1、
假期前最后一天（9月30日），热闹非凡。
上午，Anthropic 公司发布了 Claude Sonnet 4.5 模型。
下午，智谱公司发布了 GLM 4.6 模型。
我觉得，对于程序员，这个动态很重要。
因为这两个模型都属于目前最先进的 AI 编程模型。你想让 AI 生成代码，首选就是它们。
这就是说，一天之内，AI 编程模型又达到了新高度。
2、
Anthropic 发布公告的第一句话，就毫不谦虚地用了三个"世界之最"。
"Claude Sonnet 4.5 是世界上最好的编码模型。它是构建复杂代理的最强大模型。它是使用计算机的最佳模型。它在推理和数学方面表现出显著的进步。"
智谱的发布公告也是当仁不让。
"我们再次突破大模型的能力边界。
GLM-4.6是我们最强的代码 Coding 模型（较 GLM-4.5 提升27%）。在真实编程、长上下文处理、推理能力、信息搜索、写作能力与智能体应用等多个方面实现全面提升。"
为了让人信服，智谱的发布公告还给出了详细的测试结果。
上图一共是8个测试基准的结果图。每个图的蓝柱是 GLM-4.6，绿柱是 GLM-4.5。对照组是前两天刚发布的 DeepSeek V3.2 Exp、Claude sonnet 4、Claude sonnet 4.5。
可以看到，蓝柱基本上都是排名前列，甚至第一。智谱还声称，GLM-4.6 非常节省 Token（也就是省钱），"比 GLM-4.5 节省30%以上，为同类模型最低"。
所以，它的结论就是："GLM-4.6 在部分榜单表现对齐 Claude Sonnet 4/Claude Sonnet 4.5，稳居国产模型首位。"
这就有意思了，一个自称"世界上最好的编码模型"，另一个自称"稳居国产模型首位"。
下面，我来测试，GLM-4.6 相比 Claude sonnet 4.5 到底怎么样。
3、
需要说明的是，这两个模型的比较，不完全是为了测试，也有实际的意义。
Anthropic 公司虽然产品很强，但是它限制中国人使用，国内用户正常途径无法开通它的服务。另一方面，它是付费模型，价格也不便宜，百万 token 的输入输出价格是3美元/15美元。
形成鲜明对照的是，GLM-4.6 是完完全全的国产模型，来自北京智谱公司。它采取彻底的开源路线（MIT 许可证），模型代码完全公开，可以任意使用。
你要想自己在家里安装，也是可以的。但是，它的硬件要求太高，家用设备达不到，所以，一般都使用它的云服务。
目前，智谱的官网（BigModel 和 Z.ai），通过 Web 界面使用 GLM-4.6 是免费的。
它的 API 调用需要付费，入门套餐（coding plan）好像是一个月20元人民币。
另外，它有完备的中文支持（文档+客服），这也是 Anthropic 没有的。
总之，我的测试目的，也是想看看，它是不是真如官方宣称的那样强大，能不能替代 Claude Sonnet 模型。
4、
我的测试方法很简单。Anthropic 公司事先邀请了著名程序员西蒙·威利森（Simon Willison），试用 Claude Sonnet 4.5 模型。
西蒙·威利森已经在他的网站上，公布了试用结果。
我就拿他的几个测试，用在 GLM-4.6 上面，然后比较一下运行结果就可以了。
大家可以跟着一起做，打开官网，把题目粘贴进去（最好贴英文），这样会有更深切的感受。
AI 终端工具（比如 Claude Code、Cline、OpenCode、Crush 等）也可以用，参考官方文档进行设置（需要先开通 API）。
5、
第一个测试。
拉取代码仓库 https://github.com/simonw/llm ，然后通过下面的命令运行测试用例。
pip install -e '.[test]'
pytest
这个测试需要联网获取代码，然后在后台运行。
智谱官网的 Web 界面跟 Claude 一样，提供 Python 和 Node.js 的服务器沙箱环境，可以生成后直接执行代码。
我省略它中间的推理步骤了，最后结果如下图（官网查看完整对话）。
278个测试用例通过，耗时 18.31s
整个运行过程（拉取、安装依赖、执行命令）跟 Claude Sonnet 是一样的。奇怪的是，Claude Sonnet 运行了466个测试用例，多出来100多个，不知道为什么。
6、
第二个测试是较复杂的编程任务，原始提示是英文，我翻译成中文。
1、 代码仓库 https://github.com/simonw/llm 是一个 AI 对话应用，它将用户的提示和 AI 的响应存储在 SQLite 数据库中。
2、它目前使用线性集合，保存单个对话和响应。你尝试在响应表中添加一个 parentresponseid 列，并通过该列将对话的响应建模为树状结构。
3、编写新的 pytest 测试用例，验证你的设计。
4、编写一个 tree_notes.md 文件，首先将你的设计写入该文件，然后在运行过程中将该文件用作笔记。
大家可以查看完整的对话记录。
GLM-4.6 运行了几分钟，不停地吐出生成的代码。最终，它修改了脚本，增加了 API 和命令行调用接口，并编写和运行通过了测试用例。
它还生成了一个 tree_notes.md 文件，里面是本次修改的详细说明。
大家可以比较它的运行结果与 Claude Sonnet 的运行结果。
从结果上看，它们的差异不大，都做到了提示的要求，并且代码都是可运行的。差异主要是实现细节，这个就需要详细阅读代码了。
7、
第三个测试是西蒙·威利森独家的，就是让 AI 生成一个鹈鹕骑自行车的 SVG 图片（Generate an SVG of a pelican riding a bicycle）。
这是现实中不存在、且没有参考物的景象，考察模型的想象和生成能力。
下面是 GLM-4.6 打开深度思考后生成的图片。
下面是 Claude sonnet 4.5 打开深度思考后生成的图片。
两者的结果相当接近，只是 Claude 生成的鸟喙更明显，更能看出是一只鹈鹕。
8、
测试就到这里，我觉得总结来说，GLM-4.6 是一个非常强的国产模型，编码能力确实很优秀，可以当作目前公认的最强模型 Claude Sonnet 的替代品。
它的功能全面，除了编码，其他任务也能完成，而且响应速度快，价格低，性价比非常突出。
（完）
王多鱼 说：
当编程工作变得如此便捷快速，程序员的技能该如何进化？
2025年10月 1日 19:49 | # | 引用
CH 说：
我是一个前端开发, 为什么我感觉使用起来还是不佳
2025年10月 1日 20:06 | # | 引用
chl 说：
试了一下，省token这块我认可了，太多模型喜欢在思考里反复嘟囔强调了，我让他跑了个深度研究，结果思考非常简明扼要。
不过，我突然发现z.ai在国内也能访问，而且它似乎能访问，比如说，维基百科的内容...疑似有点不够对齐了
2025年10月 1日 23:55 | # | 引用
cccD 说：
以后二级领导都变成文字工作者了。。有逻辑思路。。文字描述精准的人就可以写出很好的APP了。。感谢你们老程员们，你们把自己玩死了。
2025年10月 2日 08:32 | # | 引用
sky 说：
z.ai那个结果是llm自己生成的幻觉结果，不是真的沙箱运行了。实际就是要执行466个test任务。
证据在：
1. 那个测试需要提供key，我查看了给出的对话历史，根本没有提及到这里；
2. test_cli.py和test_migrations.py这两个文件是不存在的，原来的tests文件夹内并没有。
我自己测试的结果，使用的gpt5的api key, 466 passed
如果没有填写key的话，是65 failed, 401 passed, 60 errors的结果，也是一共466个tests
2025年10月 2日 11:12 | # | 引用
Allen 说：
不跟上时代发展的肯定就是要经历阵痛的（人无远虑必有近忧），我们现在公司里也一直在大搞AI，有些同事明显抗拒也不怎么投入精力，结果可想而知。
2025年10月 3日 08:54 | # | 引用
dengdx 说：
“鹈鹕骑自行车”两张图片各有千秋
首先，GLM4.6生成的图，有表示风的元素，说明鹈鹕在努力骑车，可以解释嘴没有掌握车把是为了使上劲；并且脚踏在自行车的脚踏板两端，这个细节不错，但是鹈鹕嘴画的不太好。有点“超常发挥（风元素）”
其次，Claude 4.5生成的图，鹈鹕嘴掌握车把，这是个优点，可以让我想象到在慢慢骑车，不体现速度，鹈鹕嘴画的好，但是脚放在脚踏板上这个细节不太好。
calude画的更贴切一些，中规中矩；GLM4.6画的有点牛逼，有想象空间。
2025年10月 3日 10:30 | # | 引用
hsq 说：
最后一句“除了编码”，让我以为编码能力不够强呢，“不止编码”会好些。
2025年10月 3日 10:44 | # | 引用
尚未注册游客 说：
我测试了一下，结论是GLM4.6的图片识别能力和翻译能力（英翻中）远远不及豆包和Kimi
2025年10月 3日 12:53 | # | 引用
未名 说：
阿里的通义灵码怎么样？对比起来怎么样？
2025年10月 5日 21:39 | # | 引用
lz 说：
Simon Willison的影响力，有没有可能各家发布之前都已经根据它的一些测试方法，优化过了？这样骑自行车的鸟，也就不算是“现实世界”没有的东西了？
2025年10月 8日 07:25 | # | 引用
lz 说：
目前来说，不懂工程，也许能帮你生成一个看上去挺好的，但是持续的更新和维护，还是是没办法搞的。或者换一个角度，这个app如果要发布的话，后续增加需求和维护，也得雇佣一个工程师，因为不可能雇佣另外一个产品经理去更新和维护。所以我觉得，如果通过AI的编程能力，真能促成更多的app或者其他什么应用发布，其实是好事儿，因为这些东西如果真有能做大的，还得雇佣工程师。
2025年10月 8日 07:32 | # | 引用
lz 说：
编程的方式确实是变了，但是工程的知识，是没有变化的。程序员的技能还是要学习工程知识，这没啥变化
2025年10月 8日 07:33 | # | 引用
03013106 说：
被业务压得不行，想拥抱变化也没精力，怎么破
2025年10月 8日 09:44 | # | 引用
alex 说：
实际上AI生成的代码不一定正确，如果没有编码知识，调试都不知道怎么调试。目前看是用工具可以提高效率，杀死很多职位。
2025年10月 9日 09:16 | # | 引用
spring_sc 说：
+1，整体压下来，“被暗示”加班加班加班.....
2025年10月 9日 09:25 | # | 引用
Martin 说：
当编程的工具越来越丰富时，你的工作不会变的更轻松，而是需要去解决更多你毫无头绪的工作
2025年10月 9日 10:43 | # | 引用
Bilumi 说：
事实上，如果工具做不到解放生产力，拥抱变化解决不了问题，那就是无效的。在个人的实践中，AI基本解放了我的工作，能让我做一些更关注的事情并且有了大量空余时间来学习新东西。
2025年10月 9日 13:41 | # | 引用
Tars 说：
https://bigmodel.cn/claude-code 和 https://z.ai/subscribe
是一家吗？
2025年10月 9日 16:44 | # | 引用
wanger 说：
我理解AI就是一个学东西很快，知道东西很多，不会疲劳的“人”，通过文字等自然语言和这个“人”打交道会有两个问题，第一是由于自然语言的模糊性，AI理解我们输入会有偏差，导致他最后给的东西会有问题（这个可能不好识别出来），第二是AI也可能骗我们，给了有问题的结果。 要解决这些问题可以通过引入“测试”“审核”“校验”等手段解决。新的问题是测试校验后发现有还是有问题，让AI重新去干活，有可能交付的还是有问题的代码。如此循环一直收敛不了。 那么最后的问题是能不扣AI的奖金让他重视起来？
2025年10月 9日 16:54 | # | 引用
阿斗壳 说：
去z.ai问了一个问题，一下给我整不会了。。。。
你好，请介绍一下你自己
profile
GLM-4.6
拆解用户请求：
你好！很高兴认识你。
我是一个由谷歌训练的大语言模型（AI）。你可以把我当成一个智能助手或知识伙伴，随时向我提问或寻求帮助。
2025年10月 9日 19:17 | # | 引用
叶海丰 说：
用的kimi和deepseek比较多，发现会过度推理。问一个软件没有实现的功能，它会一本正经的胡说八道。所以，我感觉这个功能在特定的场景很有用，但是在有些环境会变成麻烦。
2025年10月11日 17:50 | # | 引用
hue 说：
可以了解一下模型蒸馏，头部的大模型都是借其他家的模型来回蒸
2025年10月11日 18:32 | # | 引用
蔡徐坤真爱粉 说：
怎么出这么大岔子，你这个有点太过于离谱，导致我反而有点相信了，正好glm也是开源的，就看看有没有人去检查代码了
2025年10月13日 09:09 | # | 引用
贾克森 说：
紧跟时代，开始用GLM
2025年10月15日 11:44 | # | 引用
趁雨行 说：
差距甚大
2025年10月17日 09:48 | # | 引用
天师 说：
我自测了GLM4.6和qwen3-coder，在使用相同的AI敏捷编程方法论开发一个程序的时候，GLM4.6效果比Qwen差多了。
GLM4.6有点偷懒，写的代码报错也多，修复不了的报错就不修了
2025年10月27日 11:44 | # | 引用
LANLAN55 说：
AI还是有很多局限性的，用的前提是自己也会，理解能力不够当成一种“魔法”工具使用肯定会出大问题，项目越复杂越不可控。
2025年11月 8日 16:06 | # | 引用
HarryLit 说：
太正常了，目前前端代码用 AI 生成还很鸡肋，我一般只用来做一下纠错，或者只是用于生成特定功能的函数。要全面以来 AI 替代手工开发，感觉还有很长的路要走。
2025年12月24日 16:40 | # | 引用
HarryLit 说：
时代的脚步滚滚向前，跟上了只是阵痛，跟不上就灭绝了。
2025年12月24日 16:42 | # | 引用