科技媒体 Tech Stackups 发布了一篇在开发者社区引起广泛讨论的评测文章。这篇文章的测试方法很简单：给两个大模型同样的 prompt，要求它们从零构建一个完整的 3D 平台跳跃游戏——原始 WebGL2 渲染、GLB 模型解析、骨骼动画、碰撞检测、摄像机跟随——不借助任何游戏引擎或 Three.js 等第三方库。两个参赛者分别是 Anthropic 的 Claude Opus 4.8 和智谱刚刚发布的开源模型 GLM-5.2。

结果是：Opus 用 33 分钟交出了一个画面干净、可正常通关的作品；GLM-5.2 用了 71 分钟，产出了一个能跑但角色缺纹理、陷阱不生效、通关条件不触发、调试信息留在屏幕上的半成品。但故事的核心不在于谁赢了，而在于这场对比所揭示的开源模型与闭源旗舰之间正在缩小的差距，以及那道仍然存在的分界线。

GLM-5.2 是智谱于 2026 年 6 月发布的旗舰模型，采用 MIT 开源许可证，权重托管在 Hugging Face 和 ModelScope，没有地域限制。它的核心卖点是三个数字：100 万 token 上下文窗口、两档思考模式（High 和 Max），以及极具侵略性的定价——输入每百万 token 1.40 美元，输出每百万 token 4.40 美元。作为对比，Claude Opus 4.8 的价格是输入 5 美元、输出 25 美元。GLM-5.2 的输出成本不到 Opus 的五分之一。在本次测试中，GLM-5.2 的实际花费为 5.39 美元，而 Opus 的估算花费约为 21.92 美元。

这场 3D 游戏构建测试之所以有说服力，是因为它的任务设计覆盖了一个真实软件项目的完整复杂度：GLB 二进制解析器、矩阵和四元数运算、GLSL 蒙皮着色器、固定时间步长游戏循环、AABB 碰撞检测、第三人称摄像机跟踪和键盘操控。两个模型各获得一次尝试机会，没有提示词微调。测试者使用了来自 Kenney's Platformer Kit 的相同 CC0 3D 资产。

结果揭示了两个模型之间的一个结构性差异，这比基准分数的差距更值得关注。Opus 在运行过程中主动截取了渲染帧的截图，通过视觉检查发现画面中残留了调试信息，自行修正。GLM-5.2 是一个纯文本模型，没有视觉理解能力，它通过脚本采样像素颜色值来判断渲染是否正确——它的内部报告写道："草绿色、泥土棕色、金币金色、旗帜红色、角色偏蓝、半 Lambert 光照、无黑色。"它从未"看到"角色的纹理丢失了，也从未"看到"调试叠加层没有被移除。这个"自验证鸿沟"——即模型能否通过视觉感知到自己的输出是否正确——在代码生成这类 Agentic 型任务中可能构成真正的分水岭。

从公开基准测试的数据来看，GLM-5.2 和 Opus 4.8 各有胜负，但整体格局清晰。在数学推理方面，GLM-5.2 在 AIME 2026 上以 99.2 分领先 Opus 的 95.7 分，在 IMOAnswerBench 上以 91.0 对 83.5 大幅领先。但在编码基准上，Opus 在 7 个测试中的 5 个取得明显优势：SWE-bench Pro 69.2 对 62.1，NL2Repo 69.7 对 48.9，SWE-Marathon 26.0 对 13.0。其中 NL2Repo 的 20.8 分差距尤为显著——该基准恰好测试的是"根据规格说明书构建完整可运行代码库"的能力，与本次 3D 游戏构建测试的任务类型高度一致。

在 Agentic 基准上，Opus 同样保持领先：MCP-Atlas 77.8 对 76.8（差距微小），Tool-Decathlon 59.9 对 48.2（差距 11.7 分）。独立评测机构 Artificial Analysis 在其 Intelligence Index v4.1 上将 GLM-5.2 评为"领先的开源权重模型"，综合评分为 51。但同时指出 GLM-5.2 是"最消耗 token 的开源模型"——每次任务平均输出约 43000 个 token，是前代 GLM-5.1 的 1.65 倍。

业界对 GLM-5.2 的反应整体积极，但意见不一。知名开发者 Simon Willison 称其为"可能是有史以来最强大的纯文本开源权重 LLM"，他的 SVG 绘图测试（鹈鹕骑自行车）产出了完整动画效果，但后续的负鼠骑滑板车测试相比 GLM-5.1 出现了退化。Allen Institute for AI 的研究员 Nathan Lambert 从 LMArena 排名推断"你可以说他们有一个比 Gemini 更好的 Agent 模型"，并特别强调中国实验室用远少于美国同行的算力实现了这些成果。Artificial Analysis 将其定位为"在其能力层级上最便宜的模型"，但也指出 token 消耗是一个实际使用中不可忽视的缺点。

如果进一步拆解这个测试中的具体行为差异，会发现 GLM-5.2 和 Opus 之间的差距并非均匀分布在所有维度上。GLM-5.2 在那些可以通过"内部推理"独立解决的子任务上表现出色——编写 GLSL 着色器代码、实现四元数旋转、构建 AABB 碰撞检测逻辑。这些任务不需要看到运行结果，只需要正确的数学推导和规范的代码输出。但在那些需要"与外部世界交互验证"的环节——检查渲染帧是否正确、发现角色纹理丢失、确认 UI 元素是否残留——纯文本模型的局限就暴露无遗。GLM-5.2 采样了像素颜色值，得出了"草绿土褐金红角色蓝"的结论，从数值角度看不能说它错，但它没能把"角色偏蓝"解读为"纹理映射失败"。这种差距不是推理能力的差距，而是感知通道的差距。

这引出了一个对开发者而言非常实际的启发：在选择模型时，"有没有视觉输入"不应该被理解为"能不能看图"这一个功能点，而应该理解为"能不能验证自己的工作成果"。在代码生成场景下，一个缺少视觉能力的模型仍然可以写出正确的着色器代码，但它无法通过截图发现渲染帧出了问题；它可以生成 UI 布局，但无法通过视觉检查确认按钮是否对齐。对于那些输出可以被自动化测试覆盖的任务——比如 API 后端开发、数据处理管道——纯文本模型足够胜任。但对于那些需要"看到结果才能判断对错"的任务——前端 UI、游戏开发、可视化——视觉自验证是一个硬需求，而非可选功能。

另一个值得关注的维度是 GLM-5.2 的开源策略本身。MIT 许可证意味着它不仅免费可用，而且可以被微调、被内网部署、被嵌入到商业产品中而不需要任何授权费。这与 Anthropic、OpenAI 和 Google 提供的商业 API 形成了根本性的不同——后者不仅按 token 收费，而且从法律和技术两个层面锁定了供应商关系。对于重视数据主权、不能将代码发送给第三方 API 的企业用户来说，一个能用自己 GPU 跑起来、能力接近旗舰闭源模型的 MIT 模型，其吸引力不仅仅是成本上的，更是战略上的。智谱在这个时间点选择完全开源 GLM-5.2，本质上是在用"零许可费"换取开发者生态的分布和社区反馈——这与 Meta 的 Llama 策略如出一辙，但在能力层级上更进一步。

综合来看，Tech Stackups 的这篇评测为开发者提供了一个实用的选择框架：对于成本敏感、纯文本或纯逻辑的任务——批量代码生成、数学推理、文本分析——GLM-5.2 以五分之一的价格提供了接近甚至偶尔超越 Opus 的能力。对于需要视觉判断、输出打磨到可直接交付、或多步骤 Agent 协调的任务——比如构建一个完整的交互式应用——Opus 目前仍然是更可靠的选择。但 GLM-5.2 的 MIT 许可证意味着另一个关键优势：它作为一个"总是可用的后备方案"，没有供应商绑定、没有配额限制、没有定价变动风险。在开源权重模型的能力曲线以这种速度追赶闭源旗舰的背景下，半年后的局面可能完全不同。

参考来源：Tech Stackups: GLM-5.2 vs. Claude Opus — Coding Agent Head-to-Head