上周的线下技术沙龙上，有人问我：智谱清言是哪个公司开发的产品？提问的是位做企业知识库的工程师，他一直以为这是某家大厂内部孵化的副产品。说实话，这个误解挺常见——公司叫智谱AI，产品叫智谱清言，模型叫GLM，开源仓库里又叫ChatGLM，四套名字叠在一起，外人很容易看晕。

核心结论摘要：智谱清言由北京智谱华章科技股份有限公司（对外品牌"智谱AI"）开发和运营，技术源头是清华大学知识工程实验室（KEG），2023年8月作为首批国产大模型产品通过生成式AI服务备案，底层能力来自自研的GLM系列模型。

这篇文章我打算把三件事讲透：这家公司到底什么来路、GLM的技术底子跟主流路线差在哪、以及作为开发者你该怎么把它接进自己的项目。

一句话回答：智谱清言是哪个公司开发的产品

先把最直接的信息摆出来，免得有人翻到一半还没拿到答案。

| 项目 | 具体信息 | | --- | --- | | 开发公司 | 北京智谱华章科技股份有限公司 | | 对外品牌 | 智谱AI（Zhipu AI） | | 技术源头 | 清华大学知识工程实验室（KEG） | | 成立时间 | 2019年6月 | | C端产品 | 智谱清言App / 网页版 | | 底层模型 | GLM系列（含GLM-4、GLM-4.5、GLM-4.6） | | 行业定位 | 独立大模型公司，媒体常归入"大模型六小虎" |

智谱不隶属于百度、阿里、腾讯中的任何一家，它是独立创业公司。这一点和很多人直觉相反，我在2024年做国产模型选型调研时也踩过这个认知坑——当时理所当然地以为"清言"是某个大厂的内容产品线，直到翻开放平台文档才反应过来。

至于为什么会有这种错觉，我猜和命名策略有关。智谱清言这个名字听起来很"产品化"，而它对标的ChatGPT背后是OpenAI这家公司，中文语境下大家容易默认"产品名背后一定是个耳熟能详的巨头"。

从清华KEG实验室到智谱华章

这家公司的技术来路其实挺清晰。清华大学知识工程实验室（KEG）从2020年前后就在做大模型预训练方向的探索，核心成员包括唐杰教授、刘知远副教授，公司的CEO张鹏则负责工程化和商业化这一侧。2019年6月公司注册成立，2022年之前主要靠To B的技术服务活下来，真正的转折点是2023年。

2023年3月，团队开源了ChatGLM-6B，这是国内最早一批能在消费级显卡上跑起来的中英双语对话模型。我印象很深，当时一张RTX 3090就能跑量化版本，实验室里那帮做NLP的同学几乎是连夜测的。同年8月31日，国家网信办发布首批生成式人工智能服务备案清单，智谱清言的GLM位列其中，和文心一言、百川智能等一起成为最早合规上线的那批产品。

2025年4月，据中国证监会官网披露的信息，北京智谱华章科技股份有限公司提交了上市辅导备案，辅导机构为中金公司。这一步对国产大模型赛道来说信号意义不小——它意味着有人开始尝试用公开市场的钱来支撑下一轮大模型训练。

GLM预训练目标：把BERT和GPT缝在一起

要理解智谱的技术路线，绕不开GLM这个名字本身。GLM是指"General Language Model"，它的核心创新是自回归填空预训练目标（Autoregressive Blank Infilling）。

说人话就是：BERT这类自编码模型擅长理解、不擅长生成；GPT这类自回归模型擅长生成、但训练时看不到下文。GLM的做法是把两边的优点拼起来——随机挖掉文本中的若干片段，让模型按顺序把这些片段补回来。预测片段内部是自回归的（生成能力），片段之间的上下文是全可见的（理解能力）。

这个设计在2021年的论文《GLM: General Language Model Pretraining with Autoregressive Blank Infilling》里首次系统提出，后来入选ACL 2022。从一个做应用开发的角度看，这个目标的实际收益是：同一个底座既能扛分类、抽取这类理解任务，也能做对话和长文生成，不用为了两个场景各训一个模型。

从GLM-4到GLM-4.5，模型家族怎么排

智谱的模型迭代速度在国产厂商里算快的，我按发布时间整理了一张表，方便对照：

| 模型 | 发布时间 | 关键特性 | 开源情况 | | --- | --- | --- | --- | | ChatGLM-6B | 2023年3月 | 首个中英双语开源对话模型 | Apache 2.0 | | GLM-4 | 2024年1月 | 综合能力对标GPT-4 | 闭源API | | GLM-4-9B | 2024年6月 | 小尺寸开源版本 | Apache 2.0 | | GLM-4.5 | 2025年7月 | MoE架构，总参数355B、激活32B，支持思考/非思考混合推理 | MIT | | GLM-4.6 | 2025年9月 | 代码能力与长上下文增强 | 闭源API |

GLM-4.5的技术报告（arXiv:2508.06471，2025年7月发布）里明确写了355B总参数、32B激活参数的MoE配置，并且采用了MIT协议开源。MIT比Apache 2.0还宽松，商用基本没有附加条件——这个决定在国产大模型里算是相当激进的，我个人觉得它更像是在跟DeepSeek抢开源生态的话语权。

多模态这条线上，智谱也没闲着。CogVLM（2023年9月开源）做视觉理解，CogVideoX（2024年8月开源）做视频生成，GLM-4-Voice（2024年10月）做端到端语音对话。一个多模态大模型从"能看懂图"到"能生成视频"，中间要解决的是不同模态token在同一个注意力空间里的对齐问题，这条链路智谱铺得比较完整。

智谱清言实战：产品矩阵与API接入

搞清楚公司背景之后，实际使用层面有三个入口值得区分，很多人会搞混：

• **智谱清言App/网页版**：面向普通用户的对话产品，支持联网搜索、文档解析、智能体编排
• **智谱AI开放平台（bigmodel.cn）**：面向开发者的MaaS服务，提供GLM系列模型的API
• **GitHub开源仓库**：ChatGLM、GLM-4、CogVLM等模型的权重和推理代码

如果你只是日常问答，用App就够了。但如果要把能力嵌进自己的系统，就得走开放平台。下面这段代码是我本地实测跑通过的，Python环境装好`zhipuai`包就能用：

安装依赖：pip install zhipuai

from zhipuai import ZhipuAI

API Key 在 bigmodel.cn 控制台创建

client = ZhipuAI(api_key="替换成你自己的APIKey")

resp = client.chat.completions.create( model="glm-4.5", # 也可换成 glm-4-flash 走轻量额度 messages=[ {"role": "system", "content": "你是一名大模型技术科普助手"}, {"role": "user", "content": "用三句话说明GLM的自回归填空和GPT的差异"} ], temperature=0.6, # 0~1之间，数值越低输出越保守 stream=False, # 改成 True 就是流式返回 )

print(resp.choices[0].message.content)

流式调用的改法很简单，把`stream=True`打开，然后遍历返回的chunk即可：

stream = client.chat.completions.create( model="glm-4.5", messages=[{"role": "user", "content": "写一段50字的项目介绍"}], stream=True, # 开启流式，适合做打字机效果 ) for chunk in stream:

逐块打印，前端可以边收边渲染

print(chunk.choices[0].delta.content, end="")

我在一个客服知识库项目里用GLM-4-Flash做过意图分类的前置过滤，延迟表现比预期好，缺点是遇到多轮指代消解时会偷懒，需要在system prompt里把规则写死。这个坑我在VergeX AI工具导航收录的模型选型笔记里也提过一嘴，选型时最好拿自己的真实case跑一遍，别只看榜单分数。

我的判断：智谱的护城河和绕不开的难题

坦率讲，我不认为"清华背景"本身能构成长期护城河。学术资源能帮你更快找到对的技术方向，但大模型训练最终拼的是算力储备、数据工程和商业化闭环——这三样跟学校关系不大。智谱真正的差异化，我觉得在两点：一是GLM这条技术路线从预训练目标开始就是自研的，不是拿Llama改改；二是它在To B和To G市场扎得很早，政企私有化部署这块的交付经验，是很多纯互联网背景的团队短期补不上的。

但难题也很明显。C端产品智谱清言面对的是豆包、Kimi、DeepSeek这些流量打法凶悍的对手，用户规模上并不占优；B端虽然订单稳，但项目制的毛利率天然比API调用低。GLM-4.5用MIT协议开源，短期能快速做大开发者生态，长期怎么把开源用户转化成付费客户，这道题目前谁都没有标准答案。

我对这个判断是有保留的——毕竟2023年也没人预料到开源模型能把闭源模型的价差压到今天这个程度。如果你现在要做技术选型，我的建议是别押注单一厂商，把GLM当成多条备选路线里的一条，用抽象层把模型调用隔离掉，换供应商时改配置而不是改代码。

关键要点速览

• 智谱清言由**北京智谱华章科技股份有限公司**（品牌名"智谱AI"）开发，是独立大模型公司，不属于任何互联网巨头
• 技术源头是**清华大学知识工程实验室（KEG）**，公司成立于2019年6月
• 底层模型为自研**GLM系列**，核心预训练目标是自回归填空，兼顾理解与生成
• GLM-4.5于2025年7月发布，MoE架构，355B总参数/32B激活参数，采用MIT协议开源
• 开发者接入走开放平台API，普通用户直接用智谱清言App即可

延伸阅读

• [VergeX AI工具导航](https://nav.vergex.cn)：收录国产大模型开放平台的价格、上下文长度与能力对比
• [国产大模型技术路线专题](https://nav.vergex.cn)：持续跟踪GLM、DeepSeek、Qwen等模型的版本迭代

相关推荐

阅读相关专题：想搞清楚国产大模型第一梯队的竞争格局，可以顺着「国产大模型」专题往下读，里面拆解了六小虎各自的模型路线、融资节奏和商业化路径。

查看工具推荐：正在做API选型的话，去 VergeX AI工具导航 看一眼横向对比表，把智谱、DeepSeek、通义、Kimi的定价和免费额度放在一起比，比翻各家文档快得多。

订阅更新：我们每周整理一期大模型技术周报，新模型发布、开源权重更新、实测数据都会同步，可以通过邮件或微信公众号订阅，第一时间收到推送。