Otvaranje izvora Opus trenutka: Može li GLM-5 preuzeti štafetu Agentic Codinga?
Ako pitate programera, koji je najfrustrirajući trenutak AI programiranja?
Odgovor bi vrlo vjerojatno bio mehaničko "Žao mi je, pogrešno sam razumio" pred greškom, a zatim ponavljanje istog pogrešnog koda.
U protekloj godini, napredak Coding velikih modela više se ogledao u "generativnim sposobnostima": rečenica za generiranje web stranica, komponenti, malih igara - izrada web stranice u stilu piksela, cool SVG ikone ili zmije koja može trčati u roku od 15 sekundi. Ovi demo snimci su dovoljno nevjerojatni, ali i dovoljno "lagani", pomalo su poput naprednih igračaka proizvedenih u eri Vibe Codinga (programiranje atmosfere). Ali kada je riječ o arhitekturi visokog stupnja konkurentnosti, prilagodbi temeljnog pogona ili složenoj rekonstrukciji sustava, oni postaju "cvijeće u stakleniku".
Stoga se nedavno promijenio smjer vjetra u Silicijskoj dolini.
Bilo da se radi o Claude Opus 4.6 ili GPT-5.3, ovi vrhunski veliki modeli počinju naglašavati Agentic Coding: ne teže "trenutnim rezultatima", već dovršavaju zadatke na razini sustava kroz planiranje, dekonstrukciju i ponovljeno izvođenje.
Ova promjena paradigme od "estetike front-enda" do "sustavnog inženjerstva" nekoć se smatrala monopoliziranim područjem zatvorenih divova. Tek nakon što sam testirao GLM-5, shvatio sam da je "era arhitekata" zajednice otvorenog koda započela ranije.
01
Od "front-enda" do "sustavnog inženjerstva"
Prije nego što smo razgovarali o AI Codingu, većina ljudi bi pomislila na poznatu priču - rečenicu za generiranje web stranice, malu igru u jednoj minuti i cool animaciju u deset sekundi. Naglašavaju "vizualni osjećaj": gumbi se pomiču, stranica je lijepa, a specijalni efekti su bogati.
Ali ljudi koji stvarno ulaze na inženjersko mjesto znaju da mogućnost generiranja demo snimke ne znači da možete podržati sustav.
Teškoća složenih zadataka nije u "pisanju koda", već u tome kako rastaviti module, kako upravljati stanjem, kako osigurati iznimke, kako optimizirati performanse i može li se struktura održati stabilnom kada se sustav počne komplicirati.
To je također razlog zašto smo odabrali složene zadatke kao objekte stvarnog testa.
Pozicioniranje GLM-5 razlikuje se od mnogih konkurenata.
Ako je većina modela više poput "izvrsnog front-enda" - dobri u brzom generiranju interaktivnih sučelja i vizualnih efekata, tada je GLM-5 više usmjeren na "ulogu sustavnog inženjerstva". Naglašava suradnju više modula, zadatke dugog lanca i strukturnu stabilnost koja se može pokrenuti u proizvodnom okruženju.
Kako bismo to potvrdili, osmislili smo dva slučaja stvarnog testa potpuno različitih dimenzija.
Prvi test, naizgled lagan, ali zapravo visoko sustavan zadatak - na temelju preglednika i kamere, implementirajte interaktivnu igru s temom proljetnog festivala "AI vizualno upravljanje vatrometom u zraku".
Kao što se može vidjeti u stvarnom testnom videu, korisnik stoji ispred kamere i kontrolira smjer i ritam lansiranja vatrometa gestama; vatromet cvjeta u zraku, popraćen efektima čestica i povratnim informacijama dinamičkih svjetlosnih efekata, a cjelokupna interakcija je glatka i prirodna.
Ali ovo nije jednostavan projekt animacije front-enda. Sadrži najmanje sljedeće ključne module: prepoznavanje gesta i obrada vizualnog unosa; mapiranje koordinata gesta u logiku lansiranja; sustav čestica vatrometa i efekti cvjetanja; renderiranje u stvarnom vremenu i kontrola brzine kadrova; kompatibilnost preglednika i obrada iznimaka dopuštenja kamere; upravljanje interaktivnim stanjem i mehanizam povratnih informacija korisnika
Može se reći da je to mali interaktivni sustav s cjelovitom strukturom i glatkim iskustvom. Iz procesa stvarnog testa, GLM-5 nije izravno ušao u kodiranje, već je prvo planirao cjelokupnu arhitekturu: kako odvojiti modul vizualnog unosa, sloj logike upravljanja, sloj renderiranja i sloj specijalnih efekata; kako prenijeti tok podataka; koji dijelovi mogu postati uska grla performansi.
Nakon toga, implementirao je logiku sloj po sloj, počevši od obrade podataka prepoznavanja gesta, do izračuna putanje lansiranja, a zatim do ugađanja parametara efekta eksplozije čestica.
Kada je renderiranje zapelo, aktivno je predložio smanjenje broja čestica i optimizaciju strukture petlje; kada je prepoznavanje gesta pogrešno procijenjeno, prilagodio je prag i strategiju filtriranja.
Učinak prikazan u videu je "interakcija koja izgleda vrlo prirodno". Ali ono što se odražava iza toga je cjelovit inženjerski lanac: planiranje → pisanje → otklanjanje pogrešaka → optimizacija performansi → korekcija interakcije.
Konačno generirani kod može se izravno pokrenuti, interakcija je stabilna, brzina kadrova je glatka, a iznimke se mogu obraditi. Što je još važnije, njegov način rada predstavlja jasno sustavno razmišljanje: granice modula su jasne, a slojevitost logike razumna, umjesto da se sve funkcije slažu u jednu datoteku.
Drugi slučaj testira sposobnost strukturnog sustava. Ovaj se scenarij može reći da je svakodnevni rad medija - uvoz transkripta intervjua, sažimanje sadržaja i izlazak kuta i ideja teme.
Kao što se može vidjeti u stvarnom testu, postupak rada je vrlo izravan: zalijepio sam transkript intervjua od prije nekog vremena, model je počeo analizirati, a zatim je iznio sažetak sadržaja i kut teme. Iz rezultata se može vidjeti da je kut teme koji je generirao još uvijek vrlo operativan.
U usporedbi sa sustavom vizualne interakcije, organiziranje snimanja zvuka izgleda jednostavno, ali zapravo testira sposobnost modela da "strukturira apstrakciju". Stvarni snimak intervjua često je vrlo nestrukturiran: gledišta skaču, informacije se ponavljaju, a glavne i sporedne linije su isprepletene. Dakle, u ovom slučaju, sposobnost koju je pokazao GLM-5 je na razini sustava.
Prvo, sposobnost prepoznavanja tema i izvlačenja glavne linije. Model nije generirao sažetak prema izvornom redoslijedu teksta, već je prvo procijenio koja je temeljna tema, a zatim reorganizirao sadržaj oko ove teme. To znači da je dovršio skeniranje interno kako bi prepoznao koje informacije pripadaju glavnoj liniji, a koje su dodatak ili buka. Ova sposobnost je u biti sposobnost planiranja, odnosno uspostavljanje apstraktnog strukturnog okvira prije izlaza.
Drugo, sposobnost modularne reorganizacije. On će klasificirati srodne stavove raspršene u različitim odlomcima u isti modul. Ova sposobnost integracije preko odlomaka pokazuje da model ima globalnu dosljednost pri obradi dugih tekstova.
Treće, sposobnost aktivnog prilagođavanja logičkog redoslijeda. Stvarni izlazni nacrt često se razlikuje od izvornog redoslijeda snimanja. Može se vidjeti da GLM-5 ponovno raspoređuje razine na temelju uzročno-posljedične veze ili logike argumentacije. To odražava prosudbu "logika ima prednost nad izvornim redoslijedom unosa". Ovaj način rada "prvo struktura, zatim izlaz" srž je razmišljanja sustavnog inženjerstva.
Ova dva slučaja, jedan je sustav interakcije vizualnog prikaza u stvarnom vremenu, a drugi je sustav obrade informacija o medijima, izgledaju potpuno različito. Ali oni potvrđuju istu stvar - GLM-5 ima potpunu sposobnost zatvorene petlje zadatka: planiranje → izvršenje → otklanjanje pogrešaka → optimizacija.
U igri vatrometa to se odražava u slojevitosti modula, optimizaciji performansi i obradi iznimaka; u procesoru snimanja zvuka to se odražava u prosudbi teme, dekonstrukciji strukture i logičkoj reorganizaciji. Njihova zajednička točka je da model ne ostaje na "generiranju rezultata", već održava strukturu koja se može održivo razvijati.
Nastavio sam isprobavati relativno složen zadatak, "izgradnju minimalističke jezgre operativnog sustava". U ovom stvarnom testu. Ono što je uistinu vrijedno pažnje nije konačno pokretanje koda u videu, već način na koji se GLM-5 ponaša tijekom cijelog procesa.
Nije odmah ušao u stanje generiranja nakon što je primio zadatak, već je prvo razjasnio granice zadatka, aktivno rastavio module, planirao strukturu sustava, a zatim ušao u fazu implementacije. Ovaj put "struktura na prvom mjestu" u biti je inženjersko razmišljanje o kojem smo ranije govorili - prvo definirajte kako je sustav sastavljen, a zatim razgovarajte o specifičnim detaljima implementacije, umjesto da pišete i spajate.
U ciklusu višestrukog pisanja, pokretanja, izvješćivanja o pogreškama i ispravljanja, GLM-5 se također nije srušio. Svaka izmjena se odvija oko utvrđene arhitekture, umjesto da se poništi i ponovi ili lokalno zakrpa. To pokazuje da interno održava cjelovit model sustava i može održati dosljednost u zadacima dugog lanca. Mnogi modeli su skloni proturječnostima nakon što se kontekst produži, a izvedba u videu točno odražava njegovu sposobnost kontinuiranog pamćenja cjelokupne strukture.
Tu je i način na koji se nosi s pogreškama. Kada se pojavi pogreška, on ne ostaje na površinskom nagađanju "možda je problem u retku koda", već prvo prosuđuje vrstu pogreške, razlikuje logičke probleme, probleme okruženja ili sukobe ovisnosti, a zatim planira put otklanjanja pogrešaka. Ovo je otklanjanje pogrešaka na razini strategije, čiji je cilj popraviti put pogreške.
Ako se kombinira s pozivom alata, ova će sposobnost biti očitija. Ne samo da daje prijedloge naredbi, već i kombinira aktivno zakazivanje izvršenja terminala, analizu dnevnika, popravak okruženja, a zatim nastavlja s napredovanjem zadatka. Ovo se ponašanje već približava "samovozećem" inženjerskom napretku. Ako cilj nije dovršen, nastavit će se ponavljati.
Planiranje prije izvršenja, održavanje strukturne stabilnosti u dugim lancima, rješavanje problema na strateški način i kontinuirano napredovanje oko cilja - kombinacija četiri temeljne sposobnosti potrebnih za sustavno inženjerstvo omogućuje GLM-5 da počne predstavljati način ponašanja koji je blizak načinu rada inženjera.
Zašto GLM-5 može preuzeti štafetu "arhitekta"?
Ako prvi dio stvarnog testa dokazuje da GLM-5 "može raditi složene poslove", onda je sljedeće pitanje: Zašto to može? Odgovor leži u cijelom nizu "načina ponašanja na razini inženjera" skrivenih iza izlaza.
Ključna točka je da je GLM-5 očito uveo mehanizam samoprovjere lanca razmišljanja sličan Claude Opus 4.6.
U stvarnoj upotrebi možete osjetiti da on ne počinje odmah "ispunjavati kod" nakon što primi zadatak, već provodi više krugova logičkog zaključivanja u pozadini: predviđa odnos spajanja između modula, aktivno izbjegava putanje beskonačne petlje i unaprijed otkriva sukobe resursa i probleme graničnih uvjeta. Izravna promjena koju donosi ovo ponašanje je - kako bi se osiguralo da je plan inženjerski održiv, spreman je usporiti i razmisliti o problemu u cijelosti.
U složenim zadacima, GLM-5 će prvo dati jasno rastavljanje modula: od kojih se podmodula sastoji sustav, koji su ulazi i izlazi svakog modula, koji se dijelovi mogu napredovati paralelno, a koji se moraju dovršiti serijski. Zatim ih osvojite jedan po jedan, umjesto da pišete i razmišljate. To njegov način rada čini više poput pravog inženjera: prvo nacrtajte dijagram arhitekture, a zatim napišite detalje implementacije . Očito osjećam da ima "žilavost da ne prestane dok se problem ne riješi u potpunosti", umjesto da površno završi nakon što dovrši naizgled točan dio.
Ova je razlika posebno očita u usporedbi s tradicionalnim modelima kodiranja. U prošlosti, kada bi mnogi modeli naišli na pogreške, brzo bi skliznuli u poznati način rada: ispričati se, ponoviti informacije o pogrešci i dati neprovjereni prijedlog popravka; ako ponovno ne uspije, počnite ciklički iznositi približne odgovore. Način na koji GLM-5 postupa s tim bliži je starom arhitektu. U stvarnom testu, kada se projekt ne može pokrenuti zbog problema s ovisnostima okruženja, on ne ostaje na površinskim informacijama o pogrešci, već aktivno analizira stablo ovisnosti (Dependency Tree), prosuđuje izvor sukoba i dalje zapovijeda OpenClawu da popravi okruženje.
Cijeli proces više je poput implementacije "samovožnje": model ne reagira pasivno, već kontinuirano čita dnevnike, ispravlja putanje i provjerava rezultate.
Još jedna sposobnost koja se često zanemaruje, ali je iznimno važna u sustavnom inženjerstvu, je cjelovitost konteksta.
Prozor GLM-5 od milijun razina tokena omogućuje mu da razumije strukturu koda, povijesne izmjene, konfiguracijske datoteke i dnevnike pokretanja cijelog projekta u istom kontekstu. To znači da je već u mogućnosti procijeniti iz globalne perspektive koje će module izmjena izazvati lančanu reakciju. U zadacima dugog lanca, ova sposobnost izravno određuje je li model "pametan, ali kratkovidan" ili "stabilan i kontroliran".
Sve u svemu, GLM-5 uistinu preuzima ulogu "arhitekta", uglavnom zato što počinje razmišljati o problemima kao arhitekt: prvo planirajte, zatim izvršite; kontinuirano provjeravajte i stalno ispravljajte; usredotočite se na cjelokupni sustav, a ne na uspjeh jedne točke.
To je također temeljni razlog zašto može dovršiti one sustavne stvarne testne zadatke u prvom dijelu.
03
Opus otvorenog koda?
Gledajući ekosustav velikih modela 2026. godine, vrijednost GLM-5 više leži u činjenici da je prekinuo nešto što se prije gotovo prihvaćalo kao zadano: inteligencija na razini sustava čini se da može postojati samo u modelima zatvorenog koda.
Prije toga, Claude Opus 4.6 i GPT-5.3 doista su otvorili put "Agentic Codingu" - model više ne teži trenutnim povratnim informacijama, već dovršava uistinu složene inženjerske zadatke kroz planiranje, rastavljanje i ponovljeno izvođenje. Ali cijena je također vrlo visoka: potrošnja tokena za zadatke visokog intenziteta iznimno je visoka, a cjelovit pokušaj na razini sustava često znači značajne troškove poziva.
GLM-5 ovdje nudi drugačije rješenje. Kao model otvorenog koda, vraća "AI na razini arhitekta sustava" iz oblaka i računa u vlastito okruženje programera. Možete ga implementirati lokalno i pustiti ga da provede vrijeme grizući one prljave, naporne i velike poslove: podešavanje dnevnika, provjera ovisnosti, izmjena starog koda i nadopunjavanje graničnih uvjeta.
To se može smatrati strukturnom promjenom omjera cijene i učinka - inteligencija na razini arhitekta više nije privilegija malog broja timova.
Ako ovu razliku razumijemo metaforom karijere, bit će intuitivnije. Modeli poput Kimi 2.5 više su poput izvrsnih front-end inženjera s online estetikom i jakim osjećajem interakcije, dobri u generiranju jednim udarcem, vizualnom prikazu i brzim povratnim informacijama; stil GLM-5 očito je drugačiji, više je poput starijeg arhitekta sustava koji čuva donju granicu i naglašava logiku: usredotočuje se na odnose modula, putanje iznimaka, održivost i dugoročni stabilan rad.
Iza toga je zapravo jasno profesionalno napredovanje AI programiranja - od težnje za Vibe Codingom koji "izgleda vrlo cool" do naglašavanja robusnosti i inženjerske discipline.
Što je još važnije, pojava GLM-5 čini koncept tvrtke s jednom osobom ostvarivijim.Када програмер може да има локалног AI партнера који разуме дизајн система, може да ради дугорочно и може самостално да се коригује, многи инжењерски послови који су првобитно захтевали тимску величину почињу да се компресују у опсег који је контролисан од стране појединца. Следеће, GLM-5 има потенцијал да постане „дигитални партнер“ у компанији са једним запосленим, одговоран за имплементацију основног инжењеринга.
