GLM-5.3-Flash 我要打十个

cogoxu 2026-08-28 19:54 1

Z.ai 先后发布了 GLM-5.3 和 GLM-5.3-Flash 两份评测报告，但两张图的基准版本并不一致（比如 Terminal Bench 一个用 2.1、一个用 3.0），直接对比会产生“84 分 vs 28 分”的错觉。我把两份报告的原始数据提取出来，对齐到同一基准，并补上 Kimi K3、GPT-5.6 Sol、DeepSeek-V4 Pro 作参照，整理成下面这张表。

基准	能力域	GLM-5.3	GLM-5.3-Flash	Kimi K3	GPT-5.6 Sol	DeepSeek-V4 Pro-0813
Terminal Bench 2.1	终端任务	88.2	84.3	88.3	88.8	87.9
Terminal Bench 3.0	终端任务（加难版）	28.3	–	17.4	34.6	–
DeepSWE v1.1	复杂软件工程	66.9	63.4	67.5	72.7	62.7
NL2Repo	生成完整仓库	58	56.3	58	–	61.1
SWE-Marathon v1.1	超长程工程	42.5	–	48.1	42.5	–
PostTrainBench	ML 工程	39.8	–	32	36.2	–
CyberGym	漏洞发现	84.5	–	80	83.6	83.3
ExploitGym (2h/6h)	漏洞利用	105/130	–	36/70	216/293	–
ExploitBench	漏洞利用	54.4	–	32.2	76.5	–
Toolathlon Verified	工具编排	73	78.4	76.5	74.9	74.1
AutomationBench v1.0.6	办公自动化	48.2	48.8	46.7	45.8	43.2
Agents’ Last Exam (CLI)	代理能力上限	28.5	26.3	27.6	28.6	25.7
HLE w/ Tools	前沿推理	62.5	55.3	59.8	64.5	60.0
GDPval-AA v2	专业工作交付（Elo）	1769	1773	1682	1730	1590

（“–” 表示官方未公布该项；加粗为该行最优）

几点说明

Terminal Bench 2.1 与 3.0 不可混比。3.0 难度大增——GLM-5.2 在 2.1 上拿 81.0，在 3.0 上只有 4.6。GLM-5.3 的 28.3 已是开源 SOTA，而 Flash 未公布 3.0 成绩。

数据来源：Z.ai 官方博客（GLM-5.3 与 GLM-5.3-Flash 发布文）、tbench.ai 官方榜单。

最新回复 (2)

peter4lee 08-28 20:25

1楼

竟然有3个榜能拿第一^-^

今天问了一个带矩阵的数学问题,回答里的第一段就把矩阵左下角的元素抄错了, 导致后面的结论全错… 我都不敢问他数学题了
odxun 08-28 20:29

2楼

我化腾的混元形意太极门不配上桌吗 ^-^

* 帖子来源Linux.do

附近帖子