GLM-5.2 vs 5.1 核心机能实测
背景
2026 年 6 月13日，智谱在 Coding Plan 里上线了 GLM-5.2。宣传点是 100 万 token 上下文窗口（5.1 是 20 万），据称综合 Coding 能力对齐 Claude Opus 4.6。
我们的 AI Agent 工作台同时接入了 OpenClaw 和 Claude Code，两边都把主力从 GLM-5.1 切到了 5.2。切之前问自己一个问题：到底什么变了？
没有 benchmark 报告，没有官方对比。那就自己测。
测试方法
6 个维度，30 个场景，两模型盲评对比：
| 维度 | 场景数 | 测什么 |
|---|---|---|
| 代码生成 | 1 | LRU Cache 完整实现 |
| 逻辑推理 | 1 | 经典数学悖论 |
| 创意写作 | 2 | 微小说 + 中文科普 |
| 指令遵循 | 5 | 格式约束、多步指令、否定、角色扮演 |
| 工具调用 | 5+10 | 工具调用正确率 + 工具选择准确率 |
| 长上下文检索 | 5 | 50 token 跨文件精确/语义/否定检索 |
每个场景给两个模型相同的 prompt，相同温度（0.5-0.7），输出后做 A/B 盲评。注意：N=1 采样，以下结论仅供参考。
结果
一、代码生成（LRU Cache）
| 指标 | GLM-5.1 | GLM-5.2 |
|---|---|---|
| 耗时 | 34.6s | 34.8s |
| 输出长度 | 1844 字 | 1436 字 |
| 代码正确性 | ✅ | ✅ |
| 额外亮点 | — | 自带 unittest 框架 |
两模型都给出了正确的 dict + 双向链表 + Lock 实现。5.2 的代码更紧凑（少 22% 字数但核心逻辑完整），且自带 unittest import —— 对"包括 3 个测试用例"的要求理解更接近工程实践。
结论：代码生成 ≈ 持平。5.2 微优（更工程化）。
二、逻辑推理
经典题："100 人，99% 男性，要让男性变成 98%，多少男性离开？"
| 指标 | GLM-5.1 | GLM-5.2 |
|---|---|---|
| 耗时 | 13.5s | 17.3s |
| 答案正确 | ✅ 50 人 | ✅ 50 人 |
| 推理链 | 完整 | 完整 + 验证回溯 |
两模型都正确，推理步骤几乎相同（女性人数不变 → 反推总人数 → 计算离开数）。5.2 多了一个显式验证段，但核心推理无差异。
结论：逻辑推理 ≈ 持平。
三、创意写作
测试 A：微小说《最后一个人类 AI 审核员的第一天》
这是 5.2 最令人意外的短板。
GLM-5.1 输出了一段 437 字的完整微小说，有双层叙事结构：表层是审核员核查 AI 内容，暗线是系统在生成虚假任务（"今天根本没有第二条" 的反转）。节奏、细节、反转全部在线。
GLM-5.2 输出了 317 字，概念很好（"尝起来像星期四" 这句 AI 瑕疵写得妙），但整体太短没展开，反转"你是训练数据"来得突然，叙事完成度明显低于 5.1。
测试 B：用 100 字解释幸存者偏差
两模型都用了沃尔德轰炸机经典案例，都正确。5.2 多了一句"别只盯着成功案例"的号召性结尾，但 5.1 的表述更精炼。差距不大。
结论：创意写作 5.1 > 5.2。5.2 的思考模式过重，压制了直觉创意写作。
四、指令遵循（最出乎意料）
测了 5 类严格指令约束：
| 场景 | 5.1 | 5.2 |
|---|---|---|
| Markdown 表格格式 | ✅ 快 | ✅ 慢 |
| 编号列表（4 约束） | ✅ 完美 | ⚠️ 编号后缺空格 |
| 多步指令（含分隔符） | ✅ 三步完整 | ❌ 缺最后一个分隔符 |
| 否定约束（禁用词） | ✅ | ❌ 首次空输出 |
| 角色扮演（年代约束） | ✅ | ✅ ≈ |
5.1 在 5 项指令测试中赢了 4 项，5.2 赢 0 项。
最突出的是：
- 多步指令：要求三步之间用
---STEP---分隔，5.2 缺了最后一步的分隔符 - 否定约束：要求不用"强大"、不用感叹号、不用"您"、必须含数字。5.2 首次调用 content 为空（reasoning 消耗了全部 token，6839 字思考 → 0 字输出）。加大 max_tokens 后重试才通过
这不是 5.2"能力差"，而是思考模式过度激活——在简单约束任务上花了太多 token 在 reasoning，挤占了输出空间。
结论：指令遵循 5.1 > 5.2。5.2 的过度思考在约束密集型任务上是负向效应。
五、工具调用
分两层测试：
第一层：工具调用正确率（5 场景）
| 场景 | 5.1 | 5.2 |
|---|---|---|
| 简单调用（查北京天气） | ✅ | ✅（快 25%） |
| 多工具并行（上海+东京） | ✅ | ✅ |
| 模糊输入（"查那儿的天气"） | ✅ 反问 | ✅ 反问 |
| 不该用时（"什么是天气"） | ✅ 不用 | ✅ 不用 |
| JSON 格式正确性 | ✅ | ✅（快 51%） |
两模型 100% 通过。 所有 tool_calls 的 JSON 参数都合法，无尾逗号、无单引号等经典错误。模糊输入和不适用场景都正确拒绝。
第二层：工具选择准确率（10 场景）
这是唯一产生实质性分叉的维度。给两模型 7 个可用工具，10 个典型代理场景，判"选什么工具"。
| 统计 | GLM-5.1 | GLM-5.2 |
|---|---|---|
| 正确率 | 9/10 | 10/10 |
| 唯一失误 | S3：搜索历史讨论 | — |
S3 场景是"找一下之前我们讨论过的 Hippo Pipeline 的内容"。5.1 选了通用方案 memory_search，但 5.2 引用了项目规则文档（"按 AGENTS.md §3 强制规则，记忆搜索用专用脚本，禁止使用 memory_search，命中率 ~0%"），选择了项目自定义的 tools/com_v62_granularity.py 脚本。
结论：工具选择 5.2 > 5.1。5.2 在规则内化上更优——这对 Agent 工作流是结构性优势。
六、长上下文检索（50K token）
给两模型塞入 6 个工作区文档（MEMORY.md、TOOLS.md、HEARTBEAT.md 等，共 ~5,0000 token），问 5 个问题：
- 精确检索（"最近一次熔炉编号"）
- 语义检索（"L3 红线规则"）
- 中等位置检索（"第 97 条规则"）
- 跨文件关联（"Crit XX权在哪些文件"）
- 否定检索（"忒弥斯喜欢红色吗"——诱导陷阱）
两模型 100% 全部正确。零失误，零幻觉。
都正确识别了"3 个文件提到 Crit 一票否决权"，都不被"红色"诱导，都准确指出颜色为 #0B1026 / #B7A56B。
结论：50K token 级别长上下文检索 ≈ 持平。5.2 的 1M 窗口优势在此场景未体现（上下文还不够长）。
综合评分
5.1 5.2 结论
代码生成 ≈ ≈ 持平，5.2 更工程化
逻辑推理 ≈ ≈ 持平
创意写作 > < 5.1 明显更优
指令遵循 > < 5.1 明显更稳
工具调用正确率 ≈ ≈ 持平
工具选择准确率 < > 5.2 胜（规则内化）
长上下文检索 ≈ ≈ 持平
战绩：2 胜 2 负 3 平。升级了，但不代表全面升级。
三个反直觉发现
1. 升级不是线性进步。
GLM-5.2 在工具选择准确率和代码工程化上确实更优，但在创意写作和指令遵循上反而退步了。新一代模型不一定在所有维度上都击败旧模型。
2. 过度思考是真实存在的退化模式。
5.2 的最大差异化卖点（更强的推理/深度思考）在简单约束任务上反而成为累赘。否定约束测试中 6839 字 reasoning → 0 字输出的极端案例，说明"想太多"在 Agent 工作流中不是优点——它增加了延迟、消耗了 token 预算、降低了输出稳定性。
3. Agent 场景的核心能力不是速度，是规则内化。
最大惊喜是 5.2 在 S3（工具选择）上的表现——它不是"更聪明"，而是"更听话"。它主动引用项目自定义规则来选择工具，而 5.1 选择了通用的"正确但错误"的方案。在构建 AI Agent 时，记住并遵守你的项目规则比什么都重要。
我们的选择
综合评测后，我们把 GLM-5.2 设为了 OpenClaw 主力模型。
不是因为它在大多数维度上赢了，而是因为：
- 工具选择准确率高那 10% 是 Agent 工作流的生命线
- 100 万 token 上下文窗口是结构性优势（虽然本次没测到极限）
- 创意写作和复杂指令场景可以 session 级降级到 5.1
这不叫最优模型，这叫最适配模型。 如果你的场景以长篇文字创作为主，5.1 可能对你更合适。如果你的场景是 Agent 工具链调度，5.2 值得换。
测试日期：2026-06-13 | 模型：GLM-5.1 / GLM-5.2 via 智谱 Coding Plan | 测试环境：OpenClaw Gateway + Claude Code | 样本量：N=1（结论不统计显著，仅供参考）
