智谱AI在春节前夕正式发布了新一代旗舰模型GLM-5。官方定位为面向”复杂系统工程与长程智能体任务”的开源模型，在编程与Agent能力上实现了开源模型SOTA。我们对GLM-5与GLM-4.7两个版本进行了全面的对比评测，测试其在准确率、响应时间、token消耗和成本等关键指标上的表现差异。
需要特别说明的是，GLM-5官方主打的是编程与Agent能力，而此次评测侧重于中文综合能力场景。模型在不同评测维度上可能呈现不同的特点，建议读者结合自身使用场景综合判断。
GLM-5版本表现：
- 测试题数：约1.5万
- 总分（准确率）：71.0%
- 平均耗时（每次调用）：130s
- 平均token（每次调用消耗的token）：3569
- 平均花费（每千次调用的人民币花费）：61.2
1、新旧版本对比
首先对比上个版本（GLM-4.7），数据如下：
*数据来源：非线智能ReLE评测github.com/jeinlee1991…
*输出价格单位： 元/百万token
- 整体准确率略有下降：新版本准确率从71.5%降至71.0%，下降了0.5个百分点，排名从第6位下滑至第9位。考虑到GLM-5的核心定位是编程与Agent任务，这一变化在预期范围内。
- 部分领域显著提升：从细分来看，新版本在”教育”领域表现亮眼，从52.0%大幅提升至59.0%，增幅达7.0个百分点。“医疗与心理健康”领域也有明显提升，从83.6%增至85.7%（+2.1%），表明模型在知识密集型任务上有所强化。
- 数学推理能力小幅提升：“推理与数学计算能力”从72.7%提升至73.6%（+0.9%），与官方强调的推理能力提升方向一致。
- 部分能力出现分化：值得注意的是，“agent与工具调用”能力从68.1%降至64.2%（-3.9%），“语言与指令遵从”从69.3%降至67.6%（-1.7%），“金融”从84.2%降至83.2%（-1.0%）。这与官方宣称的Agent能力提升形成对比。
- 响应时间明显增加：每次调用的平均耗时从96s大幅增加至130s，增幅约35%，这与模型参数规模从355B扩展至744B有直接关系。
- Token消耗有所优化：尽管响应时间增加，每次调用平均消耗的token从3922降至3569，减少约9%。
- 调用成本上升：由于输出价格从14.0元/M token上调至18.0元/M token，每千次调用的费用从52.5元增加至61.2元，增幅约16.6%。
2、对比其他模型
在当前主流大模型竞争格局中，GLM-5表现如何？我们选择了具有代表性的模型进行横向对比分析（本评测侧重中文场景，模型在其他语言和专业领域的表现可能有所不同）：
*数据来源：非线智能ReLE评测github.com/jeinlee1991…
同成本档位对比
- 高成本档位竞争激烈：GLM-5以61.2元/千次的成本在榜单中处于较高水平，与qwen3-235b-a22b-thinking-2507（61.2元，65.5%）成本相同但准确率更高。在相近成本区间，gpt-5.2-high（94.1元，67.4%）和claude-opus-4.6（96.5元，70.5%）成本更高但准确率接近或略低。
- 中低成本档位选择丰富：准确率相近的doubao-seed-1-8-251215（71.7%）成本仅7.3元/千次，doubao-seed-1-6-thinking-250715（71.7%）成本为15.6元/千次，在成本敏感场景下更具竞争力。
- 智谱产品线内部对比：GLM-4.7以52.5元/千次的成本实现了71.5%的准确率，在当前评测维度下成本效率比优于GLM-5，用户可根据具体场景选择。
新旧模型迭代对比
- 与其他厂商新模型对比：近期各厂商发布的新模型中，qwen3-max-think-2026-01-23以72.8%位居榜首，gemini-3-pro-preview以72.5%紧随其后，hunyuan-2.0-thinking-20251109达到71.9%。GLM-5的71.0%在新模型中处于前列。
- 行业迭代趋势：从榜单可以看出，国产大模型正加速向编程与Agent能力方向演进。豆包、混元、Kimi等厂商纷纷推出thinking系列模型，GLM-5主打的”Agentic Engineering”定位正是这一趋势的体现。本次评测侧重中文场景，未能充分展现GLM-5在编程与Agent场景的优势。
开源VS闭源对比
- 开源模型竞争格局：GLM-5作为开源模型，其71.0%的准确率在开源阵营中处于前列。同为开源的Kimi-K2.5-Thinking（71.3%）、DeepSeek-V3.2-Think（70.9%）等模型各有特色。
- 闭源模型成本分化明显：闭源模型呈现两极分化态势。一方面，doubao-seed-1-6-thinking-250715（71.7%）以7.3元/千次的超低成本展现极致成本效率比；另一方面，gpt-5.1-high（69.7%）、claude-opus-4.6（70.5%）等海外模型成本高达80-180元/千次。
- 开源部署优势：GLM-5遵循MIT License开源，支持本地部署，已适配vLLM、SGLang等主流推理框架。对于高频调用或数据安全敏感的企业用户，本地部署可显著降低长期成本。
3、官方评测
根据智谱官方发布的技术博客（z.ai/blog/glm-5）…
模型架构升级
GLM-5相比GLM-4.5实现了显著的架构升级：参数规模从355B（激活32B）扩展至744B（激活40B），预训练数据从23T提升至28.5T tokens。模型采用MoE（混合专家）架构，并首次集成DeepSeek Sparse Attention（DSA），在维持长文本效果的同时大幅降低部署成本。
编程能力评测
GLM-5 在编程领域实现了与 Claude Opus 4.5 的实力对齐，在多项业内公认的主流基准测试中拿下开源 SOTA。具体来看，它在 SWE-bench-Verified 和 Terminal Bench 2.0 中分别取得了 77.8 和 56.2 的高分，性能表现超越了 Gemini 3 Pro。
在内部的 Claude Code 评估集中，GLM-5 在前端、后端开发及长线任务上的表现远超 GLM-4.7（平均提升超 20%）。它能以极低的人工干预，自主完成 Agentic 长程规划、后端重构及深度调试等系统工程任务，使用手感与 Opus 4.5 极为接近。
Agent能力评测
GLM-5 在智能体（Agent）领域同样摘得开源 SOTA 桂冠，在多个评测基准中位列第一：包括联网检索与信息理解（BrowseComp）、工具调用和多步执行（MCP-Atlas）以及复杂多工具场景下的规划执行（τ²-Bench）。
在考察模型经营能力的 Vending Bench 2 测试中，GLM-5 斩获开源模型第一。该测试要求模型模拟经营一年的自动售货机业务，GLM-5 最终账户余额达到 4432 美元，展现出逼近 Claude Opus 4.5 的长期规划与资源调度能力。
目前所有大模型评测文章在公众号：大模型评测及优化NoneLinear
