今年春节前这几天，AI 圈像是突然集体踩了油门。
2 月 11 日，三家同时出手：GLM-5 正式发布，MiniMax M2.5 开放内测，DeepSeek 灰度上线 1M 上下文。表面看是模型竞赛，实际上，是一次工程能力的集体跃迁。
如果你是做软件测试的，这不是“看个热闹”的新闻。这是工具栈、测试对象、测试方法都要跟着变化的信号。
一、GLM-5：参数翻倍不是重点，工程结构才是
智谱 在 2 月 11 日正式发布了 GLM-5。
几个关键点值得测试工程师重点关注：
第一，MoE 规模再次上探。 GLM-5 总参数 7440 亿，激活参数 400 亿，继续采用 Mixture of Experts（专家混合）架构。MoE 的核心不是“更大”，而是“更稀疏”。推理时只激活部分专家，从而在保持能力的同时控制成本。
这意味着什么？
意味着模型行为的“局部不稳定性”会更明显。不同 prompt 路径可能触发不同专家组合。测试策略不能再只做静态用例验证，必须关注多次采样分布差异。
第二，集成 DeepSeek 的 DSA 稀疏注意力。 这本质上是在长上下文下压低算力成本。对测试而言，这是“上下文一致性验证”的新战场——长输入不再是少数场景，而会变成常态。
第三，异步强化学习框架 slime。 强化学习效率提升，本质是“模型行为对齐能力”增强。但强化学习带来的副作用是策略偏移（policy drift）。如果你做 AI 系统测试，必须设计“版本行为回归”机制，而不是只看一次结果是否正确。
基准测试成绩不展开对比了，重点只有一句话：它已经不是玩具模型，而是工程级模型。
最重要的一点：MIT 协议开源，支持 vLLM / SGLang。本地可部署。
对测试人来说，这意味着可以：
本地做压力测试
复现线上问题
研究推理路径差异
自建对比基线
这比“网页上免费体验”重要得多。
二、MiniMax M2.5：计算堆出来的，通常不是噱头
MiniMax 同日开放 M2.5 内测。
工程负责人公开说了一句话很关键：“训练算力越堆，模型还在持续上涨。”
这其实是在验证 Scaling Law——规模与能力之间的幂律关系仍然成立。
上一代 M2.1 是 2300 亿总参数、100 亿激活参数，主打多语言编程能力，在 SWE-bench 多语言测试中表现很强。
对测试从业者来说，影响集中在两个方面：
第一，代码生成能力的跨语言泛化。 当模型在多语言编程任务上稳定输出，测试工程师要重新思考自动化脚本生成的质量验证方式。
不是“能不能生成代码”，而是：
生成代码的可维护性如何验证？
依赖库是否隐式注入？
是否引入隐藏安全风险？
第二，内测机制本身值得关注。 灰度发布意味着模型版本在用户之间不一致。 如果你的系统接入模型 API，你的测试环境和生产环境可能根本不是同一个能力层级。
这不是理论风险，是正在发生的风险。
三、DeepSeek：1M 上下文才是真正的变量
DeepSeek 这次依然“闷声升级”。
灰度上线 1M token 上下文。知识截止更新到 2025 年 5 月。
128K 到 1M，不是简单的 8 倍扩展。
这是系统测试难度的指数级上升。
长上下文意味着：
提示词注入攻击空间扩大
上下文污染概率增加
历史对话干扰更隐蔽
记忆边界难以界定
过去我们测试 RAG 系统，通常验证：
Top-k 召回是否准确
答案是否引用正确文档
现在必须增加：
长上下文下信息衰减曲线
多轮对话一致性
跨章节逻辑完整性
当模型可以一次性读完《三体》三部曲级别文本，测试方法还停留在“短 prompt 验证”，那是自欺。
四、对测试工程师来说，这三件事意味着什么？
这不是“谁更强”的故事。
这是三个方向的结构变化：
MoE + 稀疏注意力 → 推理路径复杂化
大规模训练 + 多语言能力 → 生成代码质量成为变量
1M 上下文 → 测试边界被重新定义
如果你做的是 AI 应用测试：
你要补的是：
行为分布验证
长上下文一致性测试
Prompt 安全测试
模型版本回归机制
Agent 执行链路可观测性
如果你做的是传统软件测试：
你会更快地面对：
AI 生成测试用例
AI 生成接口脚本
AI 生成自动化框架
AI 参与 CI/CD
真正的问题不是“AI 会不会替代测试”。
真正的问题是：
当模型规模进入 MoE + 百万上下文时代，你的测试方法是否还停留在函数级别验证？
春节之前这波更新，更像是一场工程层面的压力测试。
2025 年是“模型性能比拼”。 2026 年，开始进入“系统工程能力比拼”。
模型越来越强，测试不会消失。 它只会从“验证结果”，转向“验证行为”。
世界变得更复杂，但这正是工程师存在的理由。
