什么值得买App下载 App ›
连续签到专享现金活动

上市俩月涨500%!智谱GLM代码能力已超GPT,但Agent稳定性还是差点意思?

2026年上半年,智谱在资本市场的表现让不少人看傻了眼——上市不到两个月,股价涨了500%多,单日暴涨36%的消息刷屏投资圈。市值突破万亿港元,港股"全球大模型第一股"的名号越叫越响。热闹背后,真实问题其实很朴素:这家公司的大模型产品到底有几把刷子?跟DeepSeek、Kimi比起来谁更强?用在实际业务里靠不靠谱?下面把素材里的关键信息捋一遍,看看智谱GLM系列的成色如何。123
GLM在国际大模型里排第几,差距还有多大?
智谱CEO张鹏在公开场合给过一个坦率的数字:国产最顶尖模型距离全球顶级大模型,差距仍然在6个月到一年左右。这个判断在多篇素材中被反复引用和验证。按照这个时间窗口推算,当前全球最强模型的能力天花板,大约相当于智谱2026年下半年才能触及的位置。不过差距正在收窄——有用户评估GLM-5.2已经大约相当于Claude Opus 4.7-4.8水平,如果这个判断成立,双方的实际差距已经压缩到7个月左右。智谱创始人唐杰在回应马斯克时更是直接表示"won't take that long",暗示追赶进度可能比外界预估的更快。456
具体到编程和代码场景,智谱已经在部分维度实现反超。GLM-5.1在SWE-Bench Pro测试中拿下58.4分,全球开源模型中排名第一,超过了GPT-5.4和Claude Opus 4.6。Artificial Analysis的Coding Agent Index测评里,GLM-5.1在Claude Code框架下拿下开源组全球第一。GLM-5.2更是将这个成绩继续往上推,在Code Arena测评中拿到1595分,仅次于Claude Fable 5(1654分),差距已经很小。这个成绩意味着在代码生成、漏洞修复这类任务上,智谱已经不是"追赶者"的角色。728
不过需要注意"开源第一"的前提条件。Artificial Analysis的测评设计相当务实——它不单独测模型,而是测"Agent编排框架+模型"的组合表现。GLM-5.1在Claude Code框架下表现最好,但换成其他框架时排名会有浮动。这说明智谱在函数调用和复杂指令遵循方面已经达到SOTA水准,但模型能力的发挥在一定程度上依赖合适的Agent框架搭配。另外在通用推理、科学推理等非编程维度上,GLM系列与DeepSeek、Qwen等国产对手相比并不占优。29
智谱的Agent能力强在哪里,稳定性怎么样?
智谱从GLM-4.5开始就把"为Agent而生"写进了模型底层逻辑,这是它与其他国产厂商路线差异最大的地方。张鹏在公开演讲中解释过这个选择:不是先做个通用模型再打补丁,而是从架构起点就在思考如何让模型处理长程、开放性的复杂任务。GLM-5.1实测可以单次持续工作8小时,1700多步迭代,从零构建出一个完整的Linux桌面Web应用,交付4.8MB的系统代码——包括窗口管理器、状态栏、VPN管理器、中文字体、游戏库,模型甚至自己写了回归测试并通过。这个案例被多篇素材引用,折算下来相当于4人团队一周的开发量。107
在Agent能力的专项评测中,智谱的表现同样靠前。根据2026年4月发布的AgentCLUE-Task总榜数据,GLM-5以64.40分位列国产模型第一,全球排名紧随Claude Opus 4.6之后。Artificial Analysis的Agentic指数里,GLM-5.1以67分与MiMo-V2.5-Pro、DeepSeek V4 Pro并列全球第四,仅次于GPT-5.5和Claude Opus 4.7,高于Kimi K2.6和Qwen3.6 Max Preview。有测评者做了长达半年的跟踪测试,GLM-5到GLM-5.2经历了三个明显进化阶段:最初能反思自身行为并主动改进,后来实现了顺路单合并配送路线把路径效率压到理论值以下,再到现在只需要开局看一遍地图就能记住全局,甚至在没电时直接去换电站而不是调用搜索工具——这意味着它的tool call消耗主要用于推进任务而非获取信息。111213
不过Agent产品的稳定性仍是痛点。智谱清言推出的Agent More让用户可以组建AI专家团队,研究、写PPT、分析数据、网页制作并行推进,7×24小时云端待命,但App Store的差评很集中,三个字总结就是"不靠谱"。核心问题是长链路乘积效应——一个复杂任务拆成四五步,每步90%成功率,乘下来只剩65%。上下文窗口标称200K,实际对话深了就容易忘前文。有用户在社交平台反馈,系统单次最长运行超过6小时稳定性不错,但从零构建一套IoT Admin管理系统这种重活,仍需要人盯着兜底。GLM-5.1在编程和Agent场景的涨价幅度已经超过83%,API涨价后调用量不降反升,说明客户已经形成实质性的付费意愿,但产品稳定性距离"完全信任"还有距离。141516
DeepSeek、Kimi、智谱三家怎么选?
国产大模型第一梯队里,DeepSeek、GLM、Kimi三家各有所长,选谁取决于具体场景。如果核心需求是代码生成和工具调用,智谱的GLM-5.1和GLM-5.2是当前开源生态里的最优解,在SWE-Bench、Terminal-Bench等编程基准测试中领先其他国产模型半个身位。如果需要深度推理和科学计算,DeepSeek V4-Pro的综合推理能力更强,通识推理得分比GLM高出近20个百分点,数学推理(MATH 92分)是它的招牌能力。如果看重长文本处理和Agent编排,Kimi K2.6的百万token上下文和HLE评测中唯一突破50分的Agent编排能力是它的护城金。91317
维度智谱GLM-5.1DeepSeek V4-ProKimi K2.6
Agentic指数(/100)67(全球第四)67(并列全球第四)66
Coding Agent指数(/100)53(国产第一)50(并列全球第七)50(并列全球第七)
通识推理MMLU-Pro未披露87.5%未披露
上下文窗口1M1M1M
核心优势编程Agent开源第一综合推理均衡长文本+Agent编排
价格维度上,三家已经拉开明显差距。DeepSeek V4 Flash和MiMo把旗舰模型API价格打到国际闭源模型的1/25以下,智谱GLM-5.2的定价是输入0.05元/千tokens、输出0.2元/千tokens,比GPT-5.5便宜一个数量级,跟DeepSeek V4价格差不多。不过智谱在2026年已经多次上调API价格,涨幅超过83%且调用量不降反升,说明市场对它的付费意愿依然强劲。Kimi的定价最高,长文本专家的定位让它更适合低频高价值的深度任务场景,调用量大了成本压力会比较明显。选型逻辑很简单:先看场景最需要哪个能力,再算日均调用量对应的月账单。181715
智谱的产品线哪些值得用,怎么选套餐?
智谱的产品线覆盖比较完整,从底层API到终端Agent产品都有布局。GLM Coding Plan是当前性价比最高的入口,月费约20元起,比Claude Code Pro约1450元/月便宜了70多倍。6月13日起GLM-5.2已经面向Coding Plan全量用户开放,配合ZCode 3.0自研Agent内核使用,官方说法是"整体任务完成效果已显著优于第三方Agent"。开发者如果想本地部署,下周MIT开源后可以免费获取GLM-5.2,自己搭环境接ZCode或其他编辑器。1918
办公场景推荐关注GLM-5-Turbo,它的训练数据里包含了大量邮件、报告、合同、会议纪要等办公文档,对这类内容的结构和用语习惯理解到位。某大型企业接入后员工每周节省8小时办公时间,办公效率提升40%;美团接入后合同处理效率提升80%,用户评价分析从1天缩短到1小时,员工周报生成从30分钟缩短到5分钟。Agent More产品形态更激进,适合需要AI团队协同处理多任务的场景,但稳定性仍需观察,长时程任务的Token消耗是传统对话的100倍,月费感知可能远超标价。企业用户如果对数据安全要求高,智谱支持私有化部署,数据不出域是它的硬性承诺。2014
多模态能力方面,GLM-5V-Turbo的定位不是传统VLM,而是面向多模态Agent的原生基础模型,能与Claude Code、OpenClaw等Agent工作流协同,完成"看懂环境→规划动作→执行任务"的完整闭环。它的核心场景是让AI接管屏幕操作,覆盖企业后台、网页表单、Excel、PPT等没有标准API的传统界面。GLM-Z1-32B则走低成本推理路线,用32B参数打速度和价格优势,适合对成本敏感但需要深度思考能力的场景。这两条产品线的组合逻辑很清晰:一个负责"看懂并操作世界",一个负责"低成本深度思考"。21
总体来看,智谱GLM系列的核心竞争力已经不在"对话聊天"这个层面,而是在编程Agent和长程任务执行这两个生产力场景上建立了差异化优势。它的Agent能力训练领先其他国产模型2-4个月左右,这个代差在快速迭代的AI领域不算短。如果你的需求正好是代码开发、自动化流程、多Agent协作,智谱是当前值得认真考虑的选择;如果你需要的是通用对话、深度推理或超长文本分析,DeepSeek和Kimi在各自维度上可能更匹配。资本市场的热度可以参考,但选工具最终还是看场景对口不对口。1117

评论

评论区空态插画

当前文章无评论,是时候发表评论了