GLM 术语表

GLM 模型相关技术术语速查：架构、注意力、基准测试与产品概念。

MoE 混合专家	Mixture-of-Experts 架构：每个 token 只激活部分专家网络，兼顾模型容量与推理成本。
Post-training 后训练	在预训练基座之后的大规模训练阶段（SFT/RL 等），GLM-5.3 的全部能力提升均来自此阶段。
1M Context 百万上下文	100 万 token 的上下文窗口，可一次读入大型代码库或长篇文档。
IndexShare 索引共享	每四个稀疏注意力层共享一个轻量索引器，百万上下文下每 token FLOPs 降低 2.9 倍。
KVShare KV 共享	跨层共享键值缓存，进一步压缩长上下文推理的显存占用。
MTP 多 token 预测	Multi-Token Prediction：一次预测多个未来 token，加速推理与训练信号传递。
Thinking Level 思考力度	低 / 高 / 最高三档可控推理深度，按任务复杂度分配算力。
Terminal-Bench 终端基准	评测模型在真实终端环境中完成长周期系统任务的基准，2.1 版 GLM-5.3 得分 88.2。
CyberGym 安全攻防基准	网络安全攻防能力评测，GLM-5.3 以 84.5% 取得当前领先。
ExploitBench 漏洞利用基准	源代码漏洞审计与利用能力评测，GLM-5.3 得分 54.4（前代 24.4）。
Agent 智能体	能自主规划、调用工具并跨步骤完成任务的 AI 系统。
MIT License MIT 协议	极宽松的开源协议：可商用、可修改、可再分发，仅需保留版权声明。