物界前沿物界前沿 · 资讯情报卡（Hacker News · 2026/11/6）
智谱披露 GLM-5.5 训练数据管线，含 1 万亿网页
核心事实
- 智谱首席科学家唐杰在清华讲座中公布 GLM-5.5 的训练数据管线。
- GLM-5.5 将推出 32B、122B、256B 三个参数版本。
- 预训练数据来自六个自建引擎，而非公开数据集。
- 网页数据规模为 1 万亿页，抓取速度约每天 100 亿页。
- 语料还包括 20 亿篇论文、5000 万本书、5 亿代码仓库、100 亿视频和 3 亿小时音频。
关键数据
1 万亿页网页数据量
约 100 亿页/天抓取速度
20 亿篇科学 PDF
5000 万本书籍
物界观察
大模型竞争正从拼参数转向拼数据管线，智谱把六个自建引擎当作护城河，等于宣告公开语料已不够用。对用户而言，模型能力上限更取决于数据清洗与结构化质量；但自建爬取和解析的合规成本与版权风险，也会成为同行难以绕开的门槛。