正面硬剛Claude Opus 4.6：我們給GLM-5.1使了三個“絆子”，它居然…

智東西
作者 陳駿達(dá)
編輯 漠影

智東西4月8日報道，今天，智譜正式開源其最強模型GLM-5.1，這一模型在專業(yè)軟件開發(fā)基準(zhǔn)測試SWE-Bench Pro中，GLM-5.1刷新全球最佳成績，得分達(dá)到58.4，超過了GPT-5.4、Claude Opus 4.6等已經(jīng)正式發(fā)布的閉源模型，和MiniMax M2.7、Kimi K2.5等開源模型。

GLM-5.1并非只能跑跑簡單的Vibe Coding小案例，它專門面向長程任務(wù)設(shè)計，能持續(xù)地自主規(guī)劃、執(zhí)行并迭代，最終交付完整的工程結(jié)果。

兩個官方演示，直接把“長程任務(wù)”的能力具象化了：

在向量數(shù)據(jù)庫的調(diào)優(yōu)任務(wù)中，GLM-5.1沒有人類手把手教，自己跑了655輪迭代——測試、分析、改代碼、再測試……最終把性能硬生生提升至3.6倍。

它還靠著一張架構(gòu)草圖，連續(xù)自主工作了超過8小時，執(zhí)行了1200多個步驟，最終輸出了一套功能完備的Linux桌面系統(tǒng)。官方測算，這相當(dāng)于一個4人小團隊連軸轉(zhuǎn)一周的工作量。

這個“8小時不間斷工作”的紀(jì)錄，讓它成為了全球首個在真實工程任務(wù)中驗證這一能力的開源模型。

這意味著，那些過去只屬于人類團隊的復(fù)雜、長周期工程級任務(wù)，現(xiàn)在對逐漸AI也敞開了大門。

一、海外網(wǎng)友火速體驗：體感接近Opus 4.6，成本暴砍至1/30

GLM-5.1一經(jīng)發(fā)布，就吸引了海量關(guān)注，其推文的閱讀量在12小時內(nèi)就沖破了200萬次，目前已經(jīng)飆到227萬次了。

不少體驗過GLM-5.1的網(wǎng)友紛紛發(fā)帖評價，在這些帖子中，有一個關(guān)鍵信息被反復(fù)提及：GLM-5.1的使用體感，已經(jīng)接近Claude Opus 4.6。

AI開發(fā)者toli拿GLM-5.1和Opus 4.6跑了113個編程任務(wù)，發(fā)現(xiàn)GLM-5.1的體感就和Opus一樣。同時，智譜的Coding Plan提供了Claude Code訂閱三倍的用量，價格只有后者的1/3。Toli認(rèn)為，GLM-5.1是絕對的殺手級產(chǎn)品。

另一位開發(fā)者Beau Johnson分享，他已經(jīng)將自己部署的OpenClaw背后的模型，從Opus 4.6替換為GLM-5.1，作為協(xié)調(diào)和執(zhí)行Agent。這一切換沒有帶來任何體驗上的差別，而成本卻從1000美元暴砍至30美元左右。

軟件定制公司Zenoware的創(chuàng)始人JP分享了他用GLM-5.1 one-shot做出來的10個案例，JP認(rèn)為這是最接近Claude Opus 4.6的中國模型，給Opus 4.6帶來了嚴(yán)重威脅。以下是JP部分案例的集錦：

口碑之外，GLM-5.1在多項基準(zhǔn)測試中的表現(xiàn)，同樣值得仔細(xì)拆解。

在編程能力這一維度，有三個基準(zhǔn)測試的成績較有參考性，包括衡量模型專業(yè)軟件開發(fā)工作的SWE-Bench Pro、操作命令行解決問題的Terminal-Bench 2.0、從零構(gòu)建完整代碼倉庫的NL2Repo。在這三個基準(zhǔn)測試中，GLM-5.1的得分已經(jīng)拍到全球第三、國產(chǎn)第一、開源第一。

而在考察模型設(shè)計能力的Design Arena上，GLM 5.1排名第四，同時多款GLM模型也包攬了這一榜單上的前四名，這個表現(xiàn)，基本可以和Opus 4.6還有Sonnet 4.6一塊兒坐主桌了。

而在文本能力維度，Text Arena上GLM-5.1被評為排名第一的開源模型。

二、真刀真槍一手實測：連續(xù)接受十幾條需求變更，還扛住了拔網(wǎng)線和復(fù)雜遺留代碼

榜單好看，用戶也叫好，但真正的考驗還是在實際使用里。這次，智譜格外強調(diào)“長程任務(wù)（Long-Horizon Tasks）”，確實精準(zhǔn)判斷了當(dāng)前大模型在工業(yè)界落地的痛點。

在真實的軟件工程或復(fù)雜業(yè)務(wù)場景中，幾乎沒有任何有價值的問題是可以通過“一問一答”或“單次生成”解決的。只有真正具備了自主試錯和策略演進(jìn)的能力，模型才能像中高級工程師一樣去“啃”硬骨頭，而不是只寫個初版就罷工。

這已經(jīng)幾乎成為了行業(yè)共識。無論是GLM-5.1、Claude Opus 4.6還是GPT-5.4，各家都在將長程能力作為核心賣點。

原因是，對于真正要拿AI干活、提效的企業(yè)而言，分?jǐn)?shù)、正確率、排行榜都只是參考，他們關(guān)心的是模型能否在拿到一個任務(wù)后無需人工干預(yù)，自動診斷并修復(fù)問題，能否用8小時替代一個初級工程師一周的重復(fù)勞動，這些，才是可見的真實生產(chǎn)力。

那么，GLM-5.1到底能不能打？它真的能成為Opus 4.6的國產(chǎn)平替嗎？我們拿GLM-5.1和Opus 4.6跑了兩個完整工程任務(wù)，燒掉幾百萬token，看看它們的真實表現(xiàn)到底如何。

1、從零搭建待辦看板，前后端+數(shù)據(jù)庫全閉環(huán)

Prompt： 在一個空目錄下，從零搭建一個完整的“待辦事項看板”前端+后端，使用FastAPI+React，連接PostgresSQL數(shù)據(jù)庫，實現(xiàn)增刪改查。

拿到這一任務(wù)后，GLM-5.1和Opus 4.6都進(jìn)行了初步的項目規(guī)劃，拆解提示詞中的要求，然后再開始開發(fā)。值得一提的是，我們用于測試的電腦環(huán)境相對老舊，還缺失部分依賴。率先進(jìn)行開發(fā)的GLM-5.1馬上定位了這些問題，直接“動手”幫我們裝好了。

其實，GLM-5.1和Opus 4.6一開始給出的結(jié)果都有點簡陋。于是我們向兩個模型發(fā)送了十幾條修改意見，包括要打造完整的導(dǎo)航菜單、配備全局搜索框+通知系統(tǒng)+用戶頭像、三級分組菜單等等。

GLM-5.1并沒有被這一連串的“干擾”打斷自己的開發(fā)節(jié)奏，在多輪需求變更后仍然可以成功交付。最終它打造的任務(wù)看板功能完整度較高，交互體驗流暢，前后端數(shù)據(jù)也是聯(lián)動的——新增的項目的確能在數(shù)據(jù)庫中找到。

此外，網(wǎng)頁的UI細(xì)節(jié)也很到位，字體大小層級分明，光標(biāo)懸停在卡片上時有微動效，還通過顏色區(qū)分了任務(wù)的優(yōu)先級。

再來看看Opus 4.6的表現(xiàn)。在基礎(chǔ)功能上，Opus 4.6同樣實現(xiàn)了基于數(shù)據(jù)庫的增刪改查核心功能，不過網(wǎng)頁的色彩選擇和UI設(shè)計有些單調(diào)。

這一表現(xiàn)源于智譜在訓(xùn)練策略上的創(chuàng)新：通過顯著擴展任務(wù)過程的訓(xùn)練窗口，采用多輪監(jiān)督微調(diào)（multi-turn SFT）與強化學(xué)習(xí)（RL）結(jié)合的訓(xùn)練范式，GLM-5.1得以在完整的任務(wù)流程中學(xué)習(xí)，從“接受任務(wù)→規(guī)劃→執(zhí)行→調(diào)整→交付”的全過程都被納入學(xué)習(xí)信號。因此，它不會因新指令的影響，丟掉原本的目標(biāo)與方向。

2、網(wǎng)絡(luò)中斷+遺留代碼+中文亂碼：GLM-5.1如何自救？

Prompt： 搭建一個簡易的電商后臺，需要實現(xiàn)商品管理、訂單流程和支付對接。

當(dāng)AI模型進(jìn)入企業(yè)，面臨的往往是更多復(fù)雜的不確定性，比如模糊的目標(biāo)，混亂的項目結(jié)構(gòu)等等。在這些因素的干擾下，GLM-5.1還能穩(wěn)定交付嗎？

GLM-5.1的新任務(wù)，是搭建一個簡易的電商后臺，發(fā)送指令后，我們刻意使了點壞，在GLM-5.1快寫完項目的時候把網(wǎng)給掐了，并關(guān)閉了現(xiàn)有的上下文窗口。重啟Claude Code之后，再讓它根據(jù)之前的項目文件繼續(xù)開發(fā)。

GLM-5.1沒有被這一小插曲影響。在告訴它原項目的地址后，GLM-5.1花了3分鐘梳理了這個項目的后端部分，然后開始補齊前端缺失的代碼。

理解遺留代碼是開發(fā)的前提，理解程度直接影響著后續(xù)的開發(fā)質(zhì)量。在GLM-5.1輸出的前端設(shè)計框架中，可以看到它對原本的后端代碼分析十分到位，不僅準(zhǔn)確識別了Express 5+SQLite的技術(shù)棧，還敏銳地發(fā)現(xiàn)了后端缺少全局支付列表接口這一設(shè)計缺陷，并據(jù)此提出了“訂單列表+展開行加載支付記錄”的解決方案。

這得益于GLM-5.1更好的狀態(tài)延續(xù)與上下文整合。面對長時間跨度和大量上下文信息，GLM-5.1能穩(wěn)定地追蹤已完成的內(nèi)容、當(dāng)前所處階段和下一步關(guān)鍵動作，持續(xù)整合新信息，保持執(zhí)行鏈路的一致性。

在即將完成開發(fā)時，GLM-5.1在我們沒有要求的情況下，主動檢查了后端的API路徑，并發(fā)現(xiàn)并逐一修復(fù)了5個問題。這種“實驗→分析→優(yōu)化”的閉環(huán)，正是GLM-5.1能在長任務(wù)中始終保持方向不偏、質(zhì)量統(tǒng)一、無需人工頻繁糾偏的重要原因。

最終，GLM-5.1交付了這一電商后臺項目，核心功能運轉(zhuǎn)正常，還將后臺數(shù)據(jù)進(jìn)行了可視化。不過，我們刻意人為動手修改了中文字符的編碼，讓這一電商后臺的中文字符顯示為小方塊。

為排查這一問題，GLM-5.1進(jìn)行了29次工具調(diào)用，主要都是閱讀文件，多工具協(xié)同效果穩(wěn)定。最后，它發(fā)現(xiàn)數(shù)據(jù)庫中多處中文字段都是亂碼（GBK編碼被錯誤當(dāng)UTF-8存入），于是很快進(jìn)行了修復(fù)。可以說，GLM-5.1在多輪工具調(diào)用和長上下文場景中，表現(xiàn)出工程師般的自主診斷和修復(fù)能力。

經(jīng)歷這兩個小插曲，GLM-5.1用大概45分鐘的時間完成了整個項目的開發(fā)，修復(fù)后的結(jié)果如下。

它交付了整整兩個文件夾的成果，算上代碼、組件庫等等，有數(shù)百個文件，大小也來到了40多兆。

拿到同樣任務(wù)的Opus 4.6，交付的結(jié)果如下：

從結(jié)果上來看，即便是我們?nèi)藶榻oGLM-5.1上強度，它交付的結(jié)果也和Opus 4.6的結(jié)果保持在相似的水平線上。在保持原有功能、優(yōu)化代碼結(jié)構(gòu)等多重任務(wù)中，GLM-5.1仍然完成了高質(zhì)量的方案設(shè)計與執(zhí)行，充分驗證了其在復(fù)雜開發(fā)和維護任務(wù)中的工程化能力。

結(jié)語：開源模型長程任務(wù)能力突破：從“回答問題”到“交付項目”

頂尖開源模型，正極大地拉近與閉源模型的差距。長程任務(wù)是Claude引以為傲的能力之一，模型不僅要會寫代碼，還要像人一樣在數(shù)小時內(nèi)保持目標(biāo)感、處理意外、自我糾偏、并堅持到最后一刻。

過去，這一直是閉源模型的護城河，也是開源模型難以逾越的分水嶺。

智譜稱，GLM-5.1是全球第一個在真實工程任務(wù)中驗證了8小時持續(xù)工作能力的開源模型。同時，我們的實測也顯示，GLM-5.1不是靠“更長的上下文窗口”去死記硬背，而是真正學(xué)會了“規(guī)劃→執(zhí)行→檢查→修復(fù)→交付”的完整工作流。

大模型正在從“回答問題”走向“交付項目”。在這一方向上，GLM-5.1已具備了在真實、混亂、長周期的工程環(huán)境中，獨立承擔(dān)任務(wù)的底氣。