El benchmark que más importa para coding agents tiene un nuevo líder — y es open-weight.
El 8 de abril, Z.AI lanzó GLM-5.1: un modelo Mixture-of-Experts de 744B parámetros totales con 40B activos por forward pass. Logró 58.4 en SWE-Bench Pro, superando a GPT-5.4 (57.7) y Claude Opus 4.6 (57.3), convirtiéndose en el primer sistema open-weight en liderar ese leaderboard. Los pesos se publican bajo licencia MIT y están disponibles en Hugging Face.
Por qué este no es un anuncio de benchmark más
La mayoría de los lanzamientos de “nuevo #1 en benchmark X” son historias de una sola métrica. GLM-5.1 no lo es. El perfil completo: 95.3 en AIME 2026, 86.2 en GPQA-Diamond, 68.7 en CyberGym (desde 48.3 de su predecesor GLM-5), 71.8 en MCP-Atlas. El modelo avanza simultáneamente en razonamiento, coding, agentes, uso de herramientas y browsing. Esa amplitud vale más que el headline de SWE-Bench.
Pero la historia de ingeniería real es lo que Z.AI llama long-horizon autonomy. Los modelos anteriores — incluyendo GLM-5 — llegan a un plateau: aplican técnicas conocidas para ganancias iniciales rápidas, y después se estancan. Darles más tiempo no ayuda. GLM-5.1 está diseñado explícitamente para romper ese patrón. Puede sostener una tarea de ingeniería compleja durante hasta 8 horas, ejecutando cientos de tool calls y miles de rondas de auto-revisión sin intervención humana. El modelo revisita su razonamiento, revisa su estrategia, y se mantiene productivo en lugar de derivar.
Esto importa para los desarrolladores que construyen agentes autónomos. La diferencia entre un modelo que llega a su plateau en la primera hora y uno que sigue mejorando hasta la octava no es solo de performance: define si las tareas de ingeniería autónoma son realmente factibles sin supervisión humana constante.
La arquitectura detrás del rendimiento sostenido
GLM-5.1 corre sobre una arquitectura glm_moe_dsa — MoE combinado con DSA (Dual Sparse Attention). MoE activa solo un subconjunto de parámetros por forward pass, razón por la que un modelo de 744B puede operar con el footprint de cómputo de uno mucho más pequeño y denso. En el lado del entrenamiento, Z.AI implementó reinforcement learning asincrónico que desacopla la generación del entrenamiento, permitiendo al modelo aprender efectivamente de interacciones largas y complejas — el tipo que el RL de turno único tiene dificultades para manejar.
Realidad práctica del self-hosting
La licencia MIT y la disponibilidad en Hugging Face son reales. Pero los modelos MoE requieren infraestructura de serving específica — no es un modelo que se levanta con un setup estándar y hardware convencional. Los 40B parámetros activos hacen la inferencia tratable, pero necesitás un stack de serving que entienda sparse expert routing. Si tu equipo está evaluando deployment self-hosted, reservá tiempo para trabajo de infraestructura más allá de la descarga.
Para la mayoría de los equipos hoy, la plataforma API de Z.AI es el camino práctico para usar GLM-5.1 en producción.
El dato que no debería quedar enterrado
GLM-5.1 fue entrenado íntegramente en chips Huawei Ascend 910B — cero hardware Nvidia. Para los desarrolladores que siguen la dinámica de infraestructura de IA y cadenas de suministro, esto es significativo. Demuestra que es posible entrenar modelos open-weight de nivel state-of-the-art fuera del ecosistema Nvidia a escala. Si eso afecta o no las decisiones de tu stack hoy, es una pregunta aparte. Pero señala algo importante sobre de dónde podría venir el desarrollo de modelos open-weight en los próximos años.
Conclusión
Si estás construyendo coding agents o evaluando modelos fundacionales para tareas autónomas de larga duración, GLM-5.1 es una opción seria que vale la pena testear vía API. Los pesos abiertos bajo MIT lo hacen viable para casos de uso en producción donde la soberanía del modelo importa. Los requisitos de infraestructura para self-hosting son reales — planificá en consecuencia.
Scores SWE-Bench Pro: GLM-5.1 (58.4) · GPT-5.4 (57.7) · Claude Opus 4.6 (57.3) · Qwen3.6-Plus (56.6) · Minimax M2.7 (56.2) · Gemini 3.1 Pro (54.2) · Kimi K2.5 (53.8) · GLM-5 (55.1)