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
- 用 LLM 研究 4 小时创业点子，产出的却是一套 nonsense 产品论 — annetgriffin · 2026-10-27
- 开发者吐槽 Claude 烧 token：同样工作 GPT 省 3 倍用量更便宜 — haider1 · 2026-10-27
- 非刷榜评测中 MiniMax 表现比肩 Claude 4.5,引发社区关注 — teortaxesTex · 2026-10-27
- 实测算账：GPT-6.1 Terra 半价却更费 token，反而比 Sol 更贵 — lordpuddingcup · 2026-10-27
- 爆料称 Fable 5.5 大概率本周内发布 — kimmonismus · 2026-10-27
- GPT 6.1 Terra 对比 Sonnet 5.5：速度性价比与智能能力之争 — teortaxesTex · 2026-10-27