GLM-4.5 et GLM-4.6 : Zhipu AI (Z.ai) hisse l'open chinois au premier plan

Le 28 juillet 2025, un laboratoire chinois issu de l'université Tsinghua, connu sous le nom de Zhipu AI et désormais rebaptisé Z.ai, publie une famille de modèles qui va compter dans l'année. GLM-4.5 n'est pas un simple assistant conversationnel : c'est un modèle de fondation pensé pour les agents, réunissant dans une même architecture le raisonnement, la programmation et l'usage d'outils. Surtout, il arrive avec ses poids ouverts sous licence MIT, l'une des plus permissives qui soient, accompagné d'une version allégée, GLM-4.5-Air, et d'un rapport technique détaillé. La combinaison marque un jalon : une base généraliste crédible pour le code et les agents devient, ce jour-là, un bien inspectable et réutilisable par quiconque.

Cet article retrace l'événement dans son ordre naturel : ce qu'était précisément la famille GLM-4.5 le jour de sa sortie, le contexte de montée des modèles ouverts chinois qui l'a rendue possible, ce que sa suite immédiate — GLM-4.6, fin septembre 2025 — a consolidé, et l'héritage que l'on peut lire avec le recul de juillet 2026. La chronique « Les Métriques » a une règle constante : les chiffres priment sur les slogans, et une performance de laboratoire ne vaut que replacée dans son contexte. Nous nous y tiendrons, en saluant l'avancée sans lui prêter plus qu'elle n'a démontré.

Ce que c'était : une famille ouverte pensée pour les agents

Pour saisir la portée de l'annonce, il faut d'abord regarder ce que Z.ai a mis sur la table. GLM-4.5 est un modèle de langage de type Mixture-of-Experts (mélange d'experts) : plutôt qu'activer l'intégralité de ses paramètres à chaque calcul, il n'en mobilise qu'une fraction, sélectionnée dynamiquement selon la tâche. Le modèle totalise 355 milliards de paramètres, dont 32 milliards actifs par token. Sa déclinaison plus compacte, GLM-4.5-Air, affiche 106 milliards de paramètres au total, dont 12 milliards actifs. Cette conception permet de disposer d'une grande capacité de connaissance tout en gardant un coût de calcul à l'inférence bien inférieur à celui d'un modèle dense de taille comparable.

Les deux modèles sont diffusés sous licence MIT. Cette licence autorise l'usage commercial, la modification et la redistribution, y compris pour construire d'autres modèles par distillation. Z.ai a ouvert non seulement les modèles de base, mais aussi les versions à raisonnement hybride et leurs déclinaisons en précision FP8, ce qui facilite un déploiement plus léger. Pour une équipe qui souhaite héberger le modèle sur son propre matériel, le point est décisif : les poids sont accessibles sans coût de licence, et l'exécution ne dépend d'aucune interface propriétaire.

Pourquoi le mélange d'experts change l'économie du modèle

Le choix de l'architecture Mixture-of-Experts n'est pas une coquetterie technique : il conditionne l'économie même du modèle. Dans un modèle « dense » classique, chaque token traité mobilise l'intégralité des paramètres. Doubler la taille revient donc à doubler le coût de calcul à chaque requête. Le mélange d'experts rompt cette proportionnalité. Le modèle est découpé en de nombreux sous-réseaux spécialisés — les « experts » — et un mécanisme de routage sélectionne, pour chaque token, le petit sous-ensemble d'experts le plus pertinent. Le reste demeure inactif pour ce calcul précis.

C'est ce qui explique l'écart, chez GLM-4.5, entre les 355 milliards de paramètres totaux et les 32 milliards effectivement activés par token. Le modèle dispose de la capacité de mémorisation associée à une très grande taille, mais paie à l'inférence un coût proche de celui d'un modèle bien plus petit. Pour GLM-4.5-Air, le même principe joue à une échelle réduite : 106 milliards de paramètres en réserve, 12 milliards mobilisés à chaque pas. Cette dissociation entre capacité et coût de service est précisément ce qui rend envisageable, pour des équipes aux moyens contraints, l'exploitation d'un modèle de cette envergure sur une infrastructure raisonnable.

Modèle dense contre mélange d'experts. À gauche, chaque token mobilise l'intégralité des paramètres. À droite (GLM-4.5), un routeur n'active qu'un sous-ensemble d'experts : la capacité de mémorisation tient dans les 355 Md de paramètres, mais le coût de calcul par token est piloté par les 32 Md actifs.

À retenir. 355 milliards de paramètres en mémoire, 32 milliards mobilisés par token — soit environ 9 %. Le modèle combine la capacité d'un très grand réseau et un coût d'inférence proche de celui d'un modèle bien plus compact. C'est tout l'intérêt du mélange d'experts.

Estimateur d'économie MoE

Le mélange d'experts agit sur le calcul, pas sur la mémoire. Choisissez un modèle (ou saisissez vos valeurs) pour mesurer l'écart.

Modèle Paramètres totaux (Md) Paramètres actifs (Md)

Taux d'activation9,0 %

Coût de calcul (vs. dense de même taille)9,0 %

Équivalent dense à l'inférence≈ 32 Md

Mémoire des poids (précision FP8)≈ 355 Go

Estimation pédagogique. Le coût de calcul par token est proportionnel aux paramètres actifs ; la mémoire, elle, doit charger tous les experts (≈ 1 octet par paramètre en FP8). Un déploiement réel ajoute le KV-cache, l'overhead du routeur et la batchification.

Le mélange d'experts a une contrepartie : il complique l'entraînement, car il faut apprendre au routeur à répartir équitablement le travail entre experts, sous peine de voir certains monopoliser la charge tandis que d'autres restent sous-utilisés. Que Z.ai livre une famille MoE aboutie et documentée, en poids ouverts, donne à la communauté un objet d'étude précieux autant qu'un outil de production. C'est un des points où la publication du rapport technique dépasse le simple communiqué : elle rend inspectable une mécanique d'ordinaire tenue confidentielle.

Un modèle à raisonnement hybride

La particularité fonctionnelle de GLM-4.5 tient à son raisonnement hybride. Le modèle propose deux modes. Un mode « réflexion » (thinking) déroule une chaîne de raisonnement intermédiaire avant de répondre, utile pour les problèmes complexes et l'usage d'outils en plusieurs étapes. Un mode « direct » (non-thinking) formule une réponse immédiate, adapté aux requêtes simples où la délibération serait superflue. Cette bascule laisse à l'application le choix du bon compromis entre qualité et rapidité selon l'enjeu de chaque requête.

Le raisonnement hybride laisse à l'application le choix du mode selon la difficulté de la requête : dérouler une chaîne de réflexion quand la tâche l'exige (outils, démonstrations, débogage), ou répondre d'un trait quand la délibération serait superflue.

Ce dispositif répond à une tendance de fond de l'année 2025 : le déplacement d'une partie de l'effort de calcul de l'entraînement vers l'inférence. Un modèle qui répond « d'un trait » se trompe sur les tâches exigeant plusieurs étapes de déduction, parce qu'il ne se donne pas le temps de les dérouler. En autorisant une réflexion structurée quand la tâche le mérite, on gagne en fiabilité là où une seule intuition ne suffit pas : démonstrations mathématiques, résolution de bugs, enchaînements d'appels d'outils. GLM-4.5 intègre ce levier nativement, sans l'imposer partout.

Le trio ARC : agents, raisonnement, code

Le rapport technique de Z.ai, publié début août 2025 sur arXiv sous le titre « GLM-4.5: Agentic, Reasoning, and Coding (ARC) Foundation Models », résume l'ambition dès son intitulé. Les auteurs ne cherchent pas à exceller sur une seule dimension, mais à réunir trois familles de compétences longtemps traitées séparément :

Agentique — la capacité à planifier une tâche, à appeler des outils externes (recherche, exécution de code, API) et à enchaîner plusieurs tours d'action de façon cohérente.
Raisonnement — la résolution de problèmes de mathématiques, de logique et de sciences à travers une chaîne de réflexion explicite.
Code — la génération, la correction et la compréhension de programmes, y compris dans des contextes de développement réels.

Cette convergence est le fil conducteur de la famille GLM. Un modèle capable de raisonner sait mieux planifier ; un modèle qui planifie bien sait mieux orchestrer des outils ; un modèle rompu au code sait générer les commandes que ces outils attendent. En traitant les trois ensemble plutôt que comme des spécialités isolées, Z.ai vise précisément le profil dont les agents — ces systèmes qui agissent en autonomie sur plusieurs étapes — ont besoin.

Comment le modèle a été entraîné

Le rapport technique décrit un entraînement en plusieurs temps. Le pré-entraînement s'appuie sur un corpus de 23 000 milliards de tokens (23T), un volume considérable qui construit les connaissances générales du modèle. Vient ensuite une phase de post-entraînement mêlant itération de modèles experts et apprentissage par renforcement, destinée à affûter les compétences de raisonnement, de code et d'usage d'outils. C'est cette seconde étape qui transforme une base de connaissances brute en un modèle capable d'agir de manière ordonnée sur des tâches concrètes.

Le recours à l'apprentissage par renforcement sur des tâches à réponse vérifiable — un résultat mathématique juste ou faux, un programme qui passe ou non ses tests — s'inscrit dans une méthode que plusieurs laboratoires ont popularisée en 2025. Le signal d'apprentissage y est net : pas besoin d'un juge subjectif pour savoir si le modèle a réussi, il suffit de comparer sa sortie au résultat attendu. Cette « vérité de terrain » propre est ce qui rend l'entraînement des compétences de raisonnement et de code particulièrement efficace.

Les chiffres annoncés au jour J

La chronique « Les Métriques » ne serait pas fidèle à son nom sans un examen des mesures publiées. Le rapport de Z.ai place GLM-4.5 parmi les meilleurs modèles évalués à sa sortie, tout en soulignant qu'il y parvient avec nettement moins de paramètres que plusieurs concurrents. Sur un ensemble de douze benchmarks couvrant agents, raisonnement et code, le modèle obtient un score moyen de 63,2, ce qui le classe troisième parmi l'ensemble des modèles évalués, propriétaires comme ouverts, et deuxième sur les épreuves agentiques. GLM-4.5-Air, avec sa taille réduite, atteint 59,8 sur le même ensemble — un résultat compétitif pour un modèle bien plus léger.

Dans le détail, quelques mesures marquantes ressortent du rapport technique, telles que publiées par l'équipe :

Épreuve	Ce qu'elle mesure	GLM-4.5 (score publié)
AIME 2024	Mathématiques de compétition	91,0 %
SWE-bench Verified	Résolution de bugs logiciels réels	64,2 %
TAU-bench	Tâches agentiques avec outils	70,1 %
Moyenne (12 benchmarks)	Agents, raisonnement, code	63,2 (3ᵉ rang)

Sources : rapport technique GLM-4.5 (arXiv 2508.06471) et annonce officielle Z.ai. Scores tels que publiés par l'équipe.

À retenir. 63,2 de moyenne sur douze benchmarks, troisième rang tous modèles confondus — propriétaires et ouverts —, avec seulement 32 Md de paramètres actifs par token. Des scores publiés par l'équipe elle-même : à lire comme des repères vérifiables, et à confirmer par évaluation indépendante.

Deux précautions de lecture s'imposent, fidèles à la rigueur de la chronique. D'abord, ces mesures proviennent de l'équipe qui publie le modèle : elles sont utiles comme point de repère, mais elles appellent une vérification indépendante, que la communauté a d'ailleurs conduite dans les semaines suivantes. Ensuite, un score de benchmark isole une compétence dans un cadre contrôlé ; il ne préjuge pas du comportement du modèle sur une tâche réelle, plus bruitée et plus variée. La valeur d'un rapport publié, précisément, est de rendre ces chiffres reproductibles et contestables — c'est ce qui distingue une annonce vérifiable d'un simple communiqué.

Le contexte : la montée des modèles ouverts chinois

GLM-4.5 n'est pas apparu dans le vide. Il arrive au terme d'une année 2025 où les modèles ouverts venus de Chine ont pris une place inédite dans le paysage mondial de l'IA. Comprendre ce mouvement est nécessaire pour mesurer ce que Z.ai a réellement apporté.

Zhipu AI, un essaimage de Tsinghua

La société a été fondée en 2019 comme essaimage de l'université Tsinghua, à partir des travaux du laboratoire d'ingénierie des connaissances (KEG). Ses cofondateurs, les professeurs Tang Jie et Li Juanzi, sont des figures reconnues de la recherche académique chinoise en apprentissage automatique. Dans les cercles de l'open source, le laboratoire s'était fait connaître de longue date pour ses travaux sur la famille GLM et sur des modèles génératifs, bien avant la vague actuelle des grands modèles de langage.

En 2025, l'entreprise adopte à l'international le nom Z.ai, en cohérence avec la sortie de la famille GLM-4.5. Ce changement de marque accompagne un changement d'échelle : d'un laboratoire estimé des spécialistes, Z.ai devient un acteur dont les modèles sont téléchargés, hébergés et intégrés à travers le monde. Le mouvement se prolongera au-delà de notre sujet — l'entreprise réalisera début 2026 une introduction en bourse à Hong Kong — mais ce qui compte ici, c'est qu'à l'été 2025 elle dispose déjà de la crédibilité technique nécessaire pour peser dans la catégorie des modèles ouverts.

DeepSeek et Qwen ont ouvert la voie

Deux dynamiques ont préparé le terrain. La première porte le nom de DeepSeek. En janvier 2025, ce laboratoire chinois publie DeepSeek-R1, un modèle de raisonnement diffusé sous licence MIT, dont l'application grand public grimpe rapidement en tête des téléchargements aux États-Unis. L'épisode démontre publiquement qu'un modèle ouvert venu de Chine peut rivaliser avec les meilleures productions occidentales sur les tâches les plus exigeantes, et le faire avec des coûts d'entraînement bien plus mesurés. Le message adressé à l'écosystème est clair : la frontière de la performance n'est plus la propriété exclusive d'un petit nombre de laboratoires fermés.

La seconde dynamique porte le nom de Qwen, la famille de modèles d'Alibaba. Diffusés en grande partie sous licence Apache 2.0, ces modèles ont couvert un très large éventail de tailles et de spécialités, jusqu'à devenir l'une des bases ouvertes les plus téléchargées au monde. Le fait, mesurable, que les modèles à poids ouverts chinois aient représenté, selon Hugging Face, la part la plus importante des téléchargements mondiaux de modèles sur l'année 2025 — 41 %, devançant les États-Unis pour la première fois — illustre l'ampleur du phénomène. C'est dans ce sillage, et non en pionnier isolé, que Z.ai publie GLM-4.5.

Cette effervescence a une explication structurelle. Les laboratoires chinois ont fait de l'ouverture des poids un choix stratégique autant que technique : diffuser largement un modèle sous licence permissive, c'est en faire un standard de fait, attirer les contributions de la communauté, et bâtir une réputation qui se mesure en téléchargements plutôt qu'en seuls chiffres d'affaires. Là où une partie des acteurs occidentaux a privilégié des modèles fermés servis par API, plusieurs équipes chinoises ont misé sur la diffusion ouverte comme levier d'adoption. GLM-4.5 s'inscrit pleinement dans cette logique, et lui ajoute une orientation nette vers les agents et le code, là où DeepSeek avait surtout marqué le raisonnement et Qwen la polyvalence.

Les deux GLM-4.5 et GLM-4.5-Air sont des modèles à raisonnement hybride offrant deux modes : un mode réflexion pour le raisonnement complexe et l'usage d'outils, et un mode direct pour les réponses immédiates. Ils sont publiés sous licence MIT et peuvent être utilisés à des fins commerciales et pour du développement dérivé.

Cette annonce de Z.ai résume la proposition. Là où DeepSeek avait marqué les esprits sur le raisonnement pur et Qwen sur l'ampleur de sa gamme, GLM-4.5 se positionne sur un créneau précis : une base généraliste unifiée, taillée pour les agents et le code, avec une licence permissive et une déclinaison légère pour les déploiements contraints. La différenciation n'est pas dans un record isolé, mais dans la cohérence de l'ensemble.

Pourquoi ce moment précis

Plusieurs conditions se sont réunies à l'été 2025. Sur le plan technique, l'architecture Mixture-of-Experts avait atteint une maturité qui rendait possible d'entraîner et de servir des modèles de plusieurs centaines de milliards de paramètres à un coût d'inférence raisonnable. Les méthodes d'apprentissage par renforcement sur tâches vérifiables s'étaient diffusées et éprouvées. Enfin, la demande du marché s'était déplacée : les entreprises ne cherchaient plus seulement un bon générateur de texte, mais un moteur capable d'orchestrer des agents — planifier, appeler des outils, écrire et exécuter du code. GLM-4.5 répond exactement à cette attente, au moment où elle se cristallise.

Ce que ça a changé : une base ouverte crédible pour le code et les agents

L'apport de GLM-4.5 se mesure moins à un record de benchmark qu'à un changement de disponibilité. Une base généraliste orientée agents, jusque-là surtout accessible via des interfaces propriétaires, devient un objet que l'on peut télécharger, inspecter, adapter et héberger. Ce déplacement a des conséquences concrètes.

Une souveraineté de déploiement

Parce que les poids sont ouverts sous MIT, une organisation peut faire tourner GLM-4.5 sur sa propre infrastructure, sans dépendre d'un service distant ni exposer ses données à un tiers. Pour les secteurs sensibles aux exigences de confidentialité — santé, secteur public, finance —, cette maîtrise du lieu d'exécution est un critère de premier ordre. La possibilité de servir le modèle sur un nombre restreint d'accélérateurs, grâce à sa conception en mélange d'experts et à ses variantes en précision réduite, rend cette autonomie atteignable pour des équipes qui ne disposent pas de moyens de calcul illimités.

Un socle pour construire des agents

La véritable nouveauté tient à ce que le modèle permet de bâtir. Un modèle de fondation ouvert, compétent en raisonnement, en code et en usage d'outils, est le composant central des systèmes agentiques qui se sont multipliés en 2025 : assistants de programmation, automatisation de tâches administratives, pipelines de recherche et de synthèse. Disposer de ce socle sans coût de licence, et avec la liberté de l'adapter finement à un domaine, abaisse la barrière d'entrée pour les développeurs et les chercheurs. On passe d'une logique de consommation d'un service à une logique de construction sur une brique que l'on possède et que l'on comprend.

Une intégration facilitée dans l'outillage existant

Un modèle de fondation ne vaut, pour un développeur, que par la facilité avec laquelle il s'insère dans son environnement de travail. Sur ce point, la stratégie d'ouverture de Z.ai a un effet concret : parce que les poids sont accessibles et l'interface documentée, la famille GLM a rapidement été prise en charge par les plateformes de distribution de modèles et par les cadres d'orchestration d'agents les plus répandus. La consultation des places de marché d'API et des dépôts publics montre une disponibilité large, qui laisse à chaque équipe le choix entre héberger le modèle elle-même ou l'appeler via un service tiers, selon ses contraintes de coût et de confidentialité.

Cette double voie d'accès — auto-hébergement ou service géré — est un atout de l'ouverture. Une jeune structure peut commencer par consommer le modèle à travers une interface simple, puis basculer vers un hébergement interne le jour où le volume ou la sensibilité des données le justifie, sans réécrire son application ni changer de modèle. La continuité apportée par une base unique, déclinée en plusieurs tailles et servie par plusieurs canaux, réduit le coût de ce genre de transition. C'est une souplesse que les modèles strictement fermés ne permettent pas.

Une pression saine sur toute la filière

L'arrivée d'une base ouverte performante exerce une émulation utile sur l'ensemble du secteur. Face à un modèle librement disponible qui atteint un bon niveau sur les tâches d'agents et de code, les fournisseurs de solutions fermées doivent justifier leur valeur ajoutée autrement que par le seul accès à la capacité brute : qualité de service, outillage, garanties, intégration. Cette dynamique bénéficie in fine aux utilisateurs, qui voient l'écart de performance entre l'ouvert et le fermé se resserrer et les tarifs se détendre. La chronique « Les Métriques » se garde de tout triomphalisme, mais le constat est mesurable : la concurrence par l'ouverture tire la filière vers le haut.

GLM-4.6 : la consolidation de fin septembre

La suite ne s'est pas fait attendre. Fin septembre 2025, Z.ai publie GLM-4.6, une itération qui ne bouleverse pas l'architecture mais affine ce qui compte pour les usages réels. Le modèle reste diffusé en poids ouverts, dans la continuité de la famille.

Un contexte élargi et une meilleure efficacité

Le changement le plus tangible concerne la fenêtre de contexte, portée à 200 000 tokens en entrée, avec une sortie pouvant atteindre 128 000 tokens. Cet élargissement compte pour les tâches agentiques longues, où le modèle doit garder en mémoire l'historique d'une session, plusieurs fichiers de code ou de longs documents. Z.ai indique par ailleurs que GLM-4.6 est plus de 30 % plus efficient en tokens que GLM-4.5 pour accomplir des tâches équivalentes, ce qui se traduit par moins de calcul dépensé à résultat comparable.

Des progrès ciblés sur le code et les agents

Les améliorations annoncées portent principalement sur la programmation en conditions réelles, la compréhension de longs contextes, le raisonnement, la recherche et l'exécution agentique. Sur ce dernier point, GLM-4.6 s'intègre mieux dans les cadres d'agents et les outils de développement assistés, avec des gains signalés sur la génération d'interfaces web soignées. Z.ai rapporte que le modèle atteint, sur plusieurs classements, un niveau proche de celui de modèles propriétaires de référence tels que Claude Sonnet 4 et Sonnet 4.5, notamment sur des épreuves comme AIME 25, GPQA et SWE-bench Verified.

GLM-4.6 est plus de 30 % plus efficient en tokens que GLM-4.5, atteignant le taux de consommation le plus bas parmi les modèles comparables.

À retenir. GLM-4.6 porte le contexte à 200 000 tokens en entrée et revendique plus de 30 % d'efficacité en tokens par rapport à GLM-4.5. Même licence ouverte, même architecture : une consolidation, pas une rupture.

La même prudence de lecture s'applique. Ces comparaisons émanent du fournisseur et reposent en partie sur des protocoles d'évaluation dont les conditions doivent être connues pour être interprétées. Un chiffre de « parité » sur un classement donné signale un rapprochement réel, mais ne dit pas que deux modèles sont interchangeables sur toutes les tâches. La valeur de GLM-4.6, plus sûrement, tient à l'accumulation cohérente de gains sur les dimensions qui importent aux agents, sans rupture de licence ni fermeture de l'accès aux poids.

L'héritage : de GLM-4.5 aux versions suivantes

Avec le recul de juillet 2026, la famille GLM-4.5 apparaît comme un point de bascule dans la trajectoire de Z.ai et, plus largement, dans l'affirmation de l'open chinois. Elle a posé une base — architecture en mélange d'experts, raisonnement hybride, orientation agents et code, licence MIT — que les versions ultérieures ont reprise et étendue.

Une cadence soutenue, vérifiée version par version

La chronique « Les Métriques » ne cite que ce qu'elle a pu confronter à des sources primaires ou de presse fiable. Sur cette base, la lignée postérieure à GLM-4.6 se lit ainsi :

GLM-4.7 — annoncé le 22 décembre 2025 par Z.ai, en poids ouverts, orienté vers les flux de développement réels. L'entreprise revendique un score de 87,4 sur l'épreuve d'usage d'outils τ²-bench et un niveau au moins équivalent à celui de modèles de référence sur plusieurs benchmarks de programmation, avec des mécanismes de « réflexion » renforcés pour les tâches longues.
GLM-5 — décrit dans un rapport technique publié sur arXiv en février 2026 sous le titre « GLM-5: from Vibe Coding to Agentic Engineering ». Le modèle passe l'échelle à 744 milliards de paramètres (40 milliards actifs) et augmente le volume de pré-entraînement par rapport à GLM-4.5, dans la continuité assumée de l'approche ARC.
GLM-5.1 et GLM-5.2 — publiés dans les mois suivants et référencés sur les plateformes de distribution de modèles. Au moment où nous écrivons, ces versions les plus récentes voient certains de leurs détails encore documentés de façon inégale selon les sources ; nous nous en tenons donc à leur existence confirmée, sans avancer de chiffre que nous n'aurions pas vérifié.

Cette cadence, rapide, illustre une stratégie assumée d'itérations fréquentes en accès ouvert. Elle confirme aussi le pari initial de GLM-4.5 : construire une base solide, puis la faire évoluer par incréments réguliers plutôt que par ruptures espacées. Pour un utilisateur, l'intérêt de cette continuité est double — la montée en version se fait sans changer de paradigme, et la licence permissive reste le cadre commun de toute la lignée.

De GLM-4.5 (juillet 2025) à GLM-5.2 (printemps 2026), une trajectoire continue : même socle architectural, même licence ouverte, des incréments réguliers. Le dernier nœud est grisé car, au moment d'écrire, certaines données des versions 5.1 et 5.2 restent inégalement documentées.

Ce que la famille GLM a installé durablement

Au-delà des numéros de version, trois acquis se dégagent. D'abord, la démonstration qu'une base ouverte peut viser sérieusement le créneau des agents et du code, longtemps considéré comme la chasse gardée des modèles propriétaires. Ensuite, la confirmation qu'un acteur issu de la recherche académique peut tenir un rythme de production industrielle sans abandonner l'ouverture des poids. Enfin, l'ancrage d'un standard de fait — mélange d'experts, raisonnement hybride, licence MIT — que d'autres laboratoires, en Chine comme ailleurs, ont retrouvé dans leurs propres sorties.

Il serait excessif de présenter GLM-4.5 comme le seul moteur de la montée de l'open chinois : DeepSeek et Qwen y ont contribué au moins autant, chacun à sa manière. Mais dans le récit collectif de 2025, la famille de Z.ai occupe une place bien identifiée, celle d'une base ouverte crédible pour le code et les agents. C'est l'angle que nous retenons, sobrement : une avancée réelle, mesurable dans ses grandes lignes, qui a élargi l'éventail des outils accessibles à qui veut construire plutôt que consommer.

Une portée qui dépasse son pays d'origine

La disponibilité d'une base ouverte performante ne connaît pas de frontières. Pour un développeur, un chercheur ou une structure établis hors de Chine, une famille de modèles sous licence MIT est un bien exploitable au même titre qu'une bibliothèque logicielle libre : on la télécharge, on l'adapte, on l'intègre à ses propres travaux. Cette accessibilité a une conséquence sur l'équilibre du secteur. Elle diversifie l'offre de bases de fondation au-delà d'un cercle restreint de laboratoires, et réduit la dépendance à un fournisseur unique — un enjeu que les organisations soucieuses de leur autonomie technologique suivent avec attention.

Cette portée s'apprécie aussi à l'aune de la conformité. Un modèle que l'on héberge soi-même laisse à l'organisation la maîtrise du traitement des données, ce qui simplifie l'alignement avec les cadres réglementaires exigeants en matière de vie privée. Pour un acteur européen, la possibilité d'exécuter un modèle compétent sur une infrastructure qu'il contrôle, sans transférer d'informations vers un service tiers, constitue un argument concret. La famille GLM n'a pas été conçue pour cet usage précis, mais son ouverture le rend possible — et c'est l'une des raisons pour lesquelles les modèles à poids ouverts ont trouvé un écho bien au-delà de leur marché d'origine.

Une chronologie à lire avec le recul

Avec douze mois de recul, la séquence GLM-4.5 → GLM-4.6 → versions suivantes se lit comme une trajectoire cohérente plutôt que comme une succession de coups d'éclat isolés. Chaque itération a repris les acquis de la précédente — architecture, licence, orientation — en resserrant l'écart avec les meilleures productions propriétaires sur les tâches d'agents et de code. Cette régularité est peut-être l'enseignement le plus durable : dans une catégorie où les annonces spectaculaires se succèdent, la valeur se construit par accumulation, version après version, autour d'un socle stable et ouvert.

Ce qu'on en retient

La famille GLM-4.5, publiée le 28 juillet 2025 sous licence MIT, a mis à disposition du monde du développement une base de fondation ouverte, taillée pour le raisonnement, le code et les agents, dans une architecture en mélange d'experts économe à l'inférence. Sa suite immédiate, GLM-4.6, en a consolidé les points forts avec un contexte élargi et une meilleure efficacité, avant que la lignée ne se poursuive à un rythme soutenu. Les mesures publiées la situent parmi les meilleures productions ouvertes de l'année ; la prudence commande de les lire comme des repères vérifiables plutôt que comme des verdicts définitifs.

Le fait marquant, en définitive, n'est pas un chiffre isolé mais un déplacement de disponibilité : une catégorie de modèles jusque-là surtout accessible par des services fermés est devenue, avec GLM-4.5, un bien inspectable et réutilisable. Dans la trajectoire des modèles ouverts chinois, aux côtés de DeepSeek et de Qwen, Z.ai a apporté une pierre solide — et c'est bien ainsi, sans survente, que la chronique « Les Métriques » choisit de l'inscrire.