智譜宣佈 ZCode 全面升級,GLM Coding Plan 全員額度回滿

智譜今日正式宣布,旗下專為 GLM 模型深度打造的國產程式碼開發框架 ZCode 完成一次重大版本升級。這次升級一口氣導入四項全新功能,分別是目標導向的 Goal 機制、多智能體協作的 Subagents、遠端控制 Remote Control,以及可靈活調度閒置運算資源的閒時任務。這些新功能旨在讓開發者在編碼與模型協作的過程中,獲得更高的自動化程度與作業效率,進一步強化 ZCode 作為一套專為 GLM 深度優化之 Coding Harness 的實用價值。ZCode 自推出以來,一直是智譜在程式碼生成與開發協作領域的核心產品。此次版本更新最具話題性的亮點之一,是目標導向的 Goal 機制。
該機制允許開發者為模型設定明確的編碼目標,系統會自動拆解任務步驟,並持續追蹤進度,直到達成指定結果。這項設計讓開發者不必手動逐一下達指令,而是能以更接近專案管理的方式,將複雜的開發工作交給模型分階段執行,大幅降低反覆溝通與調整的成本。另一項備受關注的新功能是 Subagents 多智能體協作機制。ZCode 現在可以同時啟動多個子智能體,各自承擔不同的編碼子任務,例如前端實作、後端邏輯撰寫、測試案例生成等。這些子智能體之間會自動協調,並將結果整合回主流程,使開發者能同時處理多線開發需求。對於大型專案或需要分工協作的場景,Subagents 可望顯著縮短開發週期,提升整體產出品質。
Remote Control 遠端控制功能則是針對遠端開發與跨裝置協作場景所設計。開發者可以透過 ZCode 遠端連接至其他機器上的 GLM 模型實例,進行編碼指令的下達與結果接收。這項功能讓開發者無需受限於本機運算資源,無論是在辦公室、家中或雲端環境,都能保持一致的開發體驗,特別適合需要彈性調度運算資源的團隊使用。此外,ZCode 此次新增的閒時任務功能,進一步強化了運算資源的利用效率。開發者可以將非緊急的編碼任務,例如批次程式碼審查、重構建議生成或大規模測試跑排,設定為「閒時任務」。
ZCode 會在系統運算資源處於空閒狀態時自動排程執行這些任務,確保資源不浪費,同時不干擾當下的即時開發流程。這項設計對個人開發者或資源有限的團隊尤其實用,能有效最大化既有硬體或雲端配額的價值。伴隨 ZCode 版本升級,智譜同步宣布「GLM Coding Plan」全員額度已回滿。這意味著所有參與該計畫的使用者,現在再次享有完整的模型調用資源,能夠無縫體驗新版 ZCode 帶來的四項功能提升,無需擔心調用限制或配額不足的問題。GLM Coding Plan 是智譜為了鼓勵開發者深入試用 GLM 模型在程式碼開發場景表現所推出的專屬方案,這次額度回滿正是在先前使用高峰期後所做的資源調度與補充。
智譜在此次升級與額度恢復的同步推出中,清楚展現了其在提升國產開發工具可用性與開發者體驗上的持續投入。從功能設計到資源配額,智譜都試圖降低開發者使用 GLM 模型的門檻,讓更多開發者能在真實專案中驗證模型的編碼能力。ZCode 作為專為 GLM 深度優化的框架,未來也將持續迭代,回應開發社群的反饋與需求。總體來看,這次 ZCode 的重大升級不僅在功能面上補足了過往版本在自動化與協作方面的不足,更透過 Goal 機制、Subagents、Remote Control 與閒時任務等設計,把編碼開發的流程推向更高效、更靈活的方向。
而 GLM Coding Plan 全員額度的回滿,也讓開發者能在無後顧之憂的情況下,充分試用這些新功能,進一步探索 GLM 模型在軟體開發中的潛力。對於關注國產 AI 開發工具生態的開發者與團隊而言,這無疑是一個重要的進展信號。
Related
相關文章

消息稱 NVIDIA 考慮向 Perplexity AI 投資“數十億美元”
作者:溯波(實習) 責編:溯波 評論: 8 月 24 日消息,外媒 The Information 稍早前報道稱,NVIDIA(英偉達)考慮在 Perplexity AI 的最新融資輪中向這家人工智能初創企業投資“數十億美元”。雙方正就該交易展開磋商,還可能達成技術授權協議。

Rabbit做了個“所有Agents的Agent” ,體驗後我覺得Agent早就該長它這樣
Rabbit推出了一個被稱為「所有Agents的Agent」的新產品,實際體驗後讓人覺得Agent早就該長這樣。文章認為Agent普及的關鍵並非增加更多能力,而是讓用戶少理解十個概念,降低使用門檻。
Guidelight評估五大AI實驗室,OpenAI遏制能力排名第一
該評估覆蓋Anthropic、Google、OpenAI、Meta和xAI,僅依據公開信息考察其是否建立監控、異常行為處置、第三方審計及失控模型關閉等機制。在滿分5分的評估中,OpenAI以3分排名最高,Anthropic和Meta得分最低。
τ_0-VLA長程操控
τ₀-VLA是一種層次化機器人基礎模型,透過世界模型引導的測試時計算來改善長程操控任務。高層策略在決策不確定時會額外分配計算資源,搜尋替代子任務並預測其視覺結果,而低層策略則在40,115小時的異質真實世界數據上訓練。在包含13到25個步驟的真實長程任務中,封閉迴路成功率從27.5%提升至45.0%。