Zhipu AI GLM-4: benchmarky, ekosystém a Z plán

Zhipu AI není v čínském AI prostoru nováček. Firma vznikla v roce 2019 jako spin-off Tsinghua University, začínala s dvaceti lidmi a vizí „nechat stroje myslet jako lidé". Dnes patří mezi nejvýše oceňované čínské AI startupy a její model GLM-4, představený v lednu 2024 na první Zhipu DevDay, je technicky nejambicióznějším produktem v historii firmy. Co přesně GLM-4 umí, jak si stojí na standardních benchmarcích a jak Zhipu buduje ekosystém kolem modelu — to jsou tři věci, které stojí za přesnější analýzu.

Benchmarky: kde GLM-4 stojí a kde zaostává

Čísla z technického reportu Zhipu AI a Zhidx jsou konkrétní a srovnatelná. GLM-4 dosahuje na standardních anglických benchmarcích průměrně 94–99 % výkonu GPT-4, přičemž rozptyl závisí na typu úlohy:

• MMLU (multioborové porozumění, 57 předmětů): GLM-4 dosahuje ~95 % úrovně GPT-4, vzdálenost od GPT-3.5 je značná
• GSM8K (matematické slovní úlohy): rozdíl oproti GPT-4 činí 4,6 procentního bodu
• MATH (pokročilá matematika v LaTeXu): zde zůstává 9bodová mezera za GPT-4, ale GLM-4 překonává GPT-3.5 o 15 bodů
• BBH (Google benchmark pro složité jazykové úlohy): GLM-4 se pohybuje do 1 % za GPT-4
• HumanEval (generování kódu): GLM-4 překonává jak GPT-3.5, tak GPT-4

Silnější stránkou je čínský jazykový výkon. Na AlignBench GLM-4 celkově překonává červnovou verzi GPT-4 a blíží se GPT-4 Turbo, přičemž v oblastech jako profesionální dovednosti, porozumění čínštině a hraní rolí dokonce nejnovější verzi GPT-4 předstihuje. Slabší zůstává čínské logické uvažování — firma to sama přiznává.

Kontext 128k tokenů (přibližně 300 stran textu) a výsledky testu „jehla v kupce sena" se 100% přesností zpětného vyhledávání jsou relevantní pro enterprise nasazení, kde jsou dlouhé dokumenty standardem. Na LongBench (128K) GLM-4 překonává Claude 2.1.

Multimodální složka modelu — CogView3 pro generování obrazu — dosahuje 91,4–99,3 % výkonu DALL·E 3 na standardních hodnoticích metrikách. Průměr se pohybuje kolem 95 % relativního výkonu.

GLM-4.5: MoE architektura a agentní schopnosti

V červenci 2025 Zhipu vydalo open-source GLM-4.5, který přechází na architekturu MoE (Mixture of Experts). Technicky relevantní změny oproti GLM-4:

• Optimizér Muon místo standardního AdamW — zrychluje konvergenci a toleruje větší batch size
• QK-Norm pro stabilizaci rozsahu attention logitů
• Vrstva MTP (Multi-Token Prediction) pro spekulativní dekódování při inferenci — přímý dopad na rychlost a náklady na provoz

Na benchmarcích zaměřených na agentní schopnosti GLM-4.5 překonává nebo se vyrovnává výrazně větším modelům. TAU-bench-Retail: 79,7 (GLM-4.5) vs. 70,4 (o3) a 75,1 (GPT-4.1). TAU-bench-Airline: 60,4 vs. 52,0 (o3). Na BFCL v3 (function calling): 77,8 vs. 72,4 (o3) a 68,9 (GPT-4.1). BrowseComp (složité webové vyhledávání): 26,4 — jasně za o3 (49,7), ale před Claude 4 Opus (18,8).

Na inferenčních benchmarcích pro matematiku a vědu: AIME24 dosahuje GLM-4.5 skóre 91,0, MATH 500 hodnoty 98,2 a GPQA 79,1. Pareto analýza zmíněná v technickém reportu ukazuje, že GLM-4.5 a GLM-4.5-Air leží na hranici optimálního poměru výkon/velikost modelu — tedy při srovnatelném výkonu jsou menší než konkurenční modely.

GLM-4 All Tools, představený už na DevDay 2024, řeší orchestraci nástrojů v jednom promptu: model sám rozhoduje, zda zavolá webový prohlížeč, Code Interpreter nebo CogView3. Na testu webového vyhledávání dosahuje přesnosti 78,08 — 116 % výkonu GPT-4 All Tools. Na GSM8K a MATH s Code Interpreterem se GLM-4 pohybuje na srovnatelné úrovni jako GPT-4 All Tools.

Funding model: Z plán a otevřený ekosystém

Technologický výkon sám o sobě nestačí. Zhipu buduje ekosystém souběžně s modelem prostřednictvím tří nástrojů, z nichž každý cílí na jinou vrstvu trhu.

Z plán je startupový fond o objemu 1 miliardy CNY, financovaný společně se strategickými partnery. Zaměřuje se na pět oblastí: algoritmy velkých modelů, nízkoúrovňové operátory, optimalizaci čipů, oborové modely a „super aplikace". Nejde o PR gesto — Zhipu před oznámením fondu investovalo „několik set milionů CNY" do desítek firem, včetně 面壁智能 (ModelBest), jedné z prvních čínských firem zaměřených na agentní systémy, a 基流科技, která má zkušenosti s provozem clusterů přes 10 000 GPU.

Fond pro open-source komunitu operuje se třemi čísly: 1 000 GPU karet pro open-source vývojáře, 10 milionů CNY v hotovosti pro open-source projekty a 100 miliard bezplatných API tokenů pro nejlepší přispěvatele. Zhipu open-sourcovalo prakticky všechny své modely od prvního ChatGLM — tisícimiliardový základní model, kódovací modely, multimodální modely, CogAgent. GLM-4.5 byl vydán pod MIT licencí.

MaaS API platforma uzavírá kruh: open-source přitahuje vývojáře, komerční API generuje příjmy. GLMs (obdoba GPT Store) a příchozí program sdílení výnosů pro vývojáře kopírují strukturu OpenAI ekosystému, ale s lokální adaptací — podpora čínštiny, integrace s domácím hardwarem, soulad s regulatorními požadavky.

Qiming Venture Partners, investor Zhipu, ocenila firmu jako „nejvýše hodnoceného čínského AI unicorna" k datu DevDay. Přesná čísla ocenění nejsou v dostupných materiálech potvrzena — více zdrojů uvádí různé milníky, které odpovídají různým kolům financování.

Výhled: kde jsou reálné limity

GLM-4.5 je technicky solidní model — obzvláště v agentních úlohách a čínském jazyce překonává modely, které jsou výrazně větší. Přechod na MoE architekturu a spekulativní dekódování jsou správné kroky pro snížení provozních nákladů, což je v čínském B2B segmentu klíčová proměnná.

Slabina zůstává tam, kde ji Zhipu samo identifikuje: na BrowseComp GLM-4.5 zaostává za o3 o více než 23 bodů, na HLE (extrémně obtížné vědecké otázky) dosahuje jen 14,4 oproti 20,0 u o3. Frontier reasoning stále vykazuje mezeru.

Z plán a open-source strategie jsou logické kroky pro firmu, která nechce být jen dalším API providerem, ale platformou. Otázka je, zda 1 miliarda CNY a 2 000 partnerů stačí k vytvoření skutečné závislosti ekosystému — nebo zda rychlost, s jakou DeepSeek, Qwen a další posouvají benchmarky, tento záměr komplikuje dřív, než se ekosystém stabilizuje.