GLM 5.2 登上 ProgramBench 第三，但平均分可能误导
jyangballin · x · 2026-07-23
在最新的 ProgramBench 榜单更新里，GLM 5.2 作为首个被评估的开源权重模型，拿到了 3rd place。围绕这个结果，讨论重点其实是“怎么评测更靠谱”。
帖子强调：只看平均通过率会掩盖问题，尤其是一些样本虽然“差不多解出来了”，但实际上还没真正解决。与其盯着一个总分，不如同时看 almost resolved 和 fully resolved 的数量，因为少数顽固失败往往能暴露模型的真实短板。
所属事件:GLM-5.2 登上 ProgramBench 榜单第三名(3 条相关)→
「模型」频道最新
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11
- 用户呼声下 DeepSeek V4 Pro API 宣布继续服务,计费不变 — teortaxesTex · 2026-09-11
- 第三方实测:DeepSeek V4.1 Flash 达 GPT-6 Astra 98% 分,成本仅 1.4% — ayushtweetshere · 2026-09-11
- TheZhi 发起调查:Fable 5.1 与 Astra 发布后,编码模型选择变了吗 — TheZvi · 2026-09-11
- antirez 谈 Anthropic 禁止未成年人使用 Claude — antirez · 2026-09-11