用户实测GLM-5.2表现不佳，直言不如Claude和GPT

背景

在当前的 AI 开发工作流中，开发者正尝试将大型语言模型（LLM）驱动的 Agent（智能体）深度集成到真实的工程项目中，而不仅仅局限于代码生成或单元测试等孤立场景。近期，关于模型在实际生产环境表现的评价出现了显著分歧。LINUX DO 社区的一则讨论揭示了这一矛盾：尽管某些模型在基准测试或简单任务中表现优异，但在复杂的真实世界项目落地时却遭遇挫折。该讨论聚焦于智谱 AI 的 GLM-5.2 模型，通过实际部署案例质疑其高评价的真实性，并对比了当前被视为 SOTA（State of the Art，最先进）的其他模型表现。

核心内容

该讨论由一位资深开发者发起，核心观点围绕“模型在真实工作流中的可靠性”展开。作者详细描述了其对 GLM-5.2 模型的测试过程与结果：

1. 测试过程与失败案例：作者尝试将 GLM-5.2 集成到多种开发环境和工具链中，包括 opencode、pi 以及公司内部最简单的基础任务。尽管给予了五次重试机会，该模型依然无法完成任务，频繁出现错误。作者甚至尝试将其放入 cc（推测为某种代码审查或协作环境）中，结果依然失败，最终得出结论：该模型在当前阶段无法满足其工作流需求。

2. 对社区高评价的质疑：作者对网络上对 GLM-5.2 的高评价表示不解。他推测，这种高评价可能源于大多数用户并未将该模型应用于真实的、复杂的项目开发中，而是仅用于测试、基准跑分或编写简单的示例代码。这种“实验室环境”下的表现与“生产环境”下的表现存在巨大落差。

3. 自身实践与 SOTA 模型对比：作者强调，其团队已经将 Agent 技术深度融入真实的工作流中，实践程度被认为“超前”。在这种高标准的应用场景下，GLM-5.2 表现不佳。相比之下，作者认为目前只有少数模型能够胜任此类复杂任务，即所谓的 SOTA 模型，具体包括：

   • Claude Opus 4.8（Anthropic 旗下模型）
   • GPT 5.5（OpenAI 旗下模型）
   • Fable-5（作者提及该模型已“死亡”，可能指停止服务或不再维护，但仍承认其历史能力）

关键要点

• 真实场景 vs. 基准测试：模型在简单任务或测试集上的高分，并不等同于其在复杂、长链条的真实项目开发中的可用性。
• GLM-5.2 的实际表现：在 LINUX DO 用户的真实工作流测试中，GLM-5.2 多次尝试失败，无法稳定完成基础任务，被评价为“又快又蠢”（响应速度可能快，但智能程度或可靠性低）。
• Agent 集成的门槛：将 AI Agent 引入真实工作流对模型的稳定性、错误处理能力和上下文理解能力提出了极高要求，目前仅有极少数模型能满足。
• 当前 SOTA 模型阵营：作者认为，能够胜任复杂真实项目开发的模型仅限于 Claude Opus 4.8 和 GPT 5.5，Fable-5 虽已退出主流但仍被提及作为能力参照。
• 评价偏差：社区对某些模型的高评价可能存在幸存者偏差或测试环境偏差，缺乏大规模真实项目落地的验证数据。

意义与影响

这一讨论反映了 AI 应用从“玩具阶段”向“生产阶段”过渡时的关键痛点：鲁棒性（Robustness）与可靠性（Reliability）比单纯的智能或速度更重要。

1. 对开发者的启示：在选择 LLM 作为 Agent 后端时，不能仅依赖基准测试分数或社区热度，必须进行真实工作流的压力测试。简单的代码生成任务与复杂的工程维护任务之间存在巨大的能力鸿沟。
2. 对模型厂商的挑战：GLM-5.2 的案例表明，即使模型在特定领域或简单任务上表现优异，若无法适应复杂、容错率低的生产环境，其商业价值将大打折扣。厂商需要关注模型在长上下文、多步推理和错误恢复方面的表现。
3. 行业格局的固化：作者对 SOTA 模型的认定（Claude Opus 4.8, GPT 5.5）暗示了高端 AI 开发市场可能正在形成由少数几家头部厂商主导的格局，其他模型若不能在真实工作流中证明自己的稳定性，将难以进入核心开发流程。
4. 工作流演进：随着 Agent 技术的普及，AI 不再仅仅是辅助工具，而是成为工作流的一部分。这要求 AI 系统具备更高的自主纠错能力和对复杂业务逻辑的理解能力，推动了 AI 技术向更深层的工程化应用迈进。