YT 学习笔记

GLM 5.2 实测：与 Opus 4.8、GPT 5.5 的三方对比

25分钟阅读下载 MD

封面

Chase AI · 22:16 · 发布 2026-06-22 · 1.9万次观看(截至抓取) · 观看原视频

主旨

Chase AI 把当下被吹爆的开源权重模型 GLM 5.2 拉来与闭源前沿 Opus 4.8、GPT 5.5 做同题实测,结论是:DeepSWE 跑分与两次”模糊 prompt”的真实交付里,GLM 5.2 都稳居垫底且 token 消耗高一个数量级,所谓”开源便宜又强”对日常使用并不成立。

核心论点

  1. DeepSWE 基准上,Opus 4.8 与 GPT 5.5 在 max 挡下都明显高于 GLM 5.2,差异主要在能力而非成本;只有在拉到 medium 挡时,Opus/5.5 才能”既便宜又高过” GLM,这才是”按 effort level 路由”在 benchmark 上的实证。(→ 详解2)
  2. 按每百万 token 单价看,GLM 5.2 的 input/output 都只有 Opus/5.5 的 1/5 到 1/6 左右,但单位成本的优势会被”产出相同质量要消耗更多 token”反吃回去——比 token 单价更要紧的是”每任务总成本”。(→ 详解2)
  3. “开源 = 能在自己电脑上跑”是误读:GLM 5.2 权重公开但接近万亿参数,本机完全跑不动,只能经云/API 访问;原话原句的”open source”和大众理解的”本地可跑”是两件事。(→ 详解2)
  4. 同一份”故意写得很模糊”的 prompt 下,Opus 4.8 在 13 分钟内出活,GLM 5.2 用 5 分钟多做了 token 消耗 10 倍的产品,GPT 5.5 还在跑——三者在 token 效率上的差距比在产出质量上的差距更触目惊心。(→ 详解3)
  5. GPT 5.5 在 3D 升级与 smart glasses 两个任务里都是”主观最好”;GLM 5.2 在第一个任务靠 token 砸出可见产出,在第二个任务被博主直评”complete failure”——同一款模型在不同 prompt 下的产出方差很大,benchmark 高分不等于真实场景稳定。(→ 详解3、详解4)
  6. 把闭源前沿的 Max/Pro 订阅价补贴算进去后,GLM 5.2 的”便宜”基本被吃光;再叠加”模型每周都在换,跳来跳去有迁移成本”——这是博主对”普通用户要不要换 GLM 5.2”给出的不推荐立场。(→ 详解5)

知识点详解

1. 选题与背景:为什么是这一组三方对比 00:02

视频开场给了一个很具体的语境——GLM 5.2 是当周才发布、且被吹为”我们见过的最强开源模型”的新品,在多张 benchmark 图上甚至展示出”压过” Opus 4.8 与 GPT 5.5 的数字。博主接下来要回答的问题就两个:这些 benchmark 数字可信吗?真把三个模型放在同一题上正面比拼,结果会怎样?

这次测试的硬件起点很务实:GPT 5.5 跑在 Codex(extra high),GLM 5.2 跑在 Open Code(extra high,经 OpenRouter 路由),Opus 4.8 跑在 Claude Code(high)。这三种都是真实用户在订阅套餐里默认能拿到的设置,而非刻意挑高参数的”压测模式”——后面 [详解5] 里博主会再回到这个选型设定的意义。

2. DeepSWE 基准:跑分差距 + 按 effort level 拆解 01:04

Deep Sweep 是这次重点拆解的一个较新基准,定位是”在长链路、隔离环境、程序化判分下完成 113 个跨语言真实编码任务”。博主没去抠它的内部结构,而是直接读它公开的散点图——X 轴是平均每任务成本、Y 轴是任务通过率,理想象限是”左上(便宜)反了,是右上”。

图上读到的原始数字:01:40 “最想去的”位置是”右上一带——成本低、通过率高”。具体数值是,GLM 5.2 Max 给到 44% 通过率、每任务 $3.92,Opus 4.8 Max 给 59%,GPT 5.5 Extra High 给 67%。粗看 GLM 已经被压了一档。

但博主接着做了一个反直觉的切档比较:01:59 “Opus 4.8 is doing 59% and 5.5 is doing 67% at extra high.” 他把 Opus 4.8 降到 medium 挡:通过率 49%、成本 $3.44;GPT 5.5 降到 medium 挡:54% 通过率、$2.75——都比 GLM 5.2 Max 的 44%/$3.92 更便宜更高。原话原句把这件事讲得很直接——“right off the bat, on this benchmark, 4.8 and 5.5 are a step above GLM 5.2”。

再叠加 effort level 维度,这才是”按 effort level 路由”在 benchmark 上的实证:不是”GLM 不可用”,而是”把 Opus/5.5 的成本旋钮拧低,自然就比 GLM Max 既便宜又能用”。

2.1 Token 单价 vs 每任务成本:哪一项说了算 05:02

把视角切到”每百万 token”上,数字反转:GLM 5.2 input $1.40、output $4.40,Opus 4.8 是它的大约 5.7 倍,GPT 5.5 大约 6.8 倍。原话原句 “GLM 5.2, $1.40 for input, $4.40 for output”——单纯看单价,GLM 便宜一截。

但博主随即给出一句收束:“we care about outcomes for a task, not necessarily a one-for-one token comparison”——真正该看的不是单价,而是”完成一个任务总共要花多少”。这是后续 [详解3] 里”GLM 用 10 倍 token 做出差不多质量的产品”那条判据的理论准备。

2.2 “Open source” 不等于”本地能跑” 03:59

博主在基准讲完之前,先做了一个几乎所有开源宣传都会跳过的澄清:这里的 “open source” 指”权重和代码公开可看”,但”接近万亿参数的体量”决定了它不可能像 Qwen 小模型那样在自己笔记本上跑——“No, you can’t… This is like almost a trillion parameters. This requires a ton of hardware to run.” (04:14)。

这条澄清在 GLM 5.2 开源模型逼近旗舰模型的成本实测与接入指南 与 GLM-5.2 对比 MiniMax-M3 里也都反复出现过——本片是把这件事放在 benchmark 段落的开头就先排雷,后面所有”云端调用”都基于这个前提。

3. Test 1:模糊 prompt 下的 3D 赛车游戏 05:48

三个模型各拿到完全相同的模糊 prompt——“用浏览器能跑的、可玩的 3D 赛车游戏,栈和库你自己挑”——给到 plan mode,出 plan、再执行,最后博主用主观标准做排序。

时间线:07:28 “Opus 4.8 was the first one to finish”,耗时 13 分钟;GLM 5.2 多了 5 分钟;GPT 5.5 当时还在跑,符合”5.5 偏慢”的既往体感。更重要的数字是 token:08:30 Claude Code 这一发大约 10 万 token,而 GLM 5.2 这边光这一次就”over a million”——加上 OpenRouter 的账单 08:41 “$1.21 spent, 1.35M tokens total”。

产出对比,博主给了三个画面侧写:

  • Opus 4.8:低多边形赛道、有引擎声、可漂移、操控顺滑,但”赛道普通、没加 AI 车、没视觉惊喜”——一句话”功能完整,审美欠缺”。
  • GLM 5.2:操控”跳”、车感更糊、跟草地之间的物理边界混乱;画质略好于 Opus 4.8 的低多边形版本,但控制手感比前者差。
  • GPT 5.5:“Foundry Circuit、the night shift time trial、three laps through the steel works”——命名上更花心思;但车轮”转得方向不太对”、噪音惹人烦、暗到没必要、视野也分不清赛道与场地边界。

博主第一轮主观排序,Opus 4.8 明显领先,后两个都”janky”。

3.1 第二轮(3D 升级 + 视觉升级):差距重新洗牌 11:32

第二轮 prompt 是”再看一次代码、再迭代一次、放弃低多边形、目标 3A 级画质”。

  • Opus 4.8:车身精细度大幅提升,光照与地面反光都出来了;赛道”还是那条赛道”,但车体本身确实是 3A 级别;额外开销约 10 分钟 + 5 万 token。
  • GLM 5.2:加了一些新光照,车也升级了,但光照”刺眼”、赛道几乎没变、控制依然”跳”——博主判断光照过亮反而是降级。
  • GPT 5.5:车轮问题修了,其他基本照旧,博主的总结是 “kind of feels like sort of the exact same thing it did the first time with a slightly better car”。

第二轮排序仍是 Opus 4.8 > 5.5 > GLM 5.2,但 14:00 博主的原句收束是 “GLM and 5.5 definitely a step below Opus”。

3.2 Effort level 选型对这次测试的意义 04:37

回到 [详解1] 提到的 effort level 选择,博主在测试段开头特别解释:“that’s how most people use these in real life… chances are you’re either on the max plan or you’re on some sort of OpenAI plan, and you probably aren’t running it on medium.”——这个测试是用普通订阅档位用户的真实用法去比的,刻意避免”为了抬高某个模型分数而专门挑档”的误导。

4. Test 2:Smart glasses 落地页 + 3D 升级 14:49

第二轮题目是 Meta Ray-Ban 风格的 AI 智能眼镜落地页,要求真实视觉层次、不要 AI slop、可联网找产品图与最佳实践、可挑任意栈。出活后做主观排名,再做一次”3.js 沉浸式升级”。

Token 差异继续:14:49 “GLM 5.2 used about a million tokens to execute this, while Opus and 5.5 used about 100,000 to give or take”——同任务下 GLM 仍是 ~10 倍 token 量级。

第一轮产出:

  • Opus 4.8:深色背景、画了眼镜、滚动时有进度动画、但文字有溢出与重叠;整页用 HTML 自画,没去网上找素材。
  • GLM 5.2:画面”基本没加载完”,博主原话原句 16:18 “this is like actually terrible”——这一条不只描述产品观感,更接近对这次产出的整体判决。
  • GPT 5.5:有移动 banner、占位与可滑动的 hero 元素;眼镜与文字略有重叠;博主评 “probably the best out of the three, but you know, I wouldn’t say I was in love with any of these”。

第二轮(“用 3.js 把它改造成沉浸式 3D 场景”):

  • Opus 4.8:加了 3D 眼镜元素,交互能转;但”文字被切、AI 痕迹明显”等原有问题依旧。
  • GLM 5.2:这次终于”做出一个能看的网站”,但眼镜外形不太对、文字也有截断;有动效 banner;博主评 “I’d probably give it the edge over Opus”。
  • GPT 5.5:本轮 winner,白色留白 + 3.js 眼镜有空间感;整页仍是典型 “AI slop” 观感,但”top to bottom” 仍偏好 5.5。

第二轮排序:GPT 5.5 > GLM 5.2 > Opus 4.8——Opus 4.8 在这一题里的相对地位明显比 Test 1 时低,与 [详解3] 中”同一款模型在不同 prompt 下方差很大”互为证据。

5. Results:为什么仍然不推荐普通用户切到 GLM 5.2 20:10

博主的收尾段把 DeepSWE 跑分、两次实测、订阅套餐价叠加在一起,得出 21:02 “the costs are kind of already a problem for GLM 5.2, yet this doesn’t even take into account the huge subsidization you get on either the Anthropic Max plan or the Open AI Max plan”——把”GLM 单价便宜”这件事再扣掉”闭源订阅的实际折扣”,差不多 10×,基本把便宜优势抵消。

再叠加”模型世代在以周为单位换”的现实,他对普通用户的建议是直接的 21:20 “would I suggest using GLM 5.2 for your average person? No. Not really… I think maybe if you’re doing lower level tasks and you’re someone who’s comparing it purely on API prices, maybe”。

对想要”open source maxing”的人,他给了一条硬件现实提示 20:46 “if you are someone who is open source maxing, understand this is not something you would run on your PC… This requires a ton of hardware to use”——这是把 [详解2.2] 的”接近万亿参数”在结论处再强调一次,避免观者被”开源”两个字拐去错的方向。

最后一句沉淀在 21:46 “there’s something to be said with just like sticking with a model”——选型上有”持续用同款”的隐性价值,频繁在 GLM 5.2 / Opus 4.8 / 5.5 之间跳带来的迁移与重写成本,往往大于”省下的那点单价差”。

可执行步骤

  • 选模型前先确认自己是按订阅档(max plan)还是按 API 单价计费——同样的跑分,前者基本是后者 1/10 的成本。
  • 把”每任务总成本”而不是”每百万 token 单价”作为模型对比的指标,避免被单价便宜误导。
  • 在 OpenRouter / Codex / Claude Code 之外,试一次把”模糊 prompt”原样下给三个模型各跑一遍,看 token 消耗与产出质量的双轴位置,而不是只看 benchmark。
  • 在做”open source 部署”判断时,先估算本机 RAM / 显存能不能装下目标模型的最小可跑量化档,而不是被 “open source” 标签直接带去走”本地能跑”的隐含假设。

关联

  • 印证:GLM 5.2 开源模型逼近旗舰模型的成本实测与接入指南 给出”5 倍 token 价差”与”44 美分 vs 2.38 美元”那一组数字;本片用 DeepSWE 跑分 + 两次真实任务把同一组价差的方向反过来,论证”5 倍单价优势在 10 倍 token 消耗面前被反吃”——两片合看,价差与产出差距两轴都成型。
  • 印证:GLM-5.2 对比 MiniMax-M3 的”GLM-5.2 是单次动作的性能冠军”在本片两次模糊 prompt 实测中均被削弱(Test 1 输给 Opus 4.8、Test 2 输给 GPT 5.5),印证”GLM 在可视化/设计类任务上不稳定”的真实场景。
  • 进阶:GLM 5.2 约等于 Opus 4.8 把 1v1 推到编码基准(同款 Terminal-Bench 2.1)上得出”约等于”结论;本片把比较对象扩展到三方(加入 GPT 5.5)并换到”主观交付”维度,得到”GLM 仍处垫底”的不同结论——判定变量是评测维度(benchmark 分数 vs 真实视觉/设计交付),同一款模型两个判定都成立但结论方向相反。
  • 进阶:把 Claude Code 的引擎换成 GLM 5.2 走”全天编码 agent 实操”路线,本片走”两个视觉/UI 任务”路线;前者看的是工程 agent 的 token 流与稳定性,后者看的是视觉/设计交付的”几乎不可比”——判定变量是任务类型(编码 vs 视觉/设计),对个人/团队的选型意义是:GLM 5.2 的可用场景比”GLM ≈ Opus”那种笼统判断要细得多。
  • 互补:Sonnet 5 上线性能逼近 Opus 4.8 给出”按任务复杂度选 Sonnet 5 / Opus 4.8”的判据,本片把这条思路再扩半步——加进”按真实交付观感选 GLM 5.2 / Opus 4.8 / GPT 5.5”,两篇合看就拼出”按场景/按交付类型”两轴选型图。
  • 复现:本片”便宜单价被 10 倍 token 消耗反吃”与 让 Fable 5 便宜 80% 的 Effort Level、Deep Sweep 成本-通过率曲线同轴——那篇给”降档最省钱”的定量,本片给”便宜模型未必省”的反例,合看才是完整的用量经济学。
  • 复现:开源被吹爆、退潮后即便模型未变也有人说被削弱的 蜜月期效应,正是本片”所谓开源便宜又强对日常并不成立”的心理背景;对应的选型对策是 模型分散(主力约 70% + 多家分流)而非单押某开源旗舰。

一手来源与延伸

  • DeepSWE 介绍页——视频中重点拆解的基准的官方说明,核验 113 任务、五种语言、隔离环境 + 程序化判分的设定与视频描述一致。

术语

  • DeepSWE(视频字幕里写作 “Deep Sweep”):面向长链路、跨语言真实编码任务的较新基准,博主视频里重点拆解的对照依据。
  • Extra high / max / medium / low:模型推理力度的 effort level 档位(对应 Effort Level),与模型代际无关,直接决定成本-通过率权衡。
  • plan mode:在执行前先反问澄清目标、把单向指令改成协作的规划模式(本片里三方都先经此步骤再执行)。
  • 模糊 prompt:刻意不给具体技术栈/库指定,要求模型自己挑的 prompt,博主用它来放大模型间的真实差距。

金句

“We care about outcomes for a task, not necessarily a one-for-one token comparison.” → 把”每百万 token 单价”与”每任务总成本”两件事拆开,是评价 GLM 5.2 性价比时最关键的一步。05:02 “GLM and 5.5 definitely a step below Opus.” → Test 1 第二轮收束;把”任务内统一比较”和”绝对能力”同时给到。14:00 “This is like actually terrible.” → Test 2 第一轮 GLM 5.2 落地页的实时判断,直接定性那一轮”complete failure”。16:18

立场与利益

博主有自营的 Chase AI Plus 与 Claude Code Masterclass(在 description 与口播中各出现一次),存在直接的课程与社区导流,自售关系明显。但本片的核心数据(DeepSWE 跑分、token 用量、产出对比)都来自当周实测而非厂商宣传,主张”普通用户不必切到 GLM 5.2”也与博主利益反向——若要卖 GLM 相关课,该反着说——故本片关键主张与利益反向、可信度最高;只有”留 Claude Code、用 Max 订阅”那条建议与博主利益同向,需读者自带折扣。

价值定位

  • 适合谁:已经在用 Opus 4.8 / GPT 5.5、订阅 Claude Code 或 Codex Max 档,且正在被”GLM 5.2 是开源最强”的社区讨论裹挟、想要一份独立第三方实测来定夺要不要切换的开发者或团队 lead。
  • 解决什么:把”开源 = 便宜 = 强”这一组直觉,拆成”基准分数 + 真实任务产出 + 订阅价补贴 + token 消耗”四组证据分别看清楚,给出一份”普通用户不必换”的实操结论。
  • 认知 vs 实操:本片以”主观排名 + 截图级画面描述”为主,实操可拿走的是”按 effort level 路由”与”按每任务成本而非 token 单价对比”两个判断框架;具体的工程化接入(改 OpenRouter 端点、改 Codex profile)需另看 GLM 5.2 开源模型逼近旗舰模型的成本实测与接入指南。
  • 与 GLM 5.2 开源模型逼近旗舰模型 互补:那篇讲”如果要用 GLM 5.2,怎么接最省”;本片讲”该不该用”,两个问题分开。

自检问题

  1. 在 DeepSWE 基准上,GLM 5.2 Max、Opus 4.8 Max、GPT 5.5 Extra High 三者的通过率分别是多少? 答案:GLM 5.2 Max 44%、Opus 4.8 Max 59%、GPT 5.5 Extra High 67%(→ 详解2)。01:49
  2. 把 Opus/5.5 降到 medium 挡时,为什么说”既便宜又高过” GLM 5.2? 答案:Opus 4.8 medium 49%/$3.44、GPT 5.5 medium 54%/$2.75 都比 GLM 5.2 Max 的 44%/$3.92 更便宜且通过率更高(→ 详解2)。01:59
  3. 为什么说”open source”并不等于”本地能跑”? 答案:GLM 5.2 接近万亿参数、权重和代码公开可看但本机 RAM 远装不下,只能经云/API 访问(→ 详解2.2)。04:14
  4. Test 1 第一次出活时,Opus 4.8、GLM 5.2、GPT 5.5 的 token 用量对比是什么? 答案:Claude Code 约 10 万 token,GLM 5.2 一次就 1.35M tokens / $1.21,GLM 用约 10 倍 token(→ 详解3)。08:30
  5. 博主最后给出的”普通用户要不要切到 GLM 5.2”的核心论据是什么? 答案:把闭源订阅的 Max/Pro 折扣(约 10×)扣掉后,GLM 5.2 的”便宜”基本被抵消,叠加”模型世代每周换,跳来跳去有迁移成本”,故不推荐(→ 详解5)。21:20

关系图谱

反向链接