GLM-5.2 对比 Claude Opus

GLM-5.2 刚刚发布，这也是开放模型能力向前迈出的又一步。互联网上很快就炸开了锅，但很难分清哪些是真实力，哪些只是炒作。

因此，我们让它与 Claude Opus 4.8 进行了正面对决：同样的一次性提示词，从零开始用原生 WebGL 构建一款 3D 平台跳跃游戏。以下是我们在完成测试、梳理各项基准和相关讨论后的看法。

我们不会停止将 Opus 作为主力模型。 在我们的测试中，Opus 速度更快，交付的游戏也更干净、更准确，而且它还能检查自己的视觉输出，这是纯文本的 GLM-5.2 做不到的。但 GLM-5.2 也在我们的工具库中赢得了一个长期位置：它确实很有能力，价格却只是其中一小部分，而且由于它是开放权重模型，它将始终可用。闭源模型可能会在几乎没有预警的情况下被下线或受限（Fable 最近就提醒了这一点）；而你可以下载的权重则不会被收回。

你现在就可以试玩这两款游戏，或获取源代码：

• GLM-5.2 的游戏： 3dgame-glm.d.ritzademo.com
• Opus 的游戏： 3dgame-opus.d.ritzademo.com
• 两者的来源： github.com/jamesdanielwhitford/glm-5.2-vs-opus-platformers

两者都是从零开始编写的浏览器游戏，未使用游戏引擎或 Three.js 之类的 3D 渲染库。3D 模型为来自 Kenney 的免费 CC0 资源。

以下是两次运行的对比：

指标	GLM-5.2（Pi/OpenRouter）	Opus（Claude Code）
实际构建耗时	1小时10分40秒	33分30秒
输出令牌数	131,000	216,809
峰值上下文窗口	100万的16%	100万的19%
工具调用	128	153
成本	5.39 美元（实际计费）	~$21.92（估算，标价）

GLM-5.2 的成本仅为其一小部分。Opus 用了一半时间完成，并交付了一款更为干净利落的游戏。

从纸面上看， 各项基准测试显示 GLM-5.2 仅略逊于顶级闭源模型，而网上的热议则是真实口碑与水军造势并存。关于这两点，我们将在游戏部分之后展开讨论。

什么是 GLM-5.2

GLM-5.2 是 Z.ai 最新的旗舰模型。它采用 MIT 许可证开放权重，因此你可以下载、自行运行，或通过 Z.ai 的 API 调用它。

它专为长周期任务打造，也就是那种持续数小时、包含多步骤的编码代理工作。它提供 100 万 token 上下文窗口，并配备 High 和 Max 两档思考强度，在速度与能力之间进行权衡。

在相近的 token 使用量下，Z.ai 将其定位大致介于 Claude Opus 4.7 和 4.8 之间。如果你想了解更多，这里是他们的公告：

定价与访问

由于采用开放权重，GLM-5.2 的成本很低。通过 API 使用时，其费用仅为 Opus 的一小部分；如果你拥有相应硬件，还可以免费自行运行。

定价：每 100 万个 tokens（厂商文档）：

	输入	缓存读取	输出
Claude Opus 4.8	$5	$0.50	$25
GLM-5.2	$1.4	$0.26	$4.4

在输出 token 方面，GLM-5.2 的价格不到 Opus 的五分之一。

其权重已在 Hugging Face 和 ModelScope 上以 MIT 许可证发布，且没有地区限制。你可以使用 vLLM、SGLang 或 Transformers 等框架在本地部署它。

我们的主观测试：从零开始制作一款 3D 游戏

为了排除主观感受的干扰，我们向 Opus 4.8 和 GLM-5.2 提供了相同的一次性提示：从零开始构建一款 3D 平台跳跃游戏，使用原始 WebGL，不借助任何游戏引擎或 3D 库。

为什么选择这项任务

一个模型可以零样本生成一个好看的落地页，而社区早已不把这太当回事，不再视其为多有分量的测验。用原始 WebGL 制作一款 3D 平台游戏，则不可能靠一个漂亮的单文件蒙混过关。它需要真正的结构：GLB 模型解析器、矩阵与向量运算、GLSL 着色器、蒙皮骨骼动画、固定时间步循环、碰撞检测以及跟随镜头。

这种结构同时检验了人们争论的两个方面。能否在多步骤过程中维持一个分层、多文件的构建体系，是代理能力的一部分，而这正是 GLM-5.2 被认为擅长之处。能否把引擎内部机制做对——那些看起来没问题却会悄然出错的部分——则属于推理与品味的范畴，而 Opus 被认为会在这方面更胜一筹。

我们将 3D 资源打包在本地，因此这项测试考察的是引擎与渲染能力，而不是测试支撑工具能否取回一个模型文件。美术资源本身是一套由人工制作的素材包，即 Kenney’s CC0 Platformer Kit，两位代理拿到的文件完全一致。

每个模型需要构建什么

要完成任务，每个模型都必须构建：

• 一个基于原生 WebGL 的 3D 引擎和渲染器，不使用 Three.js 或任何库。
• 一个用于加载所提供的 3D 角色和世界模型的加载器。
• 一个在竞技场中奔跑跳跃的角色，具备重力和碰撞效果。
• 带有跟随镜头和键盘控制。
• 整个项目只需一条命令即可在浏览器中运行。

两者大部分内容都是手动完成的（靠工具？靠硬啃？）：GLB 二进制解析器、矩阵与四元数运算、带有 GLSL 蒙皮着色器的 WebGL2 渲染器，以及采用子步进的 AABB 碰撞检测，以防角色穿透平台。

两者获得了相同的提示词、相同的素材，并且都只有一次尝试，没有任何提示。我们以高强度扩展思考模式运行 Opus 4.8，以高强度思考模式运行 GLM-5.2（GLM-5.2 还有更高的 Max 档位，但我们没有使用）。你也可以自行深入查看这两次运行：

• 体验 GLM-5.2 的游戏： 3dgame-glm.d.ritzademo.com
• 体验 Opus 的游戏： 3dgame-opus.d.ritzademo.com
• 两者的源代码： github.com/jamesdanielwhitford/glm-5.2-vs-opus-platformers
• Opus 构建记录： 完整会话
• GLM-5.2 构建记录： 完整会话

耗时与成本

Opus 4.8 在 Claude Code 中构建；GLM-5.2 通过 OpenRouter 在 Pi 中构建。

并排延时画面。Opus 在 34:00 完成，GLM-5.2 在 1:11 完成。

延时画面展示了整个构建过程的压缩版：Opus 用大约一半的实际耗时完成任务，而 GLM-5.2 虽然耗时更久，但成本低得多。完整数据见顶部的结果表。

试玩两款游戏

我们从头到尾试玩了这两款游戏。以下是它们各自的实际表现。

两者构建的是同一种游戏：第三人称 3D 平台游戏，操作方式也相同。你可以用 WASD 或方向键移动，空格键跳跃，Shift 键冲刺，拖动鼠标环绕镜头，并用滚轮变焦。目标也一样：收集平台上的币并抵达旗帜，同时避开尖刺障碍；如果掉出世界，则会被传送回起点。

GLM-5.2

GLM-5.2 的游戏看起来有些粗糙。以下为实机游玩画面：

• 整体观感也不太理想。
• 角色缺少部分材质。
• 尖刺陷阱不会让角色死亡。
• 到达旗帜后什么也不会发生。没有胜利条件。

所以表现并不算太好。不过，它有一点做对了：弹簧。

GLM-5.2 弹簧发射。

你可以跳上弹簧，并弹射到下一个平台。

Opus

Opus 的游戏更干净利落，游玩体验也不错。根据试玩：

• 摄像机和控制器可以正常工作。
• 尖刺陷阱会杀死玩家，所以这部分逻辑是正确的。但它位于关卡一侧，而不在前进路径上，因此你得特意绕过去才会碰到它。
• 整体看起来不错，而且你可以到达旗帜并获胜。确实存在一个真正的胜利条件。

动画效果不错，运行流畅，纹理贴图也应用得当。

Opus：动画片、纹理、控制器均正常工作。

各模型如何检查自己的工作

两款模型都被要求在停止前验证自己的工作。智能体常用的一种方式是对成品截取屏幕画面并进行查看，以检查是否有损坏或缺失的内容。Opus 在其会话中正是这样做的。

GLM-5.2 在这里遇到了问题，因为它无法读取图像。它不具备多模态能力。因此，它没有去查看截图，而是退回到一种权宜性的变通办法：编写脚本读取原始像素数据，并检查颜色是否大致符合预期。

为什么 GLM-5.2 的自检漏掉了这些漏洞

由于无法查看自己保存的截图，GLM-5.2 转而尝试通过读取帧的像素来进行验证。以下摘自它的最终报告，其中它通过采样颜色来“分析”保存的图像：

final_start/overview/flag.png 已分析颜色：草地绿色、泥土棕色、币金色、旗帜红色、角色偏蓝色、半 Lambert 光照、无黑色

它预期看到的颜色都在，于是确认游戏已经完成并停止了。但正如你在下方它自己的最终截图中所见，角色呈扁平的灰色，纹理缺失，调试叠加层仍然覆盖在场景之上。一个真正能够查看截图的代理，很可能会发现这两个问题，并返回去修复它们。

GLM-5.2 的最终截图：角色缺少纹理，调试叠加层仍未关闭。它从未看过这一帧画面。

在一项结果具有视觉呈现的任务中，能够理解图像，会让模型相较于无法做到这一点的模型拥有真正的优势。

Opus 如何检查自己的工作

Opus 是多模态模型，因此它可以直接读取截图。其测试工具运行并渲染了游戏，截取了一帧画面，而 Opus 将该图像纳入了核实过程。以下摘自其会话 ，描述了它所看到的内容：

最终场景渲染正确：顶部覆草、侧面为棕色泥土的方块，向上延伸的楼梯，金币/银币和一颗宝石，右侧岛屿上的蓝色尖刺方块危险物，顶部终点处的红旗，站在起始平台上的角色[…]，以及分数界面。光照和阴影正确，几何结构干净。

Opus 的截图：界面干净，调试读数已移除。

由于能够看到画面，Opus 注意到自己留在屏幕上的调试读数，并在完成前将其清除。

这些漏洞

两款游戏都有漏洞。以下是各自出现的问题。

GLM-5.2

GLM-5.2 的漏洞频繁且显而易见，其中不少还是基础性问题。

角色朝向是反的。 它虽然朝着正确的方向移动，但模型自始至终都是背对着前进方向。

纹理缺失，头部消失。 角色被渲染成单调的灰色，而不是带有纹理；每当镜头移动时，它的头部就会消失。Kenney 模型指向存放在独立文件中的共享调色板，而不是将其嵌入模型本身；但 GLM-5.2 的渲染器始终没有加载该文件，因此只能退回到纯色显示。Opus 则加载了调色板，所以它生成的角色带有纹理。

致命尖刺却不会致命。 角色直接落在尖刺陷阱上，却什么也没有发生。没有死亡，也没有重置。

Opus

Opus 的问题更少，也更细微，更多属于边缘情况，而不是基础功能失效。

站在空气上。 角色可以在平台边缘旁悬空坐下而不掉落。这是它的“土狼时间”宽限期——也就是离开边缘后仍可短暂起跳的那一小段时间——只是参数调得稍显宽松。这属于打磨细节时略微用力过猛，而不是基础机制出了问题。

离得太远也能获胜。 角色离旗帜还有一段明显距离时，就已触发胜利。

测试显示了什么

两款模型都在单次生成中从零构建出了一个完整、可运行的 3D 平台游戏：不用引擎，也不依赖任何 3D 库。这是一个很高的门槛，而就在不久前，两者都还无法跨过。以下是它们各自的表现。

GLM-5.2：更慢、更粗糙、更便宜

GLM-5.2 耗时超过两倍，交付的游戏也较为粗糙：灰色且无贴图的角色、不会致死的尖刺、无法正常运作的胜利条件，以及到最后仍停留在屏幕上的调试叠加层。它的大多数漏洞都属于基础性问题。成本仅为对方的五分之一。

Opus：更快、更干净、更贵

Opus 用了一半时间完成，并交付了更整洁、也更准确的游戏。它的漏洞属于边缘情况，而不是基础功能失效。成本大致是前者的四倍。

多模态优势

Opus 能读取图像，因此它的自检会查看已渲染的游戏画面，并发现视觉问题。GLM-5.2 仅支持文本：它通过数字进行验证，却从未看到自己的角色是灰色的，也没有发现调试叠加层仍然显示着。在一项视觉任务中，这正是发现瑕疵与将瑕疵直接发布之间的差别。

一款游戏只是一个数据点。下面的基准测试会在更大规模上检验同类能力。

基准测试

Z.ai 在其模型卡中随此次发布一同公布了这些基准测试数据。每一行中的最佳结果以粗体标示。

* = Anthropic 自行报告 。

基准测试	GLM-5.2	Opus 4.8	GPT-5.5	Gemini 3.1 Pro
推理
HLE	40.5	49.8*	41.4*	45
HLE（含工具）	54.7	57.9*	52.2*	51.4*
AIME 2026	99.2	95.7	98.3	98.2
GPQA-Diamond	91.2	93.6	93.6	94.3
IMOAnswerBench	91.0	83.5	–	81
编程
SWE-bench Pro	62.1	69.2	58.6	54.2
NL2Repo	48.9	69.7	50.7	33.4
DeepSWE	46.2	58	70	10
ProgramBench	63.7	71.9	70.8	39.5
终端基准测试 2.1（Terminus-2）	81.0	85	84	74
终端基准测试 2.1（最佳测试框架）	82.7	78.9	83.4	70.7
SWE-马拉松	13.0	26.0	12.0	4.0
智能体化
MCP-Atlas（公开版）	76.8	77.8	75.3	69.2
工具-十项全能	48.2	59.9	55.6	48.8

• Intelligence Index v4.1：51（开源权重模型中领先；MiniMax-M3 为 44，DeepSeek V4 Pro 为 44，Kimi K2.6 为 43）。
• TerminalBench v2.1：78%（而模型卡上为 81 / 82.7——测试框架不同）。
• 每项任务输出 token 数：~43k（GLM-5.1：26k）。

这些数字与我们的测试结果一致：GLM-5.2 在开源权重阵营中领跑，推理能力上也能与对手正面抗衡，但 Opus 在大多数编码和智能体相关项目上仍占上风。

各项基准测试衡量什么

这些基准测试涵盖三个领域。以下按表格相同的分组方式，说明各项测试分别评估什么。

推理 ：高难度数学与科学考试

• HLE。Humanity’s Last Exam。该测试涵盖多个学科的数千道专家级题目，设计目标是极其困难。“使用工具”一行指的是允许进行网络搜索和编写代码的同一场考试。
• AIME 2026。一项高难度的美国高中数学竞赛。
• GPQA-Diamond。研究生级科学问题，题目设计使其无法通过快速搜索作答。
• IMOAnswerBench。数学奥林匹克风格的问题，按最终答案评分。

编程 ：修复漏洞并构建完整项目：

• SWE-bench Pro：在真实代码库中修复真实问题，且往往需要跨多个文件进行修改。
• NL2Repo：根据一份书面规格说明构建一个完整且可运行的代码库。
• DeepSWE。在无互联网访问的沙盒容器中完成智能体软件工程任务。
• ProgramBench。在未提供源代码或规格说明的情况下，仅依据已编译二进制文件和文档重建完整程序。
• Terminal Bench 2.1。通过真实终端完成的任务。两行结果分别采用固定测试框架（Terminus-2）以及各模型的最佳测试框架。
• SWE-Marathon。20 项超长周期工程任务，每项运行数小时。

智能体 ，调用并串联真实工具：

• MCP-Atlas。工具使用任务在真实的 MCP 服务器上运行，每项任务都需要多次工具调用。
• Tool-Decathlon。跨多个真实应用的长程任务，每项任务都需要一长串工具调用。

人们怎么说

基准测试和我们自己的测试是一回事；网上的反应则是另一回事。其中很大一部分是一些毫无过往记录的账户炒作出来的热度，因此我们只采信那些其判决经得起时间检验的人士和团体。

Simon Willison：“可能是功能最强大的纯文本开源权重 LLM”

多年来，Simon Willison 几乎写过每一次值得关注的模型发布。他称 GLM-5.2“可能是功能最强大的纯文本开源权重 LLM”。

他的标准测验是让模型生成一只骑着自行车的鹈鹕的 SVG。GLM-5.2 返回了一个完整动画版本，而且没有任何损坏之处，他称之为“非常令人印象深刻”。

第二项测试——一只骑着滑板车的负鼠——的结果比 GLM-5.1 上一版本的表现还要差。因此，它确实很强，但并非在各方面都同样出色。

Artificial Analysis：顶级开源模型，但极其消耗 token

独立基准测试机构 Artificial Analysis 在其“智能指数”中将 GLM-5.2 评为领先的开放权重模型。其得分为 51，领先于 MiniMax-M3、DeepSeek V4 Pro 和 Kimi K2.6，并位于其成本与智能前沿曲线上，是同等级中最便宜的模型。

他们指出了与我们遭遇的同样问题：它非常“耗费 token”。每项任务大约会使用 4.3 万个输出 token，其中大部分用于推理，高于他们测评的任何其他主流开放模型。

Nathan Lambert：开源与闭源之间的差距正在缩小

Nathan Lambert 的本职工作，就是在 Allen Institute for AI 跟踪开放权重模型。看到 GLM-5.2 在 LMArena 排行榜上的位置后，他指出 ，“你可以说他们的智能体甚至比 Gemini 的更好”，并称这对一个采用 MIT 许可证的开放模型而言，“是一项了不起的成就”。

他更广泛的观点是，中国的实验室正以少得多的算力达到这些分数，因此不应被低估，即便美国顶级模型总体上仍然领先。这与我们的测验结果一致：Opus 表现更胜一筹，但 GLM-5.2 的差距比其价格和开放程度所显示的要小。

结论

那么，热度名副其实吗？大体上是的。

GLM-5.2 确实是一款实力强劲的开放权重模型，而价格仅为 Opus 的一小部分。对很多工作而言，这样的组合很难被超越。但它并不是 Opus。在我们的测试中，Opus 速度更快，交付的游戏也更整洁、更准确，并且能够通过“看”游戏来自行检查结果。GLM-5.2 则便宜得多，但显得更粗糙，而且仅支持文本。

当成本和开放性更重要，且工作内容主要是文本与逻辑时，选择 GLM-5.2。若更看重正确性、打磨程度和视觉判断，那么选择 Opus——当然，你也要为此付费。无论如何，都应将 GLM-5.2 留在工具库中：这是少有的、接近前沿且任何供应商都无法从你手中夺走的模型。