辑推理等任务进行了深度优化。智谱还引入了基于“对战排序反馈”（Battle Rank Feedback）的通用强化学习，让它在解决复杂问题上的能力有了显著提升。

一句话总结——

非常值得将其拿来上手实测一下。

一手实测

先来一道物理场景推理的题目开开胃。

（科学题）：密闭房间内有冰块悬浮于水面上的杯子，室温恒为 25°C。当冰块完全融化后，水面高度如何变化？若冰块中含一枚铁钉，结果是否不同？

Z1-Air 的结果——

手拿把掐，轻松通过。

这两天，夕小瑶 family 群里对一种类型的题讨论尤其激烈，就是设定几组规则，推理出一组数字，当然数字越多推理难度越大，算是一道非常单纯的逻辑题，这里我们来测一下。

甲、乙、丙三个海盗发现了一个巨大的保险柜，可惜保险柜上挂着一把密码锁。锁的密码由 5 个不同的数字组成。于是，他们胡乱猜了起来（如下所示）。他们每人都猜对了位置不相邻的两个数。根据 3 个已知条件，推断出密码是多少！

猜测：

甲：8 4 2 6 1

乙：2 6 0 4 8

丙：4 9 2 8 0

Z1-Air 的结果——

我顺便测了下 R1——

我自己尝试着算了算，一分钟后果断放弃看答案。。给两个模型都是只有一次机会，Z1-Air 正确，R1 却翻车了。这是我没想到的。

接着，我准备了一道陷阱题——

五斤花生可以榨四两油，现在有十斤花生，可以榨的花生有多少？

不出意外，它没能绕开。但我不死心试了几乎所有主流在用的模型，包括 R1、2.5 Pro、grok，这道题全挂，暂且划到对于 reasoning 类模型来说属于超纲吧。

此外需要提一嘴，这个 GLM-Z1-Air 模型不仅开源，而且在智谱 AI 开放平台中，分成了三个版本可供 API 调用：

1. GLM-Z1-Air：高性价比版本，价格只有 DeepSeek-R1 的 1/30

2. GLM-Z1-AirX：速度天花板版本，虽然价格更贵，但 200 Tokens/s 的推理速度很难让人拒绝，而且提速后依然比 DeepSeek-R1 便宜不少。

3. GLM-Z1-Flash：免费版本。推理模型都发布了免费版本的 API，这个我确实没想到。

老规矩，贴一下传送门：

https://www.bigmodel.cn/dev/api/normal-model/glm-4

智谱 GLM-4-32B-0414 全家桶

除了上面的推理模型 GLM-Z1-Air 系列之外，其实智谱这次还一口气开源了包括对基座 Chat 模型以及前段时间发布不久的沉思模型，且分了 9B 和 32B 两个尺寸。

全家桶细节可以见下表——

先来说说 GLM-4-32B-0414 这个对话模型。

虽然 GLM-4-32B-0414 不是推理模型，但智谱不仅给它喂了 15T 的高质量数据进行预训练，而且还塞了不少推理类的合成数据。 因此，这个 GLM-4-32B 模型的代码生成能力得到了不错的改善，据说能够直接搞定更复杂的单文件代码生成了。

从学术测试基准来看，GLM-4-32B-0414（蓝色柱子）在指令遵循 (IFEval)、综合工具调用 (BFCL-Overall)、智能体工具调用 (TAU-Bench)、搜索问答 (SimpleQA/HotpotQA) 等多个维度上，都表现出了非常强的竞争力，部分指标甚至超越了 DeepSeek-R1 和 GPT-4o-1120。

比如官方贴了一个测试 case，让它设计一个移动端机器学习平台——

提示词：给我设计一个移动端机器学习平台的 UI，其中要包括训练任务，存储管理，和个人统计界面。个人统计界面要用图表展示用户过去一段时间的各类资源使用情况。使用 Tailwind CSS 来美化页面，把这 3 个手机界面平铺展示到一个 HTML 页面中

代码运行结果——

这个完成度和页面逻辑的合理性，实在挑不出什么毛病。

再或者，让其制作 SVG 图片——

提示词：用 svg 展示一个 LLM 的训练流程

这个 SVG 的可用性也挺高的，我对比了一下 DeepSeek-R1 的同提示词输出——

虽然 R1 在流程图的每个节点做了更为详细的注释，这点好评，但可惜的是连线的时候崩了。

再来看看沉思模型 GLM-Z1-Rumination-32B。

这个模型，源自智谱对 Deep Research 策略训练的探索。简单来说，就是赋予模型一种进行深度研究的能力。

官方给了一个很形象的类比：

• 普通搜索 = 本科生，能快速找到资料。

• 带反思的推理模型（类似 Z1） = 硕士生，能对信息进行整理和初步分析，给出几百上千字的概述。

• 沉思模型（Rumination） = 博士生，具备深度研究能力，能独立思考、查阅文献、整合分析，最终输出一份非常详尽、甚至上万字的报告。

这个模型的核心特点是“沉思”（Rumination）。它不像普通模型那样追求快速回答，而是愿意花费更长的时间（文档里提到可能长达 5 分钟甚至更久）进行深度思考，来解决那些更开放、更复杂的问题。

它能在思考过程中主动结合搜索工具处理复杂任务，利用多种规则型奖励来指导和扩展端到端的强化学习训练。支持一个完整的 “自主提问 → 搜索信息 → 构建分析 → 完成任务” 的流程。

这种模型在需要深度研究、复杂内容生成、长篇报告撰写等场景下，潜力巨大。

以上就是 Z1-Rumination 解决一个开放式研究问题的例子：撰写关于北京和杭州 AI 发展对比，并分析国外城市 AI 治理案例，规划未来发展。这种任务，显然需要模型具备超越简单问答的深度思考和信息整合能力。

这里我真的要强调一嘴——

包括谷歌、OpenAI 在内，各家都把 DeepResearch 功能藏着掖着，连 API 都不开放，如今智谱却干脆把模型都开源出来了。这个动作非常值得点赞。

而智谱这次开源，一如既往的走 MIT 开源协议，可完全商用。

当然了，除了自行开源部署外，也可以直接在智谱 AI 开放平台调用 API，我整理了一下价格——

只能说，智谱的 API 定价从来不让开发者失望。

彩蛋：z.ai 神级域名上线

智谱这次，还正式启用了全新的全球域名：

z.ai

我截了个图：

从此，全球用户都可以在 z.ai，直接与智谱最新的模型进行交互了。

最后，我想给智谱配合这次新模型 + 新域名发布提出的 Slogan 点个赞——

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。