我们迎来了一个新的开源第一模型，我最喜欢的实验室 ZAI 刚刚发布了 GLM-5.3。这绝对是一个庞然大物，在大多数情况下，它的表现甚至能与 Claude 和最佳的 GPT 模型相媲美。在这段视频中，我将通过一系列极具挑战性的提示词来测试它，让你了解它的能做什么以及不能做什么。此外，我们还将介绍其规格、性能参数以及使用场景。让我们直接进入正题。感谢 HubSpot 对本视频的支持，我们先从一些演示开始。
与大多数前沿模型一样，GLM-5.3 专为代理式编程和长周期任务而设计。你可以给它一个目标，它能通过多步推理自主调用工具，并持续运行数小时甚至数天直到达成目标。目前使用 GLM-5.3 的最佳方式是通过一个名为 ZCode 的代理框架或工具集。它类似于 Claude Code 或 OpenAI 的 Codex，ZAI 也发布了他们自己的工具集称为 ZCode。因此它适用于所有这些不同平台。界面看起来应该像这样，与 Codex 非常相似，你可以让代理同时在你的电脑上处理多个项目。
订阅账户后你应该能看到 GLM-5.3。让我们从一个非常棘手的任务开始：创建一个浏览器友好的 Windows 11 复刻版，包含 Microsoft Office、Microsoft Store 等常见应用程序。确保有我可以实际下载的应用程序：照片、文件资源管理器、媒体播放器、Discord、Slack 和 Spotify。确保这些程序真正可用，并确保它在普通网页浏览器中高效运行。我将思维层级设为最高并点击运行。
这实际上相当快，它思考了 22 分钟。首先构建核心组件如操作系统、程序化音乐系统、虚拟文件系统、Windows 管理器等等，然后编程基本应用程序如记事本、计算器、设置等。它还分配了不同的代理分别构建独立的应用程序：一个代理负责 Office 应用，另一个处理 Discord 和 Slack，再一个是资源管理器、照片绘制，还有一个负责商店应用。随后它尝试在浏览器中加载并验证一切是否正常运行，甚至截图测试，自行发现多个错误并自动修复。经过对各个应用的进一步调整后我们终于完成。
这是它的最终结果，让我们测试一下。这里是登录界面点击签到，这里是一个看起来不错的 Windows 复刻版直接运行在我的网页浏览器中。注意这里的图标并不完全正确，让我先摆弄一下设置开启夜间模式确实让整个界面变黄了这是正确的。降低亮度也有效，它几乎调暗了整个显示屏幕我们也可以点击设置这里包含各种选项就像真实的 Windows 界面一样。我们还可以像这样更改壁纸，并切换为深色模式再切回浅色模式退出。
首先玩弄一些 Microsoft Office 应用点击开始菜单可以看到它已经创建了一个示例文档打开后一切正常。尝试加粗文字有效，斜体也生效我可以更改字体和大小所有功能都正常运行这里点击保存退出后再打开文档可以看到我的更改确实已保存非常好。接下来调出这个虚拟电子表格看起来一切正常顶部的公式有效求和公式也起作用让我将其中一个值改为 300，可以看到这两个单元格的数值确实更新了。
让我们把这个数字设得更大一点比如 2000，然后保存再次退出并重新选择该工作表可以看到我的更改确实已保存。最后打开 PowerPoint 它给了我一个示例产品发布文件看起来像这样这相当基础我无法真正拖放文本框这里缺少许多 PowerPoint 功能这是我在使用 Opus-5 时遇到的类似缺陷，它在初次尝试中无法为 PowerPoint 提供额外的编辑选项。
接下来打开应用商店下载时钟、天气等，还尝试了计算器、画图、便签纸和井字棋。画图中画笔大小和颜色有效形状也起作用这是一个完全功能正常的画图应用直接在浏览器中运行。接下来试试便签添加新笔记有效退出后尝试 Slack 它甚至编码了一个看起来像 Slack 的界面让我试着给某人发消息你好，实际上它在模拟有人回复。
这只是预设程序并非真的通过大语言模型阅读我的问题并回答所以如果我问你是谁它只是随机写些其他内容。但能在完全基于浏览器的 Windows 操作系统中编码出整个 Slack 界面仍然很酷。接下来打开 Spotify，它也编码了一个带有歌曲的类似 Spotify 的界面播放几首看看是否真的有效。听起来相当基础只是使用合成器，但能编码出所有这些可在 Spotify 界面中播放的歌曲令人印象深刻。
接着打开天气看起来像这样，如果打开文件资源管理器看起来也类似 Windows 的文件资源管理器。令人超级印象深刻的是它在短短二十多分钟内仅凭一个提示就构建了这一切。虽然在某些地方存在一些细微错误比如图标看起来不太正确但你可以进一步通过提示来纠正所有这些错误。以下是此任务的使用统计数据供参考。前沿模型的一个优点是它们可以自主调用和控制不同的工具，让我们看看它能否自主创建……
Blender 中的3D模型。我将使用 Blender MCP 在该地址编写代码，制作一个逼真的动画 V8 发动机。我所做的是在 Blender 中已经添加了此 Blender MCP 插件，我只需要按下这个按钮即可连接到本地端口上的服务器。一旦连接成功，代理应该能够通过该地址控制它。让我们按下运行键。好吧，在这里你可以看到它逐渐弄清楚 V8 发动机的所有组件，并实际上在我的 Blender 界面中构建它们。非常酷。现在它也在弄清楚这方面的动画，所以它也解决了这个问题。
我想让这看起来更好看一些，所以我写道：“确保它尽可能详细和逼真。”“确保组件位于正确的位置。”因此它继续工作了一段时间并完善了细节。然而，我认为这是一个爆炸视图，螺栓和杆件只是漂浮在它周围，这是不正确的。所以我写道：“有螺栓和其他零件散落在发动机周围。”“确保这些部件在发动机内部正确组装，而不是漂浮在它周围。”之后它修复了那部分。这是我们的最终 V8 发动机。看这有多美丽和复杂，你可以看到这里所有的运动部件。
这非常复杂，但 GLM 5.3 能够很好地处理它。这是实体着色视图，然后是线框视图。你可以看到这个东西有多复杂。我可以点击每一个单独的部分，可以看到活塞和一切。这里有各种弹簧和其他组件。事实上，如果我展开右侧的这个列表，你可以看到它必须为这个 V8 发动机创建超过100个组件，这简直太疯狂了。最后，这是具有正确光照的渲染视图。非常酷。所以仅仅通过三个提示词，它就能够直接在 Blender 中编写出一个非常详细的动画 V8 发动机。
好吧，这大约花了一个小时。这是该会话的使用统计信息。接下来，这里有一个更棘手的提示词。让我们让它创建一个带有实际角色的3D格斗游戏。所以，我要写：“在这两个角色之间的竞技场中制作一个3D格斗游戏。”我将链接到这个 SketchFab 上的亚丝娜角色。它需要自行下载这个文件。然后我还要链接到这个龙海3D角色。
现在，这些角色本身可能不包含任何战斗动画。它包含骨骼和关节，但我们还需要为这些角色制作动画。所以我写道：“你还需要为每个角色添加单独的动画，例如跑步、格挡、跳跃以及用剑攻击或劈砍。在 Mixamo 中寻找相关的动画并将它们映射到角色上。”所以它还需要去这个 Mixamo 网站搜索相关动画以映射到3D模型上。这里包含各种动作，如跳跃、跑步和攻击。
现在有个技巧：你需要登录这两个平台才能下载模型。所以我写道：“如果你无法下载资产，因为它需要登录，你也可以使用这个 Playright Chrome 扩展程序打开我当前的 Chrome 会话，其中我已经登录到 Sketchfab 和 Mix Mode。”之后让它看起来像专业的 AAA 级格斗游戏。在必要时添加特效，它应该在普通网页浏览器上高效运行。让我们按下运行键。这是一个非常复杂的任务，所以 GLM 花了比预期长得多的时间。
首先它在通过 Playright Chrome 扩展程序连接我的 Chrome 时遇到了麻烦，所以我给了它关于如何连接到扩展程序的明确指示。之后它就工作了并继续从 SketchFab 下载模型。经过大量的试错，它也成功地从 Mixamo 下载了动画。但游戏真的很乱套。所以我写道：“我完全看不到亚丝娜，龙海也没有正确拿剑。”它看起来是分离的。而且亚丝娜仍然不可见，所以我写道：“亚丝娜完全看不见。”
之后它仍然是不正确的。龙海没有拿剑也没有劈砍他的剑。“确保你正确映射动画并验证它看起来是否正确。”经过大量的来回沟通和手把手指导，它能够正确地映射了动画。然后我想让他们的动作更快一些，并在攻击或我被攻击时添加一些不错的特效，让它看起来像专业的 AAA 游戏。不要使用泛光或任何发光效果。然后我还想让背景看起来更好一些，所以我这样写了它仍然不好看。
于是我写道：“将背景更改为像古代希腊竞技场。”“尽可能详细和逼真。”此外，角色似乎半淹没在地面以下。“修复这个问题并确保物理完全正确”等等。最后经过大量的提示和手把手指导，它实际上交付了一个看起来相当不错的游戏。所以这是结果。你可以看到我可以控制亚丝娜四处劈砍，一切正常。比如我可以向后跳，可以按 Shift 闪避。当你成功击中对手或被击中时可以看到一些不错的动画。
它并不完美，但总体上它是一个合法的格斗游戏，实际上将这些3D模型的动画映射到了角色上。这是一个极其困难的提示词，但它能够完成这项任务。现在供参考，这是该会话的使用统计信息。如果你一直在尝试使用 AI，你可能会发现选择正确的 AI 模型非常令人困惑。不同的模型擅长于不同的事物，选错了会浪费大量时间。这就是为什么我与 HubSpot 合作创建了 AI 模型速查表捆绑包，因为从一开始就选对模型可以节省数小时的试错时间。
该捆绑包包括一份 LLM 选择速查表，用简单的语言分解了当今顶级的模型。它解释了每个模型实际上擅长什么、哪里表现不佳以及何时应该使用它。所以无论你是需要帮助写作、摘要、编码、推理还是分析图像，你都可以快速找到最适合该工作的模型。此外还有这份任务到模型的决策矩阵。
它将10个最常见的 AI 任务（包括编码和研究）映射到专门设计用于最好处理这些任务的特定模型上。这样你可以跳过猜测，直接找到正确的一个。它与速查表配合使用效果非常好，帮助你了解每个模型的优缺点。最佳使用方法是一个简单的两步过程：首先检查决策矩阵以确定正确的模型，然后利用速查表了解其特性。
模型在几秒钟内完成加载，随后你可以使用速查表来了解其优势与局限，然后再开始进行提示词输入。你可以通过下方的描述链接免费获取我的完整资源包。感谢 HubSpot 对本视频的支持。接下来，鉴于前沿模型擅长自主使用各种工具，我们也来测试一下它在音乐创作方面的能力。我打算让它通过数字音频工作站（DAW）进行作曲，因此编写了如下提示词：“你的任务是创作一首精彩的欧洲风格歌曲。使用我 Waveform DAW 中的虚拟乐器来作曲，你可以自行决定使用的乐器种类，从现有乐器中选择。务必加入上升音、史诗般的高潮以及其他能让听众震撼的元素，同时包括声像移动和效果器自动化处理，并确保混音与母带处理得当。”
基本上就是这些要求。我的 Waveform DAW 就放在这里，我甚至没有告诉它软件的位置在哪里。模型需要自行搜索我的 DAW 程序，然后深入其中探索一切功能，弄清楚它是如何运作的以及所有乐器的用法，最后从头开始创作这首歌曲。整个过程耗时约 53 分钟，速度相当慢，但在经过大量工作后，它终于完成了这首名为《霓虹天际线》（Neon Skyline）的歌曲。接下来让我播放给你听。（音乐片段：Heat. Hey, Heat... 重复多次）
好的，这是歌曲的一部分。因为这首歌很长，我就不把整首放出来以免让你感到无聊了。如果你感兴趣，我已经把它上传到了我的 X 账号上供你欣赏整首作品。正如你所听到的，它确实具备内在的音乐理解能力：能够编写相当不错的打击乐节奏；能够添加上升音和冲击音效；能够对各种合成器进行编排，包括超锯齿波 chords、主奏合成器、琶音和氛围铺底等；还能添加扫频效果和撞击声。此外，它还成功应用了母带处理技术：你可以看到它像正常的母带工作流一样添加了均衡器、压缩器和限制器。实际上，我觉得这次生成的效果比我之前从 Opus 5 得到的结果更好。
以下是本次会话的使用统计信息。接下来，我要用一个经典的提示词进行测试：看看它能否搜索网络上的金融信息，进行分析，并不仅制作一份报告，而是创建一个带有精美动态图形动画和配音的视频演示文稿。我编写的提示词如下：“根据腾讯、阿里巴巴和百度的最新财报，创建一个专业的演示视频，全面比较它们的财务状况和未来前景。使用 Gemini TTS 进行配音。这应该是一个动态图形视频，我甚至不会告诉它如何制作视频，让它自行决定。画面比例应为 16:9，黑色背景，时长约一分钟。包含图表、图形和其他视觉元素。”
使用这段音乐作为背景音乐。然后，这里有一个如何使用 Gemini TTS 的示例：我基本上复制并粘贴了关于如何调用配音功能的 API 文档。最后，我将我的 API 密钥粘贴在下面（在发布视频前我会将其删除）。让我们按下运行键。好的，它工作了 45 分钟。请注意，我甚至没有告诉它如何创建视频，但它自动决定使用 Hyperframes 技能来制作视频。Hyperframes 基本上是由 Hen 开发的一个开源平台，用于创建动态图形。随后它继续分析财务数据、生成配音等，最终给了我一个完整的视频。
现在，这似乎存在 Hyperframes 的一个固有错误：它倾向于将所有内容小写化。因此我写道：“目前文本全是小写，请在适当的地方添加大写字母，例如名称的首字母以及‘AI’。”于是它重新渲染了所有内容。以下是最终视频的内容：“三家中国科技巨头，三个截然不同的季度，以及一个相同的赌注。”“腾讯是复利者。营收增长 11% 至 2050 亿元。广告收入增长 22%，游戏业务增长 17%。利润增长 9%，但资本支出激增 176%。”“阿里巴巴是投资者。云收入增长 38%，连续十一个季度实现三位数的 AI 增长。”“运营成本利润下降 84%，自由现金流深陷赤字。”
“百度是变革者。传统广告收入下降 22%，但 AI 云业务增长 79%。”“首次非广告收入完全超越广告收入。”“正面交锋：阿里巴巴在总收入上领先，腾讯增长最快，百度虽然基数最小但转型最为迅猛。”“共同点：这三家公司都在向 AI 基础设施投入数十亿美元，用今天的利润换取明天的算力。”“关注下一个催化剂：百度将于 8 月 18 日报告，阿里巴巴于 8 月 20 日。AI 账单即将到期，竞赛才刚刚开始。”“此为信息分享，非投资建议。”总体而言，表现不错。以下是本次会话的使用统计信息。
接下来是一个测试其生成新想法能力的环节。这个问题没有标准答案，提示词如下：“给我五个尚未存在的简单科技初创公司创意，这些创意在一年内实现 1000 万美元经常性收入（ARR）的可能性最高。”好的，这是我得到的结果。它思考了 1 分 22 秒，然后提供了以下创意：针对医疗提供者的理赔解决自动化方案（只需获得 60 到 100 个客户即可达到 1000 万美元 ARR）；美国州级 AI 就业法律合规平台；数据中心开发者的互联与电力采购文件处理自动化；员工自建 Vibecoded 内部应用的治理方案；以及 AI 医疗听写员的计费合规审计层。
这相当主观，没有客观上的正确答案，但请在评论区告诉我你对它回答质量的看法。好了，是时候进行你最喜欢的测试了：找青蛙。我将上传这张图片并写道：“这张图片里有动物吗？如果有，请识别并用圆圈标出。”GLM 的主要缺点之一是不具备视觉能力，因此它不擅长分析图像。它必须调用不同的 Python 工具来分析图片，通过裁剪各个部分来近距离观察，最后声称图中有一只猫——这完全错了。它圈出的位置也证实了这一点：既然识别为猫，那就是典型的幻觉错误。
不幸的是，GLM 5.3 未能通过“找青蛙”测试，但其他所有前沿模型也都没能通过这个测试。我仍在等待有一个模型真正能通过这项测试。接下来，让我们看看它在深度研究方面的能力如何。对于提示词，我让它分析动脉粥样硬化的病理生理学，比较降脂和抗炎策略等，并包含相关的表格和可视化图表。这是我得到的结果：它只工作了 11 分钟，首先给了我一个关于病理生理学的精美表格。所有内容都非常清晰。
内容简洁且数据密集。接下来是一些降脂策略，然后是抗炎策略的评估，最后是结论部分。它还生成了一些图表，让我打开那个文件夹看看。这是图一和图二。它甚至尝试用代码绘制一些图表，虽然看起来非常基础且可能不准确。这是图三，对比了所有这些不同的试验。还有图四。可以看出它在深度研究方面做得相当 thorough（详尽）。感觉比 Opus 5 更好，但在深度研究方面可能不如 GPT-4o (注：原文GPT 5.6 six可能是口误或特定版本指代，结合语境推测为最新旗舰模型) 或 Kimi K3。这是本次会话的使用统计信息。
接下来，让我们看看它能否识别不同类型的肿瘤。我将上传一张包含六种脑部扫描图像的图片，每种都对应一种不同的脑瘤类型。我将其上传并询问它识别这六张图像中是否存在肿瘤及其类型。再次强调，GLM-5.3 原生并不具备视觉能力，所以我没指望它能完全正确。它需要自主调用一些视觉分析工具。有趣的是，尽管我用英语提问，但它用中文回答。所以我要求它将答案翻译成英文。
结果显示：左上角被建议为胶质瘤或胶质母细胞瘤，这是不正确的；第二张说没有肿瘤，也不正确；第三张同样不正确。第四张预测为胶质瘤，这是正确的。第五张预测为低级别肿瘤或低级胶质瘤，这也是错误的；第六张预测为转移癌，同样是错的。所以它在六张图中只答对了一张，这实际上已经是当前最先进水平（SOTA）。只有 Kimi K3 也能答对一张，而 Opus 5 或 Fable 5 甚至无法正确识别任何结果。这是参考用的使用统计信息。
这就总结了我对 GLM-5.3 进行的一系列极具挑战性和多样化的测试，希望这能让你对它的能力边界有一个清晰的认识。对于写邮件、总结内容、进行研究、查找信息、数据分析等常规任务，包括 GLM 在内的所有前沿模型都已经能很好地处理。这些测试旨在展示它们的最大潜力和局限性。接下来，让我们回顾一下它的规格和基准测试结果。
GLM-5.3 令人惊讶之处在于，它基本上与 GLM-5.2 是相同的模型和架构。他们所做的只是进行了更深入的后期训练（post-training）。不需要从头重新设计，只需喂给它更多的训练场景和更多样化的任务。看看与 GLM-5.2（绿色柱状图）相比，这种提升是惊人的。在 Terminal Bench 上，进步巨大；在 Deep Suite 方面，它与 Kimi K3 或 Fable 5 相当。
在 Agent Last Exam（智能体最后考试）中，它几乎达到了前沿水平；在 GDP Val 方面，它是世界上最好的模型。这衡量了 AI 在各种实际工作中执行具有经济可行性的知识工作的能力；在“人类最后的考试”中，这测试了 AI 模型对一些非常冷门的科学学科的知识储备。它的得分出乎意料地好，再次几乎与 Fable 和 GPT-4o (原文GPT 5.6) 的性能相匹配。
在自动化基准测试（Automation Bench）中，它是世界上最好的模型；在智能体编程方面，它与现有的最佳模型持平。在这个前沿套件基准测试中，你可以看到 GLM-5.3 排名第二。它在智能体知识工作方面也非常出色。我认为这里最有洞察力的结论是，这表明仅通过更好的训练，就可以从现有模型中提取出多少能力。重点已从解决简单的编码问题转向更像实际的工程工作。
一个特别重要的见解是，后期训练的瓶颈在于环境的质量和可扩展性，而不是模型本身。因此，ZAI 实际上构建了系统来自动生成这些环境，并创建或合成验证器，测试任务是否真正可解，同时寻找奖励黑客捷径。这使得他们能够将混乱的真实工作流程转化为模型可以通过强化学习及其后期训练框架（称为 SLIME，也是开源的）学习的训练环境。
你可以在此处查看他们的 GitHub 仓库，其中包含如何自行运行此框架的所有说明。这种 SLIME 基础设施使长视野强化学习变得更加高效，端到端训练吞吐量提高了超过 2.3 倍。换句话说，GLM-5.3（原文GPC可能是笔误）的主要启示并非模型本身，而是通过改进训练基础设施和方法论所带来的提升。
现在，GLM-5.3 有三个性能级别可选：低、高和最大。正如你所见，即使是最低版本的表现也远优于 GLM-5.2 的最大版本。这是从前代模型到现在的巨大飞跃，其性能已经击败了 Opus 4.8（注：原文Opus可能指代某特定模型版本），并且非常接近 Claude Fable 5（注：Fable可能指代某特定模型）。
目前 GLM-5.3 尚未通过 API 提供，他们即将推出。这就是为什么我们还没有在 Artificial Analysis 排行榜或官方 Deep Suite 或其他第三方排行榜上看到 GLM-5.3，因为这些榜单通常需要模型的 API 访问权限。它在网络安全方面也非常出色。从 Cyber Gym 基准测试可以看出，它是世界上最好的，甚至击败了 Mythos 5（注：原文Mythos可能指代某特定模型）和 GPT-4o (原文GPT 5.6 Soul)。
在 Exploit Bench 和 Exploit Gym 方面，你可以看到与前一代 JLM-5.2（原文JLM可能是GLM笔误）相比有了巨大的飞跃，并且在两个基准测试中都远优于 Kimi K3。事实上，这里有一个惊人的事实：GLM-5.3 发现了现有软件中隐藏的超过 2,400 个漏洞，其中包括 197 个被归类为高风险或严重风险。这些基本上是人们尚未察觉的安全缺陷，但存在于广泛使用的项目中，如 Linux 内核、Apple Safari 或 WebKit、FreeBSD 等。
令人惊讶的是，其中一些缺陷实际上已经存在了数十年却从未被发现。例如，最古老的漏洞引入于 1981 年，平均漏洞年龄约为 26.6 岁。这使得这一发现意义重大：在已经使用了几十年的软件中，仍然隐藏着严重的安全漏洞。找到一个漏洞并不罕见，但识别出超过 2,000 个漏洞，其中包括超过一千个严重漏洞，这是一个巨大的成就。这展示了 GLM-5.3 在网络安全方面的卓越能力。
当然，能力越大责任越大。因此，GLM 团队还发布了这个免费的 Hugging Face Space，名为 OpenVone（注：原文Open Vone可能指代特定工具名称）。这基本上允许任何人提交……
开源 GitHub 仓库，以便让 GLM 扫描其中的安全漏洞。你只需粘贴一个 GitHub 链接即可。系统会将其加载并交给其漏洞猎人引擎处理。它使用 GLM 运行扫描，基本上是在寻找安全缺陷，但实际细节会被锁定保护。这些详情经过加密，只有在准备就绪后才会发送给已验证的项目所有者，由他们决定如何处理这些信息或是否公开。这就像是为开源项目提供的免费安全检查服务，否则大多数独立维护者或小团队是负担不起的。整个流程的设计确保了除非维护人员自己选择分享，否则公众永远不会看到这些漏洞细节。
例如，它已经扫描了 Hermes、Agent Lang Chain 和 Llama CPP 等项目。正如你所见，它实际上发现了很多漏洞，其中一些甚至是严重的。例如，对于 Hermes，它发现了 21 个漏洞。这相当惊人。好的，接下来让我们看看你可以在哪里使用这个功能。目前，你需要订阅 GLM 编程计划，链接在下面的描述中。为了使用 GLM 5.3，订阅后你可以在 Zcode 或其他编程环境中使用它。你需要订阅一个编程计划，因为它目前尚未通过 API 提供，尽管他们很快会推出这一功能。
另外请注意，目前它还不可用于他们的在线聊天界面。你只能通过 Zcode 或其他编程环境使用它。但好消息是，就像之前的 GLM 模型一样，他们计划将其开源。这里提到：“一旦安全评估和加固完成，我们将在发布后两周内释放权重。”由于这本质上与 GLM 5.2 是同一个模型，只是经过后训练的强化版本，因此大小相同。我们可以看到 GLM 5.2 拥有 7440 亿参数，这是一个混合专家模型。因此，当你使用它时，其中只有 400 亿参数是激活的。
完整模型的大小为 1.5 TB。他们还发布了一个 FB8 版本，大小要小得多，仅为 756 GB。Unsloth 还提供了一些更压缩的 GGF 版本。最小的 Q1 版本大小仅为约 217 GB。因此，你甚至可以将它放入单个 DJ Spark（可能是指某种存储设备或计算节点）中。我现在对此还非常早期了解，这些都是我们目前拥有的基准测试分数。一旦其他独立的排行榜如 Artificial Analysis 加入 GLM 5.3，我可能会在未来的视频中更新大家。
这就总结了我对 GLM 5.3 的评测。希望这能让你对它的能力范围有一个很好的了解。总体而言，我认为它的智能和性能与 Kimi K3 非常相似。在编码和网络安全方面，它绝对要好得多。我会说 Kimi K3 在视觉效果、3D 生成以及深度研究方面略胜一筹。如果你有机会试用过，请在评论中告诉我你目前的看法。
一如既往，我会留意最新的 AI 新闻和工具与你分享。如果你喜欢这个视频，记得点赞、分享、订阅，并关注更多内容。此外，每周 AI 领域发生的事情太多了，我无法在我的 YouTube 频道上涵盖所有内容。因此，要真正跟上 AI 领域的最新动态，请务必订阅我的免费每周通讯。链接将在下面的描述中提供。感谢观看，我们下期再见。