智谱下一代大模型 GLM-6.0，已经有了一个与此前模型完全不同的技术目标。

8 月 31 日晚间，在智谱 2026 年半年度业绩发布会上，智谱创始人、清华大学教授唐杰谈到了下一代模型 GLM-6.0。

他透露，GLM-6.0 将定位于 Full Self-Training（完全自训练），海外相关概念通常称为 RSI，即 Recursive Self-Improvement（递归自我改进）。

这意味着，智谱下一代模型的重点，不再只是继续扩大参数规模、增加训练数据或堆叠算力，而是让模型逐步具备 " 自己训练自己 " 的能力。

据《观点网》报道，唐杰介绍，Full Self-Training 的核心特征，是模型具备 " 自净化 " 能力，并覆盖从预训练、中期训练到后训练的完整流程，最终实现自主训练和自我进化。

唐杰认为，全自训练面临的最大挑战，并不是简单地把模型做得更大，而是让模型具备自我判断能力。

例如，模型需要自己判断训练什么时候应该停止，也需要自己发现训练过程中出现的问题，并完成错误修正。

换句话说，过去的大模型训练流程，大体是人类设计训练方案、准备数据、进行训练、评估结果，再由工程师决定下一步怎么调整。

Full Self-Training 试图改变的，正是这个循环。

而这并不是智谱突然提出的新方向。

今年 7 月，唐杰在内部信《巨浪已来》中提出智谱未来两年的 " 摸高计划 "，其中已经将 Fully Self Training（完全自我训练）列为核心方向之一。

当时披露的设想包括建设高质量合成数据工厂，通过 AI 与 AI 之间的 Self-Play（自博弈）产生新的训练数据，并进一步探索让 AI 在安全环境中重构自身代码，使模型迭代逐渐减少对人工工程师的依赖。

背后的原因与大模型 Scaling 正在面对的问题有关。

在传统路径下，提高模型能力的重要手段包括增加参数、扩大训练数据和增加计算量。但随着模型规模越来越大，高质量数据、训练成本以及计算资源都成为重要约束。

唐杰在此次业绩会上也谈到了参数规模问题。他表示，评价模型不能只看参数量，还需要综合考虑训练数据规模和计算资源投入。在国内大模型训练数据已经达到数十万亿 Token 的情况下，单纯扩大参数规模的边际收益正在下降。

因此，另一条可能的路径就是让 AI 参与甚至承担更多训练工作：自己产生数据、自己进行验证、自己发现错误，再把结果用于下一轮训练。

如果这条路线能够成立，模型升级的方式就可能发生变化。

即从 " 人类训练模型 "，到 "AI 参与训练 AI"，到模型能够自主完成更多训练、评估和修正工作，形成持续的自我改进循环。

不过，目前 GLM-6.0 仍处于研发阶段。

智谱此次公开的是技术定位和研发方向，并没有公布 GLM-6.0 的参数规模、具体架构、Benchmark 成绩、正式发布日期或模型权重。

值得注意的是，唐杰还表示，后续模型研究将进一步把伦理和社会治理纳入考量。