跳转至

GLM Post-Training Open-Source Map

导言

GLM-5/5.2 已公开模型权重、技术报告、slime 大模型 RL 框架和部分昇腾训练/推理能力，但这些材料处在不同层次。论文公开、仓库中有同名函数、存在可运行 recipe、能够复现 GLM-5.2、已经打通 NPU 端到端，是五件不同的事。

本文不重复上一篇《GLM Post-Training Beyond SFT》的公式推导，而是把 Reasoning/Agentic/General RL、IcePop、TITO、DIS、DSA Indexer、Cross-Stage OPD、MOPD、SAO 与 CompactionRL 逐项落到公开仓库，回答三个工程问题：slime 里有什么、昇腾 NPU 到了哪一层、智谱/THUDM 还有哪些相关开源仓。

先给结论

截至 2026 年 8 月 6 日，按固定 commit 核验后的结论是：

  1. Reasoning RL 已有最完整的公开骨架。slime 给出了 GLM-5.2 744B-A40B 的 32 节点、256 张 H100 训练配方，包含 GRPO、DAPO-Math-17k、DSA/IndexShare、训练 BF16、rollout FP8 和 TIS；但它不是官方内部 Reasoning RL 全量数据、奖励和阶段配置的公开复刻。3
  2. Agentic RL 的框架与动作记录链路已经公开不少。slime 的 coding-agent 示例保存 exact token IDs、rollout log-prob 与 loss mask，strands-sglang 目录还提供了明确命名的 TITO 可运行示例；THUDM/AgentRL 则公开了异步 Agentic GRPO 框架。不过，GLM-5 报告中的 TITO、DIS、DP-aware routing 与内部环境没有以一份 GLM 同配置 recipe 整体发布。5620
  3. General RL 主要停留在报告级。GLM-5 公开了混合 reward 的方法，但没有找到对应阶段的数据混合、reward 服务、采样比例和 GLM recipe。1
  4. IcePop 在 slime 中确实有函数，但公开 GLM-5.2 脚本没有显式选择它。当前脚本的 --use-tis 默认走 vanilla_tis_function 的截断权重；icepop_function 则把区间外 token 权重置零。不能因为两者都使用 TIS 就写成“公开 GLM-5.2 recipe 已启用 IcePop”。4
  5. TITO 已公开到可运行示例，DIS 仍主要是可组合积木。slime 的 Strands-SGLang 示例明确写出 TITO、native input_ids in/out 和 no-retokenization，并给出 Qwen3-8B 启动流程；三策略 mismatch、TIS/MIS/RS 则提供了 DIS 所需对象，但固定提交中没有 DIS 同名 GLM recipe。67
  6. DSA Indexer 是 NPU 侧最扎实的一项。slime 有 GLM-5/5.2 的 DSA/IndexShare 训练代码，MindSpeed-LLM 有昇腾 GLM-5/5.2 预训练与 DSA 实现；IndexCache 则公开了 GLM-5 推理侧的跨层索引复用补丁。训练、推理和缓存优化三个对象要分开。91619
  7. slime 的 OPD 是通用实现，不是 Cross-Stage OPD 的完整公开配方。它支持 SGLang 或 Megatron teacher，并有 Qwen3-8B 学生、Qwen3-32B 教师示例；没有公开 GLM 各 RL 阶段 checkpoint、教师路由和最终整合 recipe。10
  8. MOPD 不是 GLM 官方方法。MOPD 论文来自北京大学、小米 LLM Core 等机构；它与 GLM-5.2 “十多个专家并行 OPD”结构相近，但截至核验日期没有公开代码，也不能把两者直接画等号。112
  9. SAO 与 CompactionRL 是“论文公开、同名 recipe 未见”。两篇论文都说明方法用于 GLM-5.2 pipeline，CompactionRL 还明确提到使用 slime 训练；但公开 slime 中没有同名训练配置。slime 的公开 issue #2212 也在询问两者的开源计划，截至审计日仍为 open 且没有维护者答复。普通异步队列不等于 SAO，coding-agent 的 auto-compaction 分支也不等于 CompactionRL。12138
  10. 昇腾已有模型、DSA、GRPO、异步和推理量化积木，但还没有公开的 GLM-5.x 后训练闭环。MindSpeed-LLM 可跑 GLM 预训练，MindSpeed-RL/verl 有通用 NPU RL；GLM-5 仓的 Ascend 文档与 vLLM-Ascend 主要覆盖部署。171815

所以更准确的总判断是：

GLM 后训练公开生态已经覆盖“报告 + 部分 GPU 实现 + 若干可运行 recipe + 通用 NPU 积木”，但尚未公开一条与官方 GLM-5.2 同阶段、同数据、同奖励、同一致性控制的昇腾端到端复现链路。

开源不是一个二值开关

开源不是一个二值开关。论文、源码、配方与 NPU 闭环是逐层增加的证据。本图是认知插图，不作为技术证据。

怎样判定开源

“有没有开源”容易失真，是因为不同人默认的交付物不同。本文使用五层证据阶梯：

层级 最小交付物 能回答的问题 仍不能证明
L1 论文/报告 方法、公式、实验与边界 原理是什么、作者报告了什么 代码可运行
L2 源码模块 loss、scheduler、trajectory 或 model patch 某个实现对象确实存在 参数组合正确、结果可复现
L3 可运行配方 模型、数据、脚本、配置和依赖 某个公开任务可以跑通 等价于 GLM 内部阶段
L4 同阶段复现 对应 checkpoint、数据/奖励、阶段顺序和评测 可以重建声明的 pipeline NPU 数值语义不变
L5 NPU 闭环 NPU actor/rollout/teacher/verifier/同步与验证 算法在昇腾上端到端成立 与内部生产系统完全相同

GLM 后训练开源证据阶梯

上层证据不能自动推出下层；“有相似能力”也不能写成“该算法已经开源”。仓库结论绑定 2026-08-06 核验的固定 commit。

缺失证据的写法

本文的“未见”只表示：在列出的组织公开仓库、固定提交、文档与代码检索中没有找到对应交付物。它不证明内部没有实现，也不预测后续不会开源。

方法总表

下面的“slime 状态”区分同名实现与等价行为；“NPU 状态”区分通用算法积木与 GLM 专用 recipe。

方法 公开材料 slime / THUDM 昇腾 NPU 当前判定
Reasoning RL GLM-5 报告 GLM-5.2 大规模 GRPO recipe 通用 GRPO 可用；无 GLM-5.x RL recipe L3，NPU 未闭环
Agentic RL GLM-5 报告 coding-agent RL、AgentRL、SCALE-CUA 通用多轮/异步积木 框架公开，GLM 配方未见
General RL GLM-5 报告 未见同阶段 recipe 未见 GLM recipe L1
IcePop GLM-5 报告 有 icepop_function；GLM-5.2 脚本默认不是它 可移植数学积木，未见公开 NPU 验证 L2
TITO GLM-5 报告 同名 Strands-SGLang 示例 + core 轨迹实现 可复用数据契约，未见 GLM recipe 通用 L3
DIS GLM-5/SAO 未同名；三策略/TIS/MIS/RS 积木存在 verl 有 one-step off-policy；非 DIS 复刻 积木公开
DSA Indexer GLM/IndexShare 报告 训练实现；IndexCache 推理 patch MindSpeed-LLM 有 GLM DSA 训练 NPU 预训练已达 L3
Cross-Stage OPD GLM-5 报告 通用 OPD；无 GLM 跨阶段 recipe 未见 OPD 闭环 L2-L3 的通用实现
MOPD 独立论文 未见；不是 GLM 官方命名 未见 L1
SAO 独立论文 未见同名 recipe 有异步基础能力，未见 SAO L1
CompactionRL 独立论文 未见同名 recipe 未见 L1

GLM 后训练方法支持地图

方法支持地图。绿色表示直接实现或配方，蓝色表示通用积木，橙色表示论文/报告，红色表示未见 GLM-5.2 NPU 端到端闭环。

三类 RL

Reasoning RL

它是什么。GLM-5 的 Reasoning RL 面向数学、代码和科学推理，使用可验证奖励与 GRPO。组内多条回答的相对奖励提供 advantage，IcePop 再处理训练与 rollout 的概率不一致。1

公开到哪里。slime 的 GLM-5.2 文档和脚本已经不是玩具示例：模型为 744B-A40B，训练使用 Megatron BF16，rollout 使用 SGLang FP8，公开配置是 32 节点、每节点 8 张 H100，并接入 DAPO-Math-17k、GRPO、DSA/IndexShare、PD disaggregation 与 TIS。3

这证明了三件事：

  • slime 能承载 GLM-5.2 模型结构与大规模 RL 调度；
  • 训练和 rollout 可以使用不同精度与不同执行引擎；
  • 公开 recipe 已包含处理 train-infer mismatch 的入口。

但它没有公开内部 Reasoning RL 的完整 prompt 分布、verifier 组合、课程顺序与最终 checkpoint。因此它是强 L3 证据，不是 GLM-5.2 内部阶段的 L4 复现。

NPU 情况。MindSpeed-RL 与 verl 的 Ascend 路径已经公开 GRPO/DAPO、Megatron/FSDP、SGLang/vLLM 等组合，证明通用 NPU RL 可以运行；固定支持表中没有 GLM-5/5.2 行。1718

Agentic RL

它是什么。Agentic RL 的轨迹包含模型动作、工具调用和环境 observation。长短差异极大，因此 GLM-5 使用异步调度，并通过 TITO、DIS 与 policy version 约束动作错位和策略滞后。1

slime 公开了什么。coding-agent 示例给出了很关键的 “string in, token out” 契约：每轮保留 prompt_ids、采样 output_ids 和逐 token rollout log-prob；模型新输出 loss_mask=1，模板与 observation 为 0；对话分叉与 auto-compaction 会变成独立的 root-to-leaf trajectory。5

这已经覆盖 Agentic RL 最容易被忽略的训练事实：环境以字符串交互，不代表 trainer 可以重新 tokenize 字符串来猜动作。此外，另一个 strands-sglang 示例显式使用 TITO 名称，并给出 native token in/out 的 Qwen3-8B 训练流程。仍未公开的是 GLM-5 报告中的全部 Gateway 元数据、DP-aware routing 和内部环境配置。6

其他 THUDM 仓。AgentRL 是独立的异步 Agentic GRPO 框架，包含 controller、worker、环境 loop、SGLang rollout 和 FSDP/CUDA 训练；其 loss 也直接消费 rollout log-prob 与 loss mask。SCALE-CUA 则进一步公开 GUI agent 的在线 RL 数据生成、环境、训练栈、GLM-4.6V checkpoint 与可执行奖励。2021

这两个仓证明机构有能力开源“环境 + 训练框架 + checkpoint”的完整能力切片，但它们不是 GLM-5.2 文本 Agentic RL recipe，也没有 NPU 后端。

General RL

它是什么。General RL 面向更开放的通用任务，奖励不再只依赖精确规则，而是组合规则验证器、Outcome Reward Model 与生成式 judge。它的核心难点是 reward coverage、偏差与可攻击性。1

公开到哪里。固定 slime 提交提供通用 reward 接口，但没有找到标为 GLM General RL 的数据配比、reward ensemble、judge prompt、采样参数与 stage checkpoint。因而不能把“框架可配置多 reward”写成“General RL 已开源”。当前只能判为 L1 方法公开 + 通用接口存在。

一致性机制

IcePop

它是什么。IcePop 比较同一组权重在训练引擎和 rollout 引擎上对同一个 sampled token 的概率；当比值超出可信区间时，该 token 不产生梯度。它隔离的是 kernel、精度、DSA、KV Cache 或并行归约导致的实现偏差，不是异步 policy lag。1

slime 的关键细节。loss.py 同时定义：

  • vanilla_tis_function：把 TIS ratio 截断到上下界；
  • icepop_function：区间内保留 ratio，区间外直接变为零；
  • loss 主路径：如果没有传入自定义 tis_function，默认使用 vanilla_tis_function。4

而公开 GLM-5.2 脚本只设置 --use-tis --tis-clip-low 0.5 --tis-clip 2.0，没有显式指定 icepop_function。所以准确表述应是：

slime 已开源 IcePop 风格的 token masking 函数；公开 GLM-5.2 recipe 默认启用的是 vanilla TIS clamp。

NPU 移植函数本身不难，难的是构造可靠对照：同 checkpoint、同 exact token、同 DSA index、同前缀、同 log-prob 精度。没有这组回归，ratio 异常无法归因。

TITO

它是什么。Token-In-Token-Out 把 token ID 视为 Agent RL 的动作事实。Gateway 可以接受字符串请求，但必须把实际采样 token、边界、log-prob 和策略版本原样交给 trainer，禁止经由 decode → string → encode 重建动作。1

开源情况。固定 slime 提交已经直接使用 TITO 名称：examples/strands_sglang 对比了文本 Agent loop 与 SGLang native token API，代码把 rollout.token_ids、loss_mask 和 logprobs 直接写入 sample，并提供 Qwen3-8B、DAPO-Math-17k 的启动步骤。coding-agent adapter 与 TrajectoryManager 还覆盖 exact prompt_ids/output_ids、前缀漂移和分叉。65

因此 TITO 应判定为通用可运行示例已公开，GLM-5.x 专用 recipe 与 NPU 验证未见。NPU 端无需发明新算法，必须保证 vLLM-Ascend/SGLang-NPU 把采样 ID 和 log-prob 作为一等数据返回，且 trainer 不再重新分词。

DIS

它是什么。Direct Double-Sided Importance Sampling 直接比较当前训练策略与实际 rollout 行为策略的 token 概率，以双边阈值拒绝过旧或偏差过大的 token；再配合 policy version 丢弃整条过旧 trajectory。112

slime 的真实状态。没有找到 DIS 同名实现，但 mismatch helper 已公开：

  • bypass PPO：直接使用 current/rollout ratio；
  • decoupled three-policy PPO：区分当前、旧训练和 rollout 策略；
  • TIS、MIS 与 rejection sampling：既能加权，也能做 token mask。7

这些积木足以组合出 DIS 风格路径，却不能证明 GLM 的阈值、版本门控和训练配方已经公开。verl Ascend 的 one-step off-policy 与 fully-async recipe同样只是邻近能力，不应改名为 DIS。18

DSA Indexer

它是什么。DSA Indexer 为每个 query token 选择少量历史 key/value。对 RL 来说，token 动作相同还不够；如果 train 与 rollout 选中了不同历史位置，hidden state 和概率分布仍会不同。

公开情况分三条线：

  1. slime 训练线：GLM-5 插件包含 DSA indexer、index loss 与 IndexShare 相关实现，GLM-5.2 recipe 直接使用这些模型组件。9
  2. MindSpeed-LLM NPU 训练线：GLM-5 与 GLM-5.2 都有 Prototype 预训练入口，支持表记录 GLM-5 的 Ascend Pass 和 GLM-5.2 Test；源码与测试包含 DSA/IndexShare。16
  3. IndexCache 推理线：THUDM/IndexCache 为 SGLang/vLLM 提供 GLM-5/DeepSeek 的跨层 index reuse patch，目标是减少推理 indexer 开销；仓内是推理补丁，不是训练感知蒸馏 recipe。19

此外，sgl-kernel-npu 有 NPU lightning indexer 等推理 kernel；vLLM-Ascend 的 GLM-5.2 页面覆盖 DSA 与多种量化部署。它们证明 NPU 推理栈在补齐算子，但不替代 RL 的训推 index 一致性测试。2324

蒸馏与长程算法

Cross-Stage OPD

它是什么。GLM-5 先分别完成 Reasoning、Agentic 与 General RL，再让学生从自己的策略采样，调用前序阶段教师在同一 token 前缀上给密集 log-prob 信号，以减少能力覆盖与遗忘。1

slime 公开了通用 OPD。它支持两种 teacher：

  • sglang teacher：独立推理服务返回教师 log-prob；
  • megatron teacher：训练侧直接加载教师 checkpoint 计算 log-prob。

文档还给出 Qwen3-8B 学生、Qwen3-32B 教师和 OpenThoughts3 数据的可运行流程。10

但公开材料没有提供 GLM 三个 RL 阶段的 checkpoint、prompt 混合、teacher route、每阶段权重和最终评测，因此结论只能是：通用 OPD 已达 L3，Cross-Stage GLM OPD 仍停在 L1-L2。MindSpeed-RL 与 verl NPU 固定文档中未找到 OPD teacher worker 或对应 recipe。

MOPD

先纠正归属。MOPD 全称 Multi-Teacher On-Policy Distillation，论文作者机构包括北京大学、小米 LLM Core、香港大学和中国人民大学，不是智谱或 THUDM 发布的 GLM 官方方法。固定论文也未给出公开代码链接。11

它把 prompt 按领域硬路由到同源专家教师，再在学生自己访问的状态上做 reverse-KL 蒸馏。GLM-5.2 官方博客披露“十多个专家并行 OPD，约两天完成”，在结构上与 MOPD 相近；但官方没有使用 MOPD 名称，也没有公开相同的路由与 loss 配方。2

因此本文只把 MOPD 当作理解 GLM 多专家并行 OPD 的参照系，不把论文实验当成 GLM 的开源证明。

SAO

它是什么。Single-Rollout Asynchronous Optimization 让每个 prompt 只生成一条 trajectory，完成即训练，从而消除 GRPO 同组等待；因为失去组内 baseline，它重新引入 Critic，并使用 value normalization、dual clipping 与 Skip-Observation GAE 稳定训练。12

开源情况。论文公开且说明用于 GLM-5.2 pipeline，但没有给出独立代码仓；固定 slime 提交也没有 SAO、Skip-Observation GAE 或对应单 rollout 配置。slime/AgentRL 的异步队列可以承载未来实现，却不能等同于 SAO。

公开 issue #2212 直接询问 slime 是否计划开源 SAO 与 CompactionRL，截至审计日没有关联分支、PR 或维护者回复。它是当前公开状态的旁证，不是“永远不会开源”的承诺。8

NPU 侧已有 fully-async 与 actor/critic 训练积木，意味着迁移不是从零开始；真正缺的是 Critic 生命周期、跨 observation GAE、当前/rollout ratio、版本门控和长程环境组成的同一 recipe。

CompactionRL

它是什么。CompactionRL 不把摘要当作外部不可训练预处理，而让同一个策略在上下文接近预算时生成 summary，再以最终任务奖励联合训练“摘要动作”和“任务动作”；token-level loss 与 cross-trajectory GAE 用于修正不等长分段带来的权重和信用偏置。13

最容易误判的地方。CompactionRL 论文明确说训练使用 slime；同时 slime coding-agent 的 TrajectoryManager 能识别 auto-compaction 造成的 prompt 分叉。两条事实都成立，但仍不能推出公开 slime 已实现 CompactionRL：

  • trajectory 分叉只是记录上下文变更；
  • CompactionRL 还需要把 summary token 纳入 policy loss；
  • 需要最终奖励跨段回传与 cross-trajectory GAE；
  • 需要按全部有效 token，而不是按 segment 数量归一化。

固定提交未找到这些同名 loss/GAE/recipe，因此当前判为 论文 L1 + 框架邻近能力，NPU 侧未见公开实现。

slime 到底开了什么

把前面的零散结论合并，THUDM/slime@f655e13 对本课题最有价值的公开对象是：

层 已有对象 对部门的直接价值
模型 GLM-5/5.2 Megatron 插件、DSA/IndexShare 可定位模型前向与 indexer 接口
大规模 RL 配方 GLM-5.2 744B-A40B、256×H100 可建立 GPU 参考行为与吞吐基线
概率一致性 mismatch metrics、TIS/MIS/RS、IcePop 函数 可定义 NPU ratio 与 mask 回归
Agent 轨迹 TITO 示例、exact IDs、log-prob、loss mask、分叉 可直接复用 TITO 数据协议与通用 recipe
OPD SGLang/Megatron teacher 两种模式 可拆出 teacher prefill 与 payload 接口
缺口 Cross-Stage、SAO、CompactionRL 同名 recipe 未见 需要自研或等待上游公开

名字相近不代表同一配方

--use-tis 不自动等于 IcePop；TITO 已有同名通用示例但不等于 GLM 内部 Agentic recipe；mismatch helper 可组合 DIS 但不等于官方 DIS recipe；auto-compaction trajectory 也不等于 CompactionRL。

智谱与 THUDM 相关仓

除了 slime，公开组织中还有几类容易混在一起的仓库：

模型与部署

  • zai-org/GLM-5：模型家族入口，提供 BF16/FP8 权重、部署与微调链接；仓库本身不包含上述完整后训练 pipeline。Ascend 页面覆盖 vLLM-Ascend、SGLang、xLLM 和混合 W8A8 部署。1415
  • THUDM/IndexCache：SGLang/vLLM 推理补丁，支持 GLM-5 的跨层索引复用；不是 RL 或 indexer 训练仓。19

Agentic RL

  • THUDM/AgentRL：异步 Agentic GRPO 基础设施，GPU/CUDA 路径完整，适合参考环境 worker、controller、trajectory 与 rollout/trainer 解耦。20
  • THUDM/SCALE-CUA：公开 GUI agent 的 task generation、在线 RL、环境与 checkpoint，其中包含 GLM-4.6V；它说明相关团队确实会开源完整场景，但模型、环境和算法对象都不同于 GLM-5.2 文本 pipeline。21
  • THUDM/T1：推理扩展工作，固定提交只有论文说明和 SFT 数据入口，README 仍写着模型权重与 RL 数据“即将发布”，不宜作为当前 RL 训练代码证据。22

没找到的同名仓

截至核验日期，对 THUDM 与 zai-org 的公开仓库枚举和固定提交检索中，未找到名为 SAO、CompactionRL 或 GLM Cross-Stage OPD 的独立仓库。这只是公开检索边界，不是对私有仓或未来开源的判断。

昇腾 NPU 到了哪里

NPU 支持需要拆成四层看，否则“模型能推理”很容易被误写成“算法能训练”。

模型训练层

MindSpeed-LLM@79afbee 已有 GLM-5 和 GLM-5.2 预训练入口，GLM-5.2 标为 Prototype；支持表记录 32×16 Ascend 规模，源码/测试覆盖 DSA 与 IndexShare。仓库也有通用 QAT engine，包括 w4a16-mxfp4、w4a4-mxfp4、w4a8-moe-only 等 scheme，但未见这些 scheme 与 GLM-5.2 后训练组合的公开 recipe。16

通用 RL 层

MindSpeed-RL@26c21e6 有 GRPO、DAPO、PPO、多轮 Agent RL、partial rollout、训练推理一体化与重分片等能力。项目 README 同时提示 2026 年 4 月后停止新增特性，并把后续昇腾实践引向 verl 生态。17

verl@87c68d2 的 Ascend 支持表已有 Qwen 系列 GRPO、one-step off-policy 与 fully-async 示例，但固定表中没有 GLM-5/5.2。18

推理与量化层

GLM-5 仓、vLLM-Ascend 与 sgl-kernel-npu 已覆盖 GLM-5.2 部署、DSA、长上下文及 BF16/W8A8/W4A8C8 等推理能力。它们解决 rollout/serve 的一部分模型执行问题，不提供 actor optimizer、teacher、reward、policy version 与权重原子切换。152423

端到端缺口

要把当前积木升级为“GLM-5.2 NPU 原生后训练”，还缺一份公开的统一合同：

  1. 模型合同：GLM-5.2 actor/reference/critic/teacher 的 checkpoint 与并行切分。
  2. 动作合同：exact token IDs、action/observation mask、tool trace 和 tokenizer 版本。
  3. 概率合同：rollout/current/old/train-engine log-prob 的定义、精度与阈值。
  4. 稀疏合同：DSA/IndexShare 在 train、rollout、teacher 上的 Top-k tie 与复现规则。
  5. 同步合同：训练分片转 rollout 分片、可选量化、发送、加载、原子版本切换和确认。
  6. 阶段合同：Reasoning/Agentic/General checkpoint 如何进入 Cross-Stage OPD，SAO/CompactionRL 在哪个阶段启用。
  7. 验证合同：同 checkpoint 的 token agreement、log-prob mismatch、trusted-token ratio、收敛与吞吐基线。

部门实施顺序

如果目标是“突破 GLM 的 NPU 原生训练”，不建议一开始同时复刻所有论文名词。更稳妥的顺序是：

  1. 先打通 GLM-5.2 GRPO 最小闭环。以 slime 的公开 H100 recipe 为 GPU 参考，在 NPU 上对齐模型 forward、DSA index、采样 token、reward、weight sync 与基础收敛。
  2. 再建立一致性观测面。先保存 exact token 与 rollout log-prob，再实现同 checkpoint train/infer mismatch；确认 vanilla TIS、IcePop mask 和 off-policy ratio 分别在处理什么偏差。
  3. 然后扩展 Agentic RL。加入工具/环境 observation mask、trajectory version、异步 ready queue 与 staleness gate。不要在 exact-token 链路未稳定时先追吞吐。
  4. 再移植通用 OPD。先跑单教师 NPU OPD，验证 sampled token 的师生 log-prob；随后才扩展到 Cross-Stage 或多教师路由。
  5. 最后验证 SAO 与 CompactionRL。二者都会改变样本组织、Critic/GAE 或长程信用分配，调试面明显大于 GRPO/OPD，不适合作为第一个 NPU 穿刺点。

优先级可以记成：

模型可跑 < 动作可重放 < 概率可比较 < 版本可追溯 < 阶段可复现。

总结

对这些技术的开源情况，可以压缩成六句话：

  1. Reasoning RL 在 slime 中已有公开 GLM-5.2 GPU 大规模配方，Agentic RL 有框架与 exact-token 链路，General RL 仍主要是报告级。
  2. IcePop 有源码函数，但公开 GLM-5.2 脚本默认 TIS 路径不是显式 IcePop；TITO 已有同名可运行通用示例，DIS 仍主要是组合积木。
  3. DSA Indexer 是昇腾支持最深入的组件：GLM 预训练实现、测试与推理 kernel 均有公开证据。
  4. Cross-Stage OPD 只有通用 OPD 代码，没有 GLM 跨阶段 checkpoint/teacher 配方；MOPD 来自小米 MiMo 等机构，不是 GLM 官方开源。
  5. SAO 与 CompactionRL 已论文公开并声明用于 GLM-5.2，但固定 slime 中未见同名训练 recipe；邻近异步或 compaction 代码不能替代算法实现。
  6. NPU 侧已有模型、RL、异步、DSA 与部署积木，缺的是把它们焊成同一个 GLM-5.x 后训练数值闭环。

参考资料

  1. GLM Team, GLM-5: from Vibe Coding to Agentic Engineering, 2026。 ↩↩↩↩↩↩↩↩

  2. Z.ai, GLM-5.2: Built for Long-Horizon Tasks, 2026-06-16。 ↩↩

  3. THUDM, slime GLM-5.2 744B-A40B example 与 run script，固定提交 f655e13。 ↩↩

  4. THUDM, slime TIS and IcePop functions，固定提交 f655e13。 ↩↩

  5. THUDM, slime coding-agent token contract 与 TrajectoryManager，固定提交 f655e13。 ↩↩↩

  6. THUDM, slime x Strands-SGLang TITO example 与 token-preserving generate implementation，固定提交 f655e13。 ↩↩↩↩

  7. THUDM, slime train-inference mismatch helper，固定提交 f655e13。 ↩↩

  8. THUDM/slime, Question: Do we support the SAO method used in the training of GLM-5.2? #2212，截至 2026-08-06 为 open，未关联分支或 PR。 ↩↩

  9. THUDM, slime GLM-5 plugin 与 indexer implementation，固定提交 f655e13。 ↩↩

  10. THUDM, slime on-policy distillation documentation，固定提交 f655e13。 ↩↩

  11. Ma et al., MOPD: Multi-Teacher On-Policy Distillation for Capability Integration in LLM Post-Training, 2026。 ↩↩

  12. Hou et al., Single-Rollout Asynchronous Optimization for Agentic Reinforcement Learning, 2026。 ↩↩↩

  13. Li et al., CompactionRL: Reinforcement Learning with Context Compaction for Long-Horizon Agents, 2026。 ↩↩

  14. Z.ai, GLM-5 repository，固定提交 436efa0。 ↩

  15. Z.ai, Using Ascend NPU to Deploy GLM-5.2，固定提交 436efa0。 ↩↩↩

  16. Ascend, MindSpeed-LLM，重点参见 GLM-5.2 example、supported models 与 QAT engine，固定提交 79afbee。 ↩↩↩

  17. Ascend, MindSpeed-RL，固定提交 26c21e6。 ↩↩↩

  18. verl, Ascend model and algorithm support，固定提交 87c68d2。 ↩↩↩↩

  19. THUDM, IndexCache，固定提交 08d22d6。 ↩↩↩

  20. THUDM, AgentRL，固定提交 6a73409。 ↩↩↩

  21. THUDM, SCALE-CUA，固定提交 3929e2f。 ↩↩

  22. THUDM, T1，固定提交 5dfb8ff。 ↩

  23. SGLang, sgl-kernel-npu。 ↩↩

  24. vLLM Ascend, GLM-5.2 deployment guide。 ↩↩

评论