--- title: 'GLM-5.2 对比 MiniMax-M3：Opus 迎来真正对手（模型堆叠）' video_id: cFYdiynrxpQ url: https://youtu.be/cFYdiynrxpQ title_en: "GLM-5.2 vs MiniMax-M3: Opus Has REAL COMPETITION (Model Stacking)" channel: IndyDevDan published: 2026-06-29 duration: "26:19" topics: [模型与能力, Agent 工程] noted: 2026-07-06 value: S views: '1.7万' --- [![封面](https://i.ytimg.com/vi/cFYdiynrxpQ/maxresdefault.jpg)](https://youtu.be/cFYdiynrxpQ) > IndyDevDan · 26:19 · 发布 2026-06-29 · 1.7万次观看(截至抓取) · [观看原视频](https://youtu.be/cFYdiynrxpQ) ## 主旨 开源权重模型 GLM-5.2 与 MiniMax-M3 首次在性能上逼近 Opus 4.8,但仍有代际差距;二者的差异化优势分别是"性能"与"价格",据此可分层规划工程 agent 与产品 agent 的模型栈。 ## 核心论点 1. **开源模型首次成为 Opus 的真实对手,但不是替代品**——GLM-5.2、MiniMax-M3 在性能与成本两个维度上具备竞争力,长尾任务上仍明显落后于 Opus。(→ 详解1、详解4) 2. **速度是个假象**——GLM-5.2 的 token 生成速度快,但绝大多数 token 花在推理上,真正决定体验的是总响应时间(wall time),不是纯速度。([[#2-速度是个假象reasoning-token-吃掉了真实响应时间-0528|→ 详解2]]) 3. **每降一档能力,价格约降 5 倍,能力损失却不成比例地小**——这决定了性能与价格是唯一该关注的取舍轴。([[#3-每降一档能力约降价-5-倍决策树很简单-0726|→ 详解3]]) 4. **工程 agent 与产品 agent 该用完全不同的选型逻辑**——前者能承受更松的 token 预算,后者的 tokenomics 直接决定业务能否规模化。([[#5-工程-agent-与产品-agent两套完全不同的选型逻辑-1201|→ 详解5]]) 5. **闭源模型存在"被关停"的结构性风险**,自建模型栈(而非依赖单一模型/厂商)是应对之道。(→ 详解6、详解8) 6. **在本地跑起 GLM-5.2 级别的模型现阶段并不现实**,合理路径是租 GPU 或用多家托管 API 分散依赖。([[#7-想在本地跑起-glm-52现阶段并不现实-1651|→ 详解7]]) ## 知识点详解 ### 1. 三层模型分级法与对照实验设计 [02:19](https://youtu.be/cFYdiynrxpQ?t=139) 作者把所有模型放进三层:state-of-the-art(以 Opus 4.8 为最大对照组)、workhorse(GLM-5.2、MiniMax-M3)、lightweight(以本地可跑的 Qwen 3.6 为最小对照组)。单独评价一个模型没有意义,必须设最大和最小对照组,才能看清 GLM-5.2、MiniMax-M3 在能力谱系里的真实位置。 在纯性能基准上,GLM-5.2 排 A 档、MiniMax-M3 排 B 档。[02:19](https://youtu.be/cFYdiynrxpQ?t=139) [03:18](https://youtu.be/cFYdiynrxpQ?t=198) 但作者随即给出反转:如果把价格也纳入考量,排序会倒过来——GLM-5.2 是"更好的模型",MiniMax-M3 是"更好的交易"。决定用哪个的唯一问题是:你需要的是最大能力,还是要优化价格。 ### 2. 速度是个假象:reasoning token 吃掉了真实响应时间 [05:28](https://youtu.be/cFYdiynrxpQ?t=328) GLM-5.2 的原始 token/s 很快,但绝大多数 token 都花在了内部推理(reasoning)上,输出的 reasoning token 占比甚至高于 Opus 的 max 模式,也远高于 MiniMax-M3。这意味着"这个模型很快"这个直觉判断是有陷阱的。 作者强调,真正决定用户体验和工具调用效率的是总响应时间(wall time),而非单纯的 token 生成速率。在这个尺度下,GLM-5.2、MiniMax-M3、Opus 三者其实都"可用",速度本身不是三者的真正分水岭,性能对价格才是。 ### 3. 每降一档能力约降价 5 倍,决策树很简单 [07:26](https://youtu.be/cFYdiynrxpQ?t=446) 从 Opus 降到 GLM,再降到 MiniMax,再降到 Qwen,每跨一个能力档位,价格大约下降 5 倍,但能力损失(在 artificial analysis 综合指数上)只有 5-10 个点。这条"成本悬崖"对 Opus 相当不利——开源模型正在以极低代价追平大部分场景所需的能力。 据此,作者给出一条简单决策树:需要最大能力时用 GLM-5.2;能力够用、要控成本和走量时用 MiniMax;如果模型压根做不了这件事,价格和速度都不重要,直接淘汰。这也是为什么 Qwen 虽然更便宜、更私有,但在很多任务上"智能不够"依然出局。 ### 4. 会调工具不等于能交付:基准分差背后的涌现能力鸿沟 [08:31](https://youtu.be/cFYdiynrxpQ?t=511) 作者提醒不要把基准分的微小差距看轻——artificial analysis 上 5 分的差距看起来很小,实际对应的是"涌现行为"(emergent behavior)的巨大差异,尤其体现在长时程任务(long horizon tasks)上。GLM-5.2 会调用工具,行为表现得像 Opus,但产出结果不是同一回事。 这句话是本片对"炒作型创作者"的一次去噱头:GLM 不是 Opus 的替代品,只是一个不错的竞争者。无论 Anthropic 在 Claude 系列(尤其 Opus 与 Fable)训练上做了什么,这种差异化目前仍然存在,不能靠单一分数抹平。 同时作者提出一个用于取舍的心智模型:性能、速度、成本三角,三者只能选两个,不能全都要。Opus 押性能;MiniMax 押成本(带一点性能);Qwen 押速度和成本;GLM 试图三者兼顾,是最接近"全都要"的一个。[10:16](https://youtu.be/cFYdiynrxpQ?t=616) ### 5. 工程 agent 与产品 agent:两套完全不同的选型逻辑 [12:01](https://youtu.be/cFYdiynrxpQ?t=721) 作者把 agent 分成两大类。工程 agent 是 Claude Code 这一代解锁的第一批 agent,数量上只占未来所有 agent 的极小一部分;它们目前 ROI 难以量化,预算可以更松,简单准则是"能负担最好的算力就用最好的",实在负担不起再向更便宜的模型降级。[12:01](https://youtu.be/cFYdiynrxpQ?t=721) [13:05](https://youtu.be/cFYdiynrxpQ?t=785) 产品 agent 则是部署进产品、面向成千上万用户的那批 agent,tokenomics 直接决定生意能不能跑通:把请求路由到"刚好够用的最便宜模型"是业务成败的关键,不能把 Opus 无差别地砸向所有请求。在这一逻辑下,GLM-5.2 是"单次动作的性能冠军",MiniMax-M3 是"单次动作的成本冠军"。[13:43](https://youtu.be/cFYdiynrxpQ?t=823) ### 6. 三个跑在别人机房里的模型:可替代性风险 [15:00](https://youtu.be/cFYdiynrxpQ?t=900) 作者点出一个容易被忽视的结构性风险:视频提到的四个模型中,有三个跑在别人(AI 实验室/云厂商)控制的基础设施上,随时可能被关停或限制,正如此前 Fable 模型的经历所示。在 2026 及以后,"能否被替代/切换"不再是脚注,而是整套战略的核心。 这不是危言耸听式的恐慌,而是提醒:只有真正拥有权重的开源模型,才谈得上端到端的"拥有"而非"租用"。这也是本片反复强调开源权重模型价值的核心原因——不是因为它们更强,而是因为它们更"可控"。 ### 7. 想在本地跑起 GLM-5.2,现阶段并不现实 [16:51](https://youtu.be/cFYdiynrxpQ?t=1011) 作者用自己的 M5 Max MacBook Pro 举例:这台机器根本跑不动 GLM-5.2。预算 2000-4000 美元只能跑到极慢的 1-2 bit 量化(6-11 tokens/s),不值得;预算再上一个档位(Mac Studio M3 Ultra 或多台 DGX Spark 堆叠)才勉强可用;真正实用的 4-bit 量化需要 5-10 万美元级别的硬件(如多张 RTX Pro Blackwell)。作者预估要到 2027 年中才可能在个人硬件上从容跑起 GLM 级别的模型。 在此之前,现实可行的四个选项是:自建 home lab、按小时租 GPU、使用多家托管开源权重的 API 提供商、或按秒付费的 serverless。作者建议优先使用 2-3 家托管商分散风险,而不是押注单一 provider。MiniMax(约 400B 参数)比 GLM-5.2 更接近可在本地落地的规模。 ### 8. 别选单一模型,选一套模型栈 [20:11](https://youtu.be/cFYdiynrxpQ?t=1211) 作者给出自己实际使用的分层模型栈:S+ 档只留给 Fable 5(等它恢复上线);S 档是 Opus、GPT 5.5;A 档是 GLM-5.2、MiniMax、Gemini 3.1 Pro、DeepSeek Pro;B 档是 MiniMax、DeepSeek Flash、Kimi 2.6、Gemini Flash;底层是可完全私有拥有的轻量模型如 Qwen 3.6、Gemma 4。[20:47](https://youtu.be/cFYdiynrxpQ?t=1247) 核心主张是:不要依赖单一模型或单一厂商,要为不同工作(最难的工程活、日常产品负载、私有本地场景)分别配置合适档位的模型,并随时间让旧模型逐档下沉、新模型顶替 S 档。这样即便某个模型或平台出问题,你的整体产出也不会归零。 ## 可执行步骤 - [ ] 为你的项目建一张三档模型清单(state-of-the-art / workhorse / lightweight),写清每档用哪几个具体模型。 - [ ] 把工程类任务与产品类任务分开定价:工程任务允许更宽松的 token 预算,产品任务先测算清楚每次调用的实际成本上限。 - [ ] 至少注册两到三家托管开源权重模型的 API 提供商,避免单一供应商依赖。 - [ ] 对比自己现有硬件与本地跑 workhorse 级模型(如 GLM 量级)所需的量化档位与 RAM,判断本地化是否现阶段划算。 ## 关联 - 印证:[[2026-06-15-Fable5被禁：首个工程师不需要的模型与Agentic工程新算账方式|Fable5被禁]] 以「80% 工程师 Opus 够用」收敛到与本片相同的 model stack 结论:按任务复杂度反推模型。 - 印证:模型分散——本视频的"模型栈"(model stack)与 CC高阶课·模型分散 中"主力模型+多家分流、像指数基金一样摊平单点故障"的思路高度一致,都主张不依赖单一模型/厂商,只是本片把配置颗粒度细化到了具体的能力-价格三档结构。 ## 术语 - workhorse model(工作马模型):性能接近顶尖但价格显著更低,承担日常高频负载的模型档位。 - reasoning token(推理 token):模型在给出最终答案前用于内部思考的 token,占比高会拖慢真实响应时间。 - tokenomics(token 经济学):在产品级 agent 中,token 成本与调用量共同决定业务能否规模化盈利的核算逻辑。 - model stack(模型栈):按能力/价格分层配置多个模型、而非依赖单一模型的组织方式。 ## 金句 > "Workhorse models called tools like Opus, but they don't ship like Opus." → 会调用工具不等于交付质量相同,基准分的小差距背后是长时程任务上的真实能力鸿沟。 > "Don't pick a model, pick a model stack." → 本片最凝练的一句话,是全文所有分层建议的落脚点。 ## 价值定位 适合已经在用 Claude Code 或类似工具搭建工程/产品 agent、需要决定"什么任务该配什么模型"的实践者。视频不做具体跑分讲解,而是给出一套可复用的分层决策框架(三层tier + 性能/速度/成本三角 + 工程agent与产品agent分野),认知增量明确;但视频未提供可复现的量化实验数据,具体数字(如"5倍""5-10分")需自行用 artificial analysis 等基准站核对再套用到自己的场景。 ## 自检问题 1. 为什么作者说"GLM-5.2 很快"这个印象是有陷阱的? **答案**:GLM-5.2 的 token/s 确实高,但其中绝大多数是内部推理 token,真正决定用户体验的是总响应时间(wall time)而非纯 token 生成速度,这一点在 reasoning token 占比数据上体现明显。见详解2。[05:28](https://youtu.be/cFYdiynrxpQ?t=328) 2. 工程 agent 和产品 agent 的模型选型准则有何本质区别? **答案**:工程 agent 可以承受更宽松的 token 预算,准则是"能负担最好的算力就用最好的";产品 agent 因面向大规模用户,tokenomics 直接决定业务是否可持续,准则是路由到"刚好够用的最便宜模型"。见详解5。[13:43](https://youtu.be/cFYdiynrxpQ?t=823) 3. 作者为什么认为"三个模型跑在别人机房里"是个结构性风险,而不只是杞人忧天? **答案**:因为闭源模型随时可能被关停或限制访问(如此前 Fable 模型的经历),只有真正拥有权重的开源模型才谈得上端到端的"拥有"而非"租用",这直接关系到工程/产品 agent 能否长期稳定运行。见详解6。[15:00](https://youtu.be/cFYdiynrxpQ?t=900) 4. 现阶段在本地(个人硬件)跑起 GLM-5.2 级别的模型现实吗? **答案**:不现实。预算 2000-4000 美元只能跑极慢的低比特量化;实用的 4-bit 量化需要 5-10 万美元级硬件;作者预估要到 2027 年中才可能从容在个人硬件上跑起 GLM 级别的模型,现阶段更现实的是租 GPU 或用托管 API。见详解7。[16:51](https://youtu.be/cFYdiynrxpQ?t=1011) 5. "别选单一模型,选一套模型栈"具体指什么? **答案**:按能力和价格把模型分成 S+/S/A/B 等档,为不同工作(最难工程活、日常产品负载、私有本地场景)配置不同档位的模型组合,而不是依赖单一模型或厂商,这样某个模型/平台出问题时整体产出不会归零。见详解8。[20:11](https://youtu.be/cFYdiynrxpQ?t=1211) > [!quote] 💬 热门评论 top-16 主 + 4 回(抓取 2026-07-07) > > [3] **@ryanjdev87**:赶紧的，Hugging Face 就是下一个被禁的目标。 👍 5 >   ↪ **@ibrahimjomaa8867**:如果真那样，会开创一个很多国家都不喜欢的先例。 >   ↪ **@milutinke**:不过还有 Model Scope 呢。 > [5] **@TechnologyEvolutionAI**:GMKtech 128GB 统一版 EVOX2 跑着 qwen 3.6 加上几个小模型（bonsai、gemma、mistral 等），用于第二大脑活动和一些研究综合。不太适合工具调用和编码工作流，但有它的位置。其实我觉得 Nvidia GB300 工作站才是跑 750b+ 模型的合适设备，配合 exo 和其他本地设备。turboquant 也很有意思，如果你能做个本地 AI 大师课视频，展示小模型在什么情况下适合你的工作流，那就太好了。一如既往，视频很棒。 👍 2 > [6] **@iliyasiliev9103**:有人试过用 GLM 5.2 或 MiniMax M3 做规划，然后用 DeepSeek V4 Pro 执行，再用之前的模型审查结果并修正吗？ > [7] **@chrisdonnell2575**:好视频。我个人更喜欢 GPT 5.5 而不是 Opus，尤其是 5.5 Pro 扩展思考在 C++ 编码和规划上远好于 Opus 4.8。是啊，得花那么多钱才能有个不太烂的模型，真烦。我也在用 GLM 5.2 做更多事。还有，好像没人提，Grok 到年底排名会飙升，他们要是没认真搞 AI 就不会买 Cursor。 👍 4 >   ↪ **@cmb24k**:我用它们是因为它们用的数据很丰富，在讨论中能和其他模型形成很好的对比。 👍 1 > [8] **@TheLumberjackSplits**:我刚订阅了 MiniMax M3，价格一半，但在我做的事情上和 Opus 一样好。一旦开源模型达到 4.8 的水平，Anthropic 和 OpenAI 就完了。 👍 1 > [12] **@myronkoch**:那些 gemma QAT 模型让我惊讶于它们的能力。在我的轻量级堆栈里，有一个 pi 专门用它做简单工具调用。 > [13] **@jkyamog**:确实，我在家能跑 GLM-5.2 Q4 和 Minimax M3 Q6，也跑 Qwen 35b 和 27b。主要因为我硬件固定，GLM 很好但慢很多，M3 现在是我主要的大语言模型。我的本地堆栈是 M3、Qwen 27b 和 Qwen 35b，运行专门的智能体：规划者、审查者、工作者和侦察者。 > ——其他 9 条:感谢/夸赞([1]@Barry-c7l、[2]@zerocodeventures、[4]@mattmiller4978、[9]@RobooHood、[10]@monyuancai3637、[11]@calebbornman、[14]@slackstation、[15]@josephvictory9536、[16]@maxi_lvn) >
英文原文[1] @Barry-c7l:Nice! Would love to see you talk about Deepseek, Kimi and Mimo as well 👍 4
[2] @zerocodeventures:Time to double down on offline Ai or and opensource im so done with antropic 😂 👍 1
[3] @ryanjdev87:id hurry up, hugging face is next on the ban hammer 👍 5
  ↪ @ibrahimjomaa8867:If that happens, that's gonna set a precedent that many countries will not like
  ↪ @milutinke:There is Model Scope though.
[4] @mattmiller4978:Happy Monday. Just like clockwork 👍 2
[5] @TechnologyEvolutionAI:GMKtech 128gb unified EVOX2 running qwen 3.6 plus a few others small models (bonsai, gemma, mistral, etc) for second brain activity and some research and synthesizing. Not super for tool calling and coding workflows but has it's place. Really the Nvida GB300 workstation is what I'm thinking is the right equipment for running the 750b+ models, exo with other local equip. turboquant is also interesting, would be good if you did a local ai masterclass type video to showcase where/when the smaller models fit into your harness / workflows. As always, incredible video. 👍 2
[6] @iliyasiliev9103:Has anyone tried using GLM 5.2 or MiniMax M3 to plan it out and then DeepSeek V4 Pro to execute and the reuse the previous models to review the results and correct where needed?
[7] @chrisdonnell2575:Great video. I personally prefer GPT 5.5 over Opus and especially 5.5 Pro extended thinking is far better than Opus 4.8 for C++ coding and planning. Yeah it sucks we have to drop so much $$ to have a model that doesn't totally suck. I too have been doing a lot more with GLM 5.2. I also think and nobody seems to talk about it Grok will explode up in rank by end of the year, they wouldn't have bought Cursor if they weren't serious about AI. 👍 4
  ↪ @cmb24k:I use them because the data they use is so rich and a good contrast with other models during deliberations. 👍 1
[8] @TheLumberjackSplits:I just subscribed to MiniMax M3 for half the price and it’s just as good as Opus for what I’m doing. The moment open models get as good as 4.8, it’s game over for Anthropic and OpenAi. 👍 1
[9] @RobooHood:Glad to see confirmation. 👍 👍 1
[10] @monyuancai3637:Awesome stuff from Dan on monday, like always!! Currently in China on vacation, and decided to experiment with deepseek and GLM 5.2 + pi while I'm here, and you dropped this banger. Couldn't have asked for a more opportune time, stay focused aan keep building! 👍 2
[11] @calebbornman:Would love to hear your thoughts on the new Ornith 1.0. I’m just trying it out now. I get the feeling that we there is so much more improvement to go on the harnesses
[12] @myronkoch:Those gemma QAT models have surprised me at what they can do. in my lightweight stack, I have one pi doing just easy-tooling with it.
[13] @jkyamog:This is true, I can ran at home GLM-5.2 Q4 vs Minimax M3 Q6, also run Qwen 35b and 27b. Mainly because I have a fixed hardware, GLM is great but a lot slower, M3 is now my go to large LLM. My local stack is M3, Qwen 27b and Qwen 35b and it runs specialized agents: planer and reviewer, worker and scout.
[14] @slackstation:Have you tried looking at the closed fast models? GPT 5.5-Instant and GPT-5.3-Codex-Spark? Also, 5.6 will have a high speed mode as well.
[15] @josephvictory9536:Dan your model stack rating exactly matches my experience. My stack is opus -> gemini 3.5 flash -> deepseek v4 flash 👍 2
  ↪ @Drumaier:Makes perfect sense 👌
[16] @maxi_lvn:how about gpt 5.5? 👍 9