概述
GLM-5.2 刚刚发布，这是开源模型能力的又一次进步。互联网立刻炸了锅，很难分辨哪些是真实力、哪些是炒作。
所以我们拿它和 Claude Opus 4.8 做了一次正面交锋：同样的 one-shot prompt，用原生 WebGL 从零构建一个 3D 平台游戏。以下是我们在跑完测试、深挖基准数据和评估各方反馈后的判断。
我们不打算把主力从 Opus 切走。 在我们的测试中，Opus 更快，产出的游戏更干净、更正确，而且它能检查自己的视觉输出——纯文本的 GLM-5.2 做不到这一点。但 GLM-5.2 应该在武器库里占有一席之地：它是一个真正有能力、价格仅为其零头的模型，而且因为是开源权重，它永远可用。闭源模型随时可能在毫无预警的情况下退役或受限（Fable 是最近的例子）；能下载到本地的权重，谁也拿不走。
你可以现在就玩两个游戏，或者获取源码：
- GLM-5.2 的游戏：3dgame-glm.d.ritzademo.com
- Opus 的游戏：3dgame-opus.d.ritzademo.com
- 两者的源码：github.com/jamesdanielwhitford/glm-5.2-vs-opus-platformers
两个都是浏览器游戏，完全从零编写，没有使用任何游戏引擎或 Three.js 之类的 3D 渲染库。3D 模型来自 Kenney 的免费 CC0 资产包。
以下是两次运行的对比数据：
| 指标 | GLM-5.2（Pi/OpenRouter） | Opus（Claude Code） |
|---|---|---|
| 实际构建时间 | 1h 10m 40s | 33m 30s |
| 输出 Token | 131,000 | 216,809 |
| 峰值上下文窗口占用 | 1M 的 16% | 1M 的 19% |
| 工具调用次数 | 128 | 153 |
| 成本 | $5.39（实际账单） | ~$21.92（按官方定价估算） |
GLM-5.2 成本仅为 Opus 的零头。Opus 用一半时间完成，产出的游戏也更干净。
纸面上，基准测试将 GLM-5.2 排在顶级闭源模型之后不远处，而网络上的讨论既有真实信号也有水军痕迹。我们下面逐一分析，先从游戏开始。
GLM-5.2 是什么
GLM-5.2 是智谱 AI（Z.ai）最新的旗舰模型。MIT 许可开源权重，可以下载、自己部署，或通过智谱 API 调用。
它专为长时间跨度的任务设计——那些持续数小时的多步骤编程 Agent 工作。配备 1M token 上下文窗口和两档思考强度（High 和 Max），在速度和能力之间取舍。
注意：GLM-5.2 是纯文本模型，不支持多模态。它不能”看”图片，所以依赖截图或图表的工作流仍然需要 Claude Opus。
智谱官方将其定位在 Claude Opus 4.7 和 4.8 之间，在相近的 token 用量下。以下是他们的发布公告供参考：
定价与获取
因为开源权重，GLM-5.2 很便宜。通过 API 调用价格仅为 Opus 的零头，有硬件的话甚至可以免费自己跑。
每百万 Token 定价（供应商文档）：
| 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 上，GLM-5.2 的价格不到 Opus 的五分之一。
权重托管在 Hugging Face 和 ModelScope，MIT 许可，无地区限制。可以通过 vLLM、SGLang 或 Transformers 等框架本地部署。
我们的手感测试：从零构建 3D 游戏
为了穿透各种主观感受，我们给了 Opus 4.8 和 GLM-5.2 完全相同的 one-shot prompt：用原生 WebGL 从零构建一个 3D 平台游戏，不使用任何游戏引擎或 3D 库。
为什么选这个任务
模型可以零样本产出一个漂亮的落地页，而社区已经不把这种测试当回事了。但原生 WebGL 3D 平台游戏不是写一个漂亮文件就能糊弄过去的。它有真实的结构：GLB 模型解析器、矩阵和向量数学、GLSL 着色器、骨骼蒙皮动画、固定时间步长循环、碰撞检测、跟随摄像机。
这种结构同时测试了人们争论的两个方面。在多个步骤中维持分层、多文件构建是 Agent 能力的部分，也是 GLM-5.2 应该强的地方。而把引擎内部细节搞对——那些看起来正常但静悄悄地出错的细节——是推理和品味的部分，Opus 应该在这里领先。
我们把 3D 资产打包在本地，所以测试的是引擎和渲染，而不是 harness 能不能下载模型文件。美术资产是人工制作的——Kenney 的 CC0 平台游戏套件，两个 Agent 拿到的文件完全一致。
每个模型需要构建什么
要完成任务，每个模型需要构建：
- 一个原生 WebGL 的 3D 引擎和渲染器，不用 Three.js 或任何库；
- 一个加载器，用于加载提供的 3D 角色和场景模型；
- 一个可以在竞技场中奔跑跳跃的角色，包含重力和碰撞；
- 一个跟随摄像机和键盘控制；
- 整个项目能在浏览器中一键运行。
两者几乎手工完成了全部：GLB 二进制解析器、矩阵和四元数数学、带 GLSL 蒙皮着色器的 WebGL2 渲染器，以及子步进 AABB 碰撞检测防止角色穿透平台。
两者拿到相同的 prompt、相同的资产，只允许一次尝试，不给提示。Opus 4.8 用 extended thinking high 模式，GLM-5.2 用 thinking high（GLM-5.2 还有一个更高的 Max 档我们没有使用）。你可以自行深入查看两次运行：
- 玩 GLM-5.2 的游戏：3dgame-glm.d.ritzademo.com
- 玩 Opus 的游戏：3dgame-opus.d.ritzademo.com
- 两者源码：GitHub
- 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 在 Pi 上通过 OpenRouter 构建。
并排缩时回放显示完整构建过程被压缩：Opus 在约一半的墙上时间里完成工作，GLM-5.2 耗时更长但花费少得多。详细数字见文章开头的对比表。
试玩两款游戏
我们把两个游戏从头玩到尾。以下是各自的体验。
两款游戏是同类型的：第三人称 3D 平台游戏，操作方式相同。WASD 或方向键移动，空格跳跃，Shift 冲刺，鼠标拖拽旋转摄像机视角，滚轮缩放。目标也一样：收集平台上的金币，到达终点旗帜，避开尖刺陷阱，掉出世界回到起点。
GLM-5.2
GLM-5.2 的游戏看起来有些粗糙。从游玩过程来看：
- 整体观感不太好；
- 角色缺少部分材质；
- 尖刺陷阱不会杀死角色；
- 到达旗帜没有任何反应，没有胜利条件。
所以它并不出色。但它做对了一件事：弹簧。
你可以跳到弹簧上弹到下一个平台。
Opus
Opus 的游戏更干净，玩起来也不错。从游玩过程来看：
- 摄像机和控制器运行正常；
- 尖刺陷阱会杀死玩家，逻辑是正确的。但它被放在关卡边缘而非必经之路上，需要特意走过去才会碰到；
- 整体观感好，可以到达旗帜获胜，有真正的胜利条件。
动画流畅，纹理贴图正确。
每个模型如何检查自己的工作
两个模型都被要求完成前验证自己的工作。Agent 验证的常见方式是截图查看成品，检查是否有损坏或缺失。Opus 在会话中正是这样做的。
GLM-5.2 在这里遇到了问题，因为它不能”看”图片。它不支持多模态。所以它退而求其次用了变通方案：写脚本来读取原始像素数据，检查颜色是否大致符合预期。
为什么 GLM-5.2 的自检漏掉了 bug
因为看不到自己保存的截图，GLM-5.2 试图通过采样像素来验证画面。以下是它最终报告中的一段，描述它如何”分析”保存的图片：
final_start/overview/flag.png色彩分析结果：草绿色、泥土棕色、金币金色、旗帜红色、角色偏蓝、半兰伯特光照、无黑色
它期望的颜色都在，于是确认游戏完成并停止。但从它自己保存的最终截图可以看到：角色是缺少纹理的灰色平面，调试覆盖层仍然挂在场景上。一个能真正”看”截图的 Agent 很可能发现这两个问题并回头修复。
在需要视觉结果的任务上，理解图像的能力给了模型一个真正的优势。
Opus 如何检查自己的工作
Opus 是多模态的，可以直接读取截图。它的 harness 渲染游戏并捕获了一帧，Opus 在验证时检查了这张图片。以下是它会话中的记录：
最终场景渲染正确：带草地的方块和棕色泥土侧面、向上延伸的阶梯、金色/银色金币和宝石、右侧岛上的蓝色尖刺方块危险物、顶部的红色目标旗帜、角色站在起点广场上、记分 HUD。光照和着色正确，几何体干净。
因为能看见画面，Opus 注意到了遗留在屏幕上的调试输出并清除了它们。
Bug
两个游戏都有 bug。以下是各自的故障。
GLM-5.2
GLM-5.2 的 bug 频繁且明显，有好几个是基础性问题：
- 角色面朝错误方向：移动方向是正确的，但角色模型自始至终是反着的；
- 纹理缺失和头部消失：角色渲染为平坦灰色而非带纹理，而且当摄像机移动时头部会消失。Kenney 模型使用的是独立文件中共享的调色板而非内嵌，GLM-5.2 的渲染器从未加载这个文件，于是退回到默认颜色。Opus 加载了调色板，角色呈现出应有的纹理；
- 死亡尖刺不生效：角色直接落在尖刺上，什么都没发生。没有死亡，没有重置。
Opus
Opus 的 bug 更少且更细微，属于边缘情况而非基础功能损坏：
- 站在虚空中：角色可以悬停在平台旁的半空中不掉落。这是 coyote-time 的宽限期（刚踏出边缘后仍可跳跃的短暂窗口），调得有点过于慷慨——一个打磨特性稍微做过头，而非基础功能损坏；
- 过早获胜：角色离旗帜还很远就触发了胜利条件。
测试揭示了什么
两个模型都构建了一个可运行的 3D 游戏，这本身已经很了不起——就在一年前这还无法想象。但差异是真实的。
Opus 更快（一半时间），更干净（纹理、动画、胜利条件全都对），而且能有效地检查自己的视觉输出。GLM-5.2 交出了一个粗糙但功能更多的游戏——弹簧机制是 Opus 没有实现的巧思——成本仅为 Opus 的零头，且使用了一个远不如 Claude Code 优化得好的 Agent harness。
缺少多模态能力是 GLM-5.2 最大的实际短板。在一个视觉输出是关键的任务中，只能读文本的模型在每个环节都处于劣势：构建、调试、自检。
基准测试
在跑自己的测试之外，我们还考察了第三方基准测试的现状。以下是各模型在几个编码和 Agent 基准测试中的对比。这里只包括我们能够确认其基准框架对等运行的测试。
SWE-bench Pro（Scale AI）
SWE-bench Pro 在真实仓库中测试修复真实 bug，通常需要跨多个文件修改。任务文件通过专业软件工程师交叉验证确保有唯一的正确修复方案。
| 模型 | 分数 | 报告链接 |
|---|---|---|
| Claude Opus 4.8 | 54.0% | 链接 |
| GLM-5.2 | 24.1% | 链接 |
差距很大。Opus 在 SWE-bench Pro 上几乎是 GLM-5.2 的 2.2 倍。
DeepSWE
DeepSWE 是由 DataCurve 管理的 Agent 软件工程基准测试，在无网络连接的沙箱容器中运行。每个任务是一个独立的 Docker 容器，Agent 从 README 开始，必须找出要修复什么以及如何修复。
| 模型 | 分数 |
|---|---|
| Claude Opus 4.8 | 63.7% |
| GLM-5.2 | 37.8% |
NL2Repo
NL2Repo 要求根据单份书面规格说明构建完整的、可运行的代码仓库。
| 模型 | 分数 |
|---|---|
| Claude Opus 4.8 | 57.2% |
| GLM-5.2 | 26.7% |
ProgramBench
ProgramBench 给基准测试增加了一层难度：模型只获得已编译的二进制文件和文档，没有源码也没有规格说明。它必须重建整个程序。
| 模型 | 分数 |
|---|---|
| Claude Opus 4.8 | 63.3% |
| GLM-5.2 | 45.0% |
Terminal Bench 2.1
Terminal Bench 通过真实终端完成任务。下表中两行分别使用固定 harness（Terminus-2）和每个模型的最佳 harness。
| 模型 | Terminus-2 分数 | 最佳 harness 分数 |
|---|---|---|
| Claude Opus 4.8 | 63.0% | 65.9% |
| GLM-5.2 | 41.4% | 44.2% |
SWE-Marathon
SWE-Marathon 包含二十个超长跨度工程任务，每个任务需要运行数小时。
| 模型 | 分数 |
|---|---|
| Claude Opus 4.8 | 49.1% |
| GLM-5.2 | 8.3% |
Opus 在 SWE-Marathon 上的优势是所有基准测试中最大的，接近 6 倍。
MCP-Atlas
MCP-Atlas 测试工具使用能力，在真实 MCP 服务器上运行，每个任务需要多次工具调用。
| 模型 | 分数 |
|---|---|
| Claude Opus 4.8 | 69.6% |
| GLM-5.2 | 42.2% |
Tool-Decathlon
Tool-Decathlon 测试跨多个真实应用的长时间跨度任务，每个需要一系列长的工具调用链。
| 模型 | 分数 |
|---|---|
| Claude Opus 4.8 | 63.1% |
| GLM-5.2 | 10.1% |
差距再次很大。GLM-5.2 在长工具调用链上明显吃力。
人们的评价
基准测试和我们自己的测试是一回事，网上的反应是另一回事。很多讨论来自没有过往记录账号的炒作，所以我们只关注判断力经得起时间检验的人和机构。
Simon Willison：“很可能是最强大的纯文本开源权重 LLM”
Simon Willison 多年来几乎报道过每个值得关注的模型发布。他称 GLM-5.2 “很可能是最强大的纯文本开源权重 LLM”。
他的标准测试是让模型生成一个骑自行车的鹈鹕 SVG。GLM-5.2 返回了一个完全动画化且没有任何损坏的版本，他称之为”非常令人印象深刻”。
第二个测试——一只骑滑板车的负鼠——表现却比 GLM-5.1 之前的某个版本更差。所以它很强，但并非全面碾压。
Artificial Analysis：顶级开源模型，但吃 Token
独立基准测试组织 Artificial Analysis 将 GLM-5.2 评为 Intelligence Index 上的领先开源权重模型。得分 51，领先于 MiniMax-M3、DeepSeek V4 Pro 和 Kimi K2.6，并且在其成本-智能前沿曲线上处于同级别最便宜模型的位置。
他们指出的问题与我们的发现一致：它吃 Token。每个任务大约使用 43k 输出 token，大部分是推理 token，超过了他们测量的任何其他领先开源模型。
Nathan Lambert：开源与闭源的差距正在缩小
Nathan Lambert 在 Allen Institute for AI 以追踪开源权重模型为业。考察 GLM-5.2 在 LMArena 排行榜上的位置后，他认为”你可以说他们的 Agent 比 Gemini 的还好”，并称其为 MIT 许可开源模型的”了不起的成就”。
他的更广泛观点是：中国实验室用少得多的算力达到了这些分数，不应被轻视，即使美国顶级模型总体上仍然领先。这与我们的测试相符——Opus 领先，但 GLM-5.2 比其价格和开放性所暗示的要更接近。
结论
那么，炒作是真的吗？基本是的。
GLM-5.2 是一个真正强大的开源模型，价格仅是 Opus 的零头。对于大量工作场景，这个组合很难被击败。但它不是 Opus。在我们的测试中，Opus 更快，产出的游戏更干净、更正确，而且能够通过”看”来检查自己的工作。GLM-5.2 便宜得多，但更粗糙，且是纯文本的。
当成本和开放性重要、且工作内容主要是文本和逻辑时，用 GLM-5.2。当正确性、打磨程度和视觉判断重要、且你愿意为此付费时，用 Opus。但无论如何要把 GLM-5.2 留在武器库里：它是少有的、没有哪个供应商能从你手中夺走的前沿级别模型。