GLM 5.2 基準測試：實測表現到底如何

我以前看到跑分圖表都是直接滑過去。每次模型發表都附上一整面長條圖，而新模型總是「剛好」贏，久了我就學會直接忽略。直到 GLM 5.2 登場，我的整個動態消息都在喊它「打敗了 GPT-5.5」，我才非得搞清楚這是真的，還是只是發表日的噪音。於是我把實際數字全都翻出來——從 Z.AI 官方發布、第三方排行榜，到各家獨立評測——一個個並排對齊。

老實說，結論是這樣：GLM 5.2 是目前在程式設計基準測試上最強的開放權重模型。它在大多數項目上贏過 GPT-5.5，在長程式碼任務上只落後 Claude Opus 4.8 一兩分，而且價格大約只是別人的零頭。 以下逐一拆解每個基準測試到底量的是什麼、GLM 5.2 在哪裡贏、在哪裡仍然輸，以及這對你真正會交給它做的工作意味著什麼。

GLM 5.2 基準測試一覽

如果你只看一張表，就看這張。這些是大家都在盯的智能體程式設計測試組，附上發表時公布的代表性分數：

以上數字反映截至 2026 年 6 月的 Z.AI 官方發布與第三方排行榜。基準測試每週都在變動，方法學也各有不同——引用前請先到各廠商頁面核對最新數據。

規律一眼就看得出來：在真正攸關實際程式設計的測試組上，GLM 5.2 高於 GPT-5.5、只略低於 Opus 4.8——而且還是開放權重、便宜得多。接著我們逐列拆解背後的細節。

程式設計基準測試：贏過 GPT-5.5、緊追 Opus

大家最常引用的兩個分數是 SWE-bench Pro（模型能否解決真實的 GitHub issue？）與 Terminal-Bench 2.1（它能否操作真實 shell 把事情做完？）。

• SWE-bench Pro：62.1。 這微幅超越 GPT-5.5（58.6），更值得注意的是，它大幅跳過自家前代 GLM 5.1（58.4）。在原始分數上 Opus 4.8 仍然領先，但 GLM 5.2 是第一個追到肉搏範圍的開放模型。
• Terminal-Bench 2.1：81.0。 這才是真正讓我意外的結果。GLM 5.1 在同一測試上大約只拿 62 分；5.2 一舉躍上 81.0，落在 Opus 4.8（85.0）和 GPT-5.5（84.0）後方僅幾分。在智能體終端機任務上接近 20 分的世代躍進，是這批數字裡最大的看點。

對日常程式設計的啟示是：在「解決這個 issue、跑測試、修好那個 shell 指令」這類填滿真實衝刺週期的工作上，GLM 5.2 現在已經和封閉前沿模型同場競技了。

長程基準測試：差距浮現之處

這是大多數發表文都會輕描淡寫帶過的老實部分。任務愈長、愈難，封閉前沿就愈是拉開——而 GLM 5.2 的數字也如實反映了這點。

在 FrontierSWE（貼近真實的長程程式設計）上，GLM 5.2（74.4）與 Opus 4.8（75.1）幾乎打平，並甩開 GPT-5.5——確實亮眼。在 PostTrainBench 上它守住第二，同樣領先 GPT-5.5。但看看 SWE-Marathon，這種長達數小時的工程苦工：Opus 4.8（26.0）大約是 GLM 5.2（13.0）的兩倍。這就是「最難的 10%」在數據裡現形——當任務橫跨數小時、數十個步驟，高階封閉推理模型仍有實打實的優勢。

我把兩個模型放在 40 個真實 pull request 上正面對決時，看到的也是同樣狀況：GLM 5.2 在日常工作上與 Opus 平手，只在最棘手、最長的問題上落後。想看這份拆解，我寫在這裡：GLM 5.2 對決 Claude Opus 4.8：程式設計實戰比較。

工具使用、智能體與推理

程式設計不是故事的全部——智能體工作流的成敗繫於工具呼叫，而有些任務需要的是純粹的推理。

• MCP-Atlas：76.8。 在這項工具使用評測上，GLM 5.2 勝過 GPT-5.5（75.3），略低於 Opus 4.8（77.8）。對智能體迴圈來說，可靠的函式呼叫比排行榜上的一分更重要，而這個差距已經接近到可算打平。
• Tool-Decathlon：48.2。 這是另一個老實的失分項。在這個更難、更廣的工具基準上，Opus 4.8（59.9）和 GPT-5.5（55.6）都明顯領先。複雜的多工具協同調度仍是弱點。
• 推理： 在 AIME 2026（競賽數學）上 GLM 5.2 拿下 99.2，微幅超過 GPT-5.5（98.3）。在 GPQA-Diamond（研究所等級科學）上它拿 91.2，落後於 Opus 與 GPT-5.5 同時達到的 93.6。翻譯一下：它在結構化數學上表現出色，在最艱深的知識題上則差了一步。

開放權重之冠

從個別測試拉遠來看，有一個事實屹立不搖：GLM 5.2 是獨立 Artificial Analysis Intelligence Index 上的 開放權重模型領頭羊（v4.1 拿下 51 分），領先 MiniMax-M3、DeepSeek V4 Pro、Kimi K2.6 等其他開放模型。它也在 Design Arena 的程式碼類別拿下榜首，並在 BenchLM 這類綜合排行榜上躋身所有模型——無論開放或封閉——的前段班。

沒有任何一個你能下載、自行架設的模型，能像它這樣貼近封閉前沿。這才是這些基準測試真正想說的重點。

成本面：同級實力，價格只是零頭

基準測試不必算預算，但你的團隊得算——而這正是 GLM 5.2 從「有意思」變成「該下決定」的地方。它的 API 輸入價格落在大約 每百萬 token 1.40 美元，相對於 Opus 4.8 與 GPT-5.5 兩者的約 5.00 美元。VentureBeat 把輸入輸出混合起來的整體差距，估算為 GPT-5.5 成本的約六分之一。

把這個擺在分數旁邊看：在大多數程式設計工作上，你拿到的是只差前沿一兩分的表現，價格卻只要三分之一到六分之一。正是這個比值，讓開放權重之冠不只是一座獎盃。

這些基準測試對你的工作究竟意味著什麼

分數是抽象概念。以下是我會如何把它們翻譯成路由決策：

1. 日常程式設計（佔 90%）——issue、重構、測試、膠水程式碼、終端機工作。GLM 5.2 的 SWE-bench Pro、Terminal-Bench 與 FrontierSWE 數字說明它能跟上前沿。預設就用它。
2. 馬拉松任務（最難的 10%）——長達數小時、多步驟的工程，SWE-Marathon 與 Tool-Decathlon 把差距暴露出來。為這些任務留一個高階封閉模型待命。
3. 成本敏感或高用量管線——這個價格比值讓 GLM 5.2 成為理所當然的預設，只在罕見的硬骨頭上才升級。

唯一沒有任何基準測試能捕捉的，是某個模型用在你的程式碼上是什麼感覺。一個分數是別人測試集上的平均值；你的儲存庫、你的提示詞、你的邊角案例，才是你真正要交付的東西。

自己測試 GLM 5.2 最快的方法

讀排行榜是一回事——看著一個模型處理你自己的任務又是另一回事。開放權重模型麻煩的地方在於，「正規」跑法通常意味著下載權重或接好 API 金鑰，而大多數人就卡在這一步。

這些你全都可以跳過。glm5.app 讓你直接在瀏覽器裡與 GLM 5.2 對話——免安裝、免金鑰、免設定。貼上你待辦清單裡的一張真實工單，看它怎麼寫程式、怎麼規劃，親自評斷它的日常程式設計品質，而不是只信一張圖。

如果你想實際感受 GLM 5.2 相對於前沿落在哪，這就是最快的路徑：在 glm5.app 免費試用 GLM 5.2，讓你自己的任務來下定論。

常見問題

在基準測試上，GLM 5.2 比 GPT-5.5 更好嗎？ 在大多數程式設計與長程測試組上，是的——它在 SWE-bench Pro（62.1 對 58.6）、FrontierSWE（74.4 對 72.6）和 MCP-Atlas 上都領先 GPT-5.5，而且便宜得多。

GLM 5.2 比 Claude Opus 4.8 更好嗎？ 論原始分數則否。Opus 4.8 在大多數基準上仍略勝一籌，並在最艱難的數小時任務（SWE-Marathon、Tool-Decathlon）上明顯拉開。GLM 5.2 已經夠接近，以至於在日常程式設計上差距幾乎看不出來——而且價格只是零頭。

GLM 5.2 的 SWE-bench Pro 分數是多少？ 62.1，是第一個真正逼近封閉前沿的開放權重模型，也明顯超越 GLM 5.1 的 58.4。

這些 GLM 5.2 的跑分數字可靠嗎？ 它們來自 Z.AI 官方發布與獨立排行榜，但基準測試變動很快、方法各異。請把它們當作一張快照，並到各廠商頁面核對最新數據。

GLM 5.2 在開放模型裡排第幾？ 第一。它在 Artificial Analysis Intelligence Index 上居開放權重模型之冠，並在 Design Arena 的程式碼類別領先。

我要怎麼免設定就測試 GLM 5.2？ 到 glm5.app 在瀏覽器裡免費與它對話——免 API 金鑰、免安裝，什麼都不用下載。

結論

那麼 GLM 5.2 實測表現到底如何？它就是那個終於把差距補上的開放權重模型：在大多數程式設計基準上領先 GPT-5.5，在長程工作上與 Claude Opus 4.8 只差一兩分，唯有在最艱難的數小時任務上才明顯落後——而這一切都只要前沿的零頭價格。對於填滿多數開發者日常的工作，分數說明它是一個你還能自行掌控、卻具前沿等級的預設選擇。

但基準測試是別人任務上的平均值。唯一重要的分數，是它如何處理你的任務——所以拿你自己的提示詞跑跑看，免金鑰、免設定，就在這裡：在 glm5.app 免費試用 GLM 5.2。