GLM-5.3 智能与成本深度解析
GLM-5.3 Artificial Analysis Benchmarks
Artificial Analysis 发布了针对 GLM-5.3 (max) 的最新评测，通过其 v4.1.1 版智能指数，从 GDPval-AA v2、Terminal-Bench v2.1 到 GPQA Diamond 等九大维度，全方位拆解了该模型的推理能力与知识可靠性。报告不仅对比了开源与闭源模型的权重差异，更通过 AA-Omniscience 指数量化了幻觉率，揭示了模型在长上下文推理中的真实表现。更关键的是，文章深入分析了每单位智能任务的 Token 消耗与美元成本，帮助开发者在性能与价格之间找到最优的帕累托前沿。对于关注大模型落地成本与效能的团队而言，这份数据提供了极具参考价值的决策依据。
虽然模型智能通常能跨应用场景转化，但针对特定用例，某些评估指标可能更为关键。
HN 评论区
53- scotttrinh
我喜欢按‘单次任务成本’和‘单次任务输出 Token 数’这两个指标来对比模型，因为它们衡量了我关心的两点：成本效率和 Token 效率。以下是 GLM-5.3 与其他得分相近的模型，以及与 GLM-5.2 的对比，方便关注这些指标的朋友少点几次鼠标：
模型 得分 单次任务成本 单次任务输出 Token 数
-------------------------------------------------------------------------
GLM-5.3 (max) 59.5 $0.68 41,107
GLM-5.2 (max) 53.0 $0.56 32,200
Claude Opus 5 (high) 61.5 $1.52 21,353
GPT-5.6 Sol (max) 60.9 $1.23 16,879
Grok 4.6 (high) 60.9 $0.84 21,735
Kimi K3 (max) 59.7 $0.84 25,474
GPT-5.6 Sol (xhigh) 59.0 $0.87 11,098
Claude Opus 5 (medium) 58.6 $0.98 12,459
Qwen3.8 Max 58.1 $1.13 38,287
Qwen3.8 2.4T A95B 57.7 $0.95 32,472
Claude Opus 4.8 (max) 57.3 $1.65 33,557
GPT-5.6 Sol (high) 57.3 $0.52 7,545
Muse Spark 1.2 (xhigh) 56.8 $0.40 30,430
GPT […]
- glub
我在 GLM 5.3 发布当天就测试过了，Artificial Analysis 的分析非常准确。这确实是个好模型。
但我最大的感触其实是另一件事。我用闭源模型太久了，都快忘了看到推理过程 Token 是什么感觉。
用 GPT 或 Claude 时，你只能寄希望于意图被准确捕捉，Agent 拥有所有信息和所需工具，因为直到它胡乱输出几百万个 Token、浪费几百美元、运行了 8 个小时后，你才会看到类似“嗯，看来这里没有 nix flake，我不应该全局安装某个东西”这样的内容。而用 GLM 这类模型，你直接就能在问题刚萌芽时就将其掐灭。
- yipinwong
不过话说回来，我目前还找不到理由从极其廉价的 Luna 模型换过去，那个模型相当“智能”，而且很契合我的工作流。
- Escapade5160
Sol 是个被低估的模型。我今天弃用了 Claude，转投 codex。再也没了 Claude 那些令人作呕的矫揉造作的文风。
- BinRoo
小心那些列出的基准测试。比如 SciCode 和 EnterpriseOps：https://shukla.io/blog/2026-08/gym.html