知识卡片：智谱唐杰首次披露GLM-6.0，下一代模型走向全自训练

英文标题：Zhipu’s Tang Jie Reveals GLM-6.0: Fully Self-Training as the Next-Generation Approach

英文关键词：GLM-6.0; Fully Self-Training; Zhipu AI; Scaling; AI Agent

一句话结论

智谱创始人唐杰首次披露下一代模型 GLM-6.0 的技术路线为 Fully Self-Training（全自训练）。他认为 Scaling 并未结束，而是重心转移；GLM-6.0 的发布时间尚未公布。

事件概述

智谱创始人唐杰在中期业绩会上首次披露了下一代 GLM-6.0 的技术路线：Fully Self-Training，即“全自训练”。他同时表示，Scaling 并未结束，而是重心发生转移；GLM-5.3 与 GLM-5.2 采用相同基础模型、参数规模未变，能力提升主要来自扩大长周期任务环境与后训练。

方法/产品要点

• GLM-6.0 将走向“全自训练”路线。
• 全自训练的含义：模型自行生成数据、筛选数据、构建任务环境，乃至优化基础设施。
• 最难的部分：模型判断自己输出对错的“自我评估”能力。
• 发布时间：尚未公布（材料原文）。

为什么重要

这一披露显示，头部大模型厂商开始明确把“后训练 / 自我训练 / 自我评估”作为下一代模型的核心叙事，而不再只强调参数规模与预训练算力扩展。这表明行业讨论可能正在从“Scaling compute”转向“Scaling 任务环境与自训练能力”。本卡片的增量信息在于首次公开 GLM-6.0 的方向性表述，而非具体性能或发布时点。

局限与不确定性

• 材料为行业速递中的简要披露，没有给出 GLM-6.0 的架构细节、参数规模、训练数据量或具体时间表，相关内容待核实。
• “中期业绩会”的具体日期、场合和更多背景未在材料中完整交代，待核实。
• 材料未提供任何评测结果或可验证的技术报告，相关表述来自唐杰的公开分享。

可用于图书/PPT/简报的角度

• 案例素材：Scaling Law 讨论如何从“参数规模竞赛”转向“高质量数据、任务环境和自训练能力”。
• 观点素材：前沿研发者如何看待“模型自己判断对错”这一核心瓶颈。
• 引用出处格式：腾讯研究院AI速递 20260902。

原始材料

• 标题：腾讯研究院AI速递 20260902
• 原始来源：https://m.sohu.com/a/1070665925_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334
• 相关原文摘录：
  • “智谱创始人唐杰在中期业绩会上首次披露下一代GLM-6.0的技术路线：Fully Self-Training，即全自训练。”
  • “他认为Scaling并未结束而是重心转移，GLM-5.3与5.2采用相同基础模型、参数规模未变，靠扩大长周期任务环境与后训练获得能力提升。”
  • “全自训练指模型自行生成筛选数据、构建任务环境乃至优化基础设施，最难的是模型判断对错的自我评估能力，发布时间尚未公布。”