來看看 GLM5.1 到底升級了什麼！
GLM-5.1 我是真有點看不透！
周五晚上發了一個更新公告，什麼細節都沒說，就幾個字。
沒有基準數據，沒有升級特性介紹，連張圖片都沒有。
是不是趕著放假隨便一發😄，然後讓我週末加班測試？
本來我真的不想測了，但它什麼都不說，我反而好奇。
是因為沒啥亮點所以不說，還是實力超群，不需要說？
過了一個小時，我刷 X，終於刷到了一點東西：
配圖是一個程式能力評測（Coding Evaluation）的對比圖，測評框架用的是 Claude Code as the harness（即以 Claude Code 作為測評工具 / harness）。
評測結果：
- 模型得分：
- Claude Opus 4.6：47.9
- GLM-5.1：45.3
- GLM-5：35.4
關鍵解讀：
- GLM-5.1 相比上一代 GLM-5 提升巨大（+9.9分，提升約 28%）
- GLM-5.1 以 45.3 分非常接近 Claude Opus 4.6 的 47.9 分，差距縮小到約 5%
- 智譜用這張圖的潛台詞是：GLM-5.1 編碼能力已經逼近頂級閉源模型
我的小助手說：
值得注意的是，這個 benchmark 是智譜自己發布的，且用的是 Claude Code 框架評測，有一定的宣傳性質，實際體驗還需結合你在 JCode 裡的實測數據來判斷。
它這記憶能力好強，居然時刻記得我開發了一個叫 JCode 的專案。
既然我小助手建議我要實際體驗一下才可以，那我就真的得測一測了。
先用我們的 CodingPlanTest 平台做一個簡單的智力測試。
題目是：
<div><div><div></div><span></span></div><div><div> <span>體驗AI程式助理</span></div><div> <span>程式解讀</span></div><div>複製程式碼</div></div></div><span>有 5 個人排成一排，每人帽子顏色為紅或藍。他們可以看到前面人的帽子，但看不到自己的。主持人宣布：「至少有一頂紅帽子。」從最後一人開始，每人依次說</span>
<span>「是」或「否」（表示是否知道自己帽子的顏色）。如果第 5 人說「否」，第 4 人說「是」，求所有可能的帽子顏色分布。</span>
結果如下：
GLM-5.1 第一次居然是錯的，後面測試裡兩次是正常的。
GLM-Turbo 錯了兩次，對了一次。
GLM-5 基本上不出錯，遇到一次網路錯誤。
這個測試的結果還是有很大的隨機性，整體感覺是 GLM-5.1 和 GLM-5 出錯機率較低，Turbo 答錯機率稍微高一些。Turbo 應該是在工程化與流程化上做了增強，而削弱了思考強度。
這個問題分不出 GLM-5.1 和 GLM-5 的差別。
既然如此，我們就上 JarvisBench 了。
我們的測試工具就是它圖中提到的 Harness — Claude Code。
簡單說一下這個測試。
這個測試基於一個正在開發中的專案，有 8000 行的上下文，需要修改資料結構、商業邏輯、以及多個頁面。
我提出的需求是：
<div><div><div></div><span>markdown</span></div><div><div> <span>體驗AI程式助理</span></div><div> <span>程式解讀</span></div><div>複製程式碼</div></div></div><span>目前群聊接力的時候可以選擇平台管理中的模型，也可以對這些模型預先配置系統提示詞和角色提示詞，這樣已經可以透過系統提示詞來個性化聊天了。但是透過平台設定裡面綁定角色比較有侷限性——這樣一個平台就只能是一個角色。</span>
<span></span>
<span>我希望換另外一種設定：<span>在角色裡選模型</span>，然後群聊開始的時候，我可以直接選平台，也可以直接選角色。角色的管理還是在系統設定的「角色管理」中進行。</span>
<span></span>
<span>為了實現上面的需求，角色功能需要升級：</span>
<span></span>
<span><span>-</span> 除了可以設定提示詞之外，還得能<span>選擇平台和模型</span></span>
<span><span>-</span> 另外還能<span>設定頭像</span></span>
<span><span>-</span> 如果設定了頭像，群聊的時候就顯示自訂頭像；如果沒有設定頭像，就用對應模型平台的 logo 作為頭像</span>
<span></span>
<span>我的需求大概是這樣。說說你對這個需求的理解，不急著寫程式碼</span>
它的理解是：
這一部分好像和 GLM-5 比較像，理解並提出問題的能力不是很強，提問整體比較含糊，沒有抓到很多重點，也沒有考慮隱藏考點。
這是他的計畫執行列表：
中間還是出了一些波折。
有些是開發過程的錯誤：
有些是呼叫介面的錯誤：
最終花費的時間是 30 分鐘左右。
最終的結果嘛，崩了！
儀表板預設數據都沒了！
所有其他功能全部 404：
這個表現驚掉下巴了。有失水準。
由於我實在無法接受這樣的結果，特地重新跑了一次。
重新跑了一次之後，功能基本正常：
只是預設頭像的邏輯還有一點問題，正常來說，如果我沒有設定頭像，它就應該像是平台的預設頭像。這一點沒有做到。
然後隔了一天，我重新執行了上一次失敗的例子。
沒想到都正常了……之前出錯可能是快取的問題。
其實第一個測試，做得更加完整。它就沒有頭像的問題。
完美實現了頭像的邏輯，上傳了就直接顯示上傳的頭像，沒有上傳過就用平台頭像替代。
然後，相比 GLM-5 的測試，最近 GLM-5.1 和 Turbo 在設計群聊介面都沒有出現大問題。當時 GLM-5 出現的問題是邏輯正常，但是 UI 顯示的名稱不對，應該顯示角色，卻顯示了平台。
再來看看建立群聊的介面：
GLM-5.1 和 Turbo 都保留了系統提示詞，這是一個進步。
編輯平台的介面：
GLM 的一次測試和 GLM-5.1 的兩次測試，全部沒有考慮刪除冗餘的問題。Turbo 第一次測試就考慮到了。
總的來說，最近這幾次的測試，好像都沒有什麼大問題了，就是有一點點小細節上的問題。
GLM-5.1 相比 GLM 到底升級了什麼，這個確實很難分辨。
我的直觀感受是，它們在詢問關鍵點的時候，還是一樣地含糊不清。但是在執行的時候，又還可以。
從我這幾次測試的例子來看，是有完善的。但是由於樣本有限，不能 100% 確定是升級的功勞。
Turbo 的話，解讀問題和規劃階段明顯更加完善，所以考慮到了隱藏考點，升級的時候，優化了冗餘的問題。雖然最後上傳頭像有一個小 bug，但整體問題不大。
我的建議是：
- 大部分問題，可以首選 Turbo，多快好省！
- 如果遇到智力上限的時候，可以考慮切換到 GLM-5.1！
大概就是這樣，要測小版本的細微差距非常困難。
相比其他國產模型在複雜開發中是要強很多的。
Turbo 的測試請看這篇：
GLM-5.1 的測試請看這篇：
測試平台的開源地址：
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
