大家好，欢迎来到本期节目。今天我们要看看 GLM 5.3 Flash Edition（闪电版）。这是击败 GLM 5.2 的模型。GLM 5.2 确实非常出色，我至今还在用，非常喜欢它。但 GLM 5.3 比 GLM 5.2 更强。你可以看到，在所有发布的基准测试中，GLM 5.3 Flash Edition 都优于 GLM 5.2。

Flash 版的一个优点是，看这里，它只有 640 GB。而 GLM 5.2 是 1.5 TB，这意味着模型大小提升了三倍。它只有 3200 亿参数，是前几天我们测试的 Qwen 4 Exp（实验版）大小的三倍。但它拥有更多的激活参数，且得分高于 Qwen 4。我们将看看它是否真的更好，以及其他相关表现。

这个模型的好之处在于它还支持视觉推理。如果你曾想复制粘贴别人的网站并让它为你克隆，现在可以做到了。（笑声）这对做任何生产力工作来说是终结。我们将只有一堆自己使用的应用程序，那会很有趣。

我们现在就深入体验一下。我将分享我在这上面做的工作。这个模型的推理代码状态比 Qwen 4 Exp 更糟糕，因此需要大量工作来获得准确的结果。该模型有三种思考模式：低、高和最大版，不再支持非思考模式。

如果你尝试用非思考模式进行推理，可能会得到一些奇怪的结果。它基于新的 DeepSeek V4 架构训练，并结合了 Kimi Delta Retention（Kimi 增量保留）技术。让我展示一下它的一些怪癖、如何解决这些问题，以及你能生成的内容类型。

首先，我们问它是谁？它说我是 GLM，这很好。它知道自己是 Tabby Cap（一种模型类型）。完美。当我们切换到低思考模式时，看那个反应，只有一点点思考过程。对于这类问题，这种程度的思考非常有趣且易于操作。

只有在让它写代码时，过度思考才会变得麻烦。我们将稍后讨论这部分内容。即使开启最大版思考模式，它的思考量仍然很少，而且答案本身甚至更短。现在我们要尝试一些编码任务。如果你引入非思考模式，会得到非常疯狂的结果。

它会开始创建某些内容，然后中途意识到自己犯了错误并决定重写它。实际上它在写出一些可疑的代码时确实会出错，但它能捕捉到错误并自我纠正，这很好。看那个拼写错误，太疯狂了。

我一直在改进推理代码，修复算子、保真度等各种问题。第二阶段它变得更好且更接近目标，但在这里没有产生好的代码，因为你可以看到它在发起 HTTP 请求时出现了空格错误。所以它也会犯错。

最终我让代码达到了可以在禁用思考模式下实际编码的状态。令人惊讶的是，它生成了这只猫。这并非官方支持的功能，理论上你不应该能做到这一点。虽然禁用思考模式有点可爱，但这消耗了 79,000 个 token，相当巨大。

下一阶段我们将使用低思考模式。如果你尝试这样做，会出现运行时错误。我调查了这个问题并运行了最高保真度测试以找出原因。当处于低思考模式时，它使用了错误的 URL 或凭空捏造了地址。即使在最高保真度下，它就是无法正常工作。

有趣的是，如果你尝试使用 GLM 5.3 Flash Edition 的云服务商接口，他们实际上不允许你关闭深度思考。因此，对于从这个模型中获取好的代码来说，思考功能至关重要。即使是在低思考模式下，你也会遇到这个问题。

显然，如果你在循环中运行并告诉它“这里有错误”，并提供具体的报错信息，它能够自我纠正。它会生成一些有趣的内容，比如这里的尾巴动画效果，眼睛也会时不时睁开。这是一个不错的生成结果。

让我们检查一下我们试图复刻的图片本身。那个围栏对我来说看起来像混凝土的，我不认为那是木栅栏。所以它并不完全完美。下一步是进行最大思考模式测试，我们将全力以赴对待这个任务。

但它似乎不想停止思考。它不像是在循环等待输出；如果让我跑 5 个小时，它可能会最终生成结果。目前这已经是 75,000 个 token 了，我可能已经生成了两百万个 token。

我做了几十次不同的测试，挑选了一些非常有挑战性的任务让它工作并调试以使其更好。我尝试了许多不同变体，但它就是喜欢永远思考下去。它可能会跑到 10,000 token 或更多，所以我决定给自己放个假。

我开发了一个名为“有限思考”的功能并进行了优化改进。最初，我的限制思考更像是一种建议：我与模型协作，计算每一个传入的思考 token，并允许它在准备好结束时停止思考。

但这次我采取了一种更强制的方式：当它尚未完成思考时，我就强行让它结束。如果你天真地尝试在某个点插入 think 标签来强制停止思考，你会得到一些糟糕的结果。因为它不会真正停下来，而是继续生成内容。

所以我必须更智能地处理这个问题。完成优化后，我们现在有了最大思考模式，但限制其最多只进行 10,000 token 的思考。这是我在这里设定的比例参数。我将展示一个测试，向你说明给予不同思考量时它的表现差异。

模型在代码优化上取得了进展，但依然存在一定限制。目前它处于最大思考模式，生成了一段非常可爱的内容：你可以点击互动，看到爱心特效和摇摆的尾巴。画面中还有栅栏、草地和混凝土路面，看起来确实很像原图中的场景。总的来说，这是一次非常漂亮的生成结果。

接下来我们对比在线版本的模型表现。使用在线版时，必须启用深度思考功能，它会进行相当长时间的推理。虽然过程漫长，但生成的质量确实很高，尤其是尾巴摇摆的细节非常逼真。这个本地模型的表现非常出色，与在线版本的生成结果几乎完全一致。尽管不同的随机种子或温度设置会产生差异，但本地生成的质量已经非常接近在线版，这是一个令人满意的结果。

接下来我们要测试生成太阳系的功能，并将结果与 Qwen 27B、Qwen 3.8 以及最新的 Qwen 4 EXP（即 Qwen 3.8 Flash Next）进行对比。首先回顾一下，如果禁用思考功能，模型会出现错误并尝试编写代码。官方建议不要禁用该模型的思考模式，因为聊天模板中未包含此设置且未经过相应训练，强行禁用会导致输出大量无意义内容。

在低思考模式下，模型消耗了 31,000 个令牌并生成了令人惊叹的画面。其质量堪比 Kimi K3，甚至可能优于 Qwen 的某些表现。这里的太阳看起来非常壮观，行星可以点击互动，拥有精美的摄像机角度和标签。低思考模式下的表现已经相当不错，但还有另一种设置可以进一步提升生成质量，那就是上下文注意力机制。

启用上下文注意力后，模型会将注意力扩展到更多上下文以生成令牌。之前我们生成了 30,000 个令牌，现在则达到了 40,000 个。观察发现生成效果依然美丽，甚至可能更加精致。例如，月球的大小变得更加真实；相比之下，Qwen 4 之前生成的月亮显得过大且失真。尽管行星互动功能同样出色，但我们仍想看看最大思考模式能带来怎样的极致质量。

最大思考模式虽然耗时较长，但能产出最高质量的代码。我最近忙于处理其他事务，甚至尝试在 GTA 5 中完善相关功能时，发现代码本身存在底层错误。不过回到正题，为了控制时间，我将思考令牌限制在 10,000 个以内。模型会在合适的位置停止思考，随后开始生成代码。从初步效果来看，太阳周围的光晕显得非常迷人，金星等行星也都具备了精美的纹理细节。

随着生成过程的推进，我们可以明显看到保真度的提升，质量越来越好。作为回顾，Qwen 3.8 27B 生成了另一组画面。我们将两者并排对比：虽然新模型的行星环显得更具攻击性，但 Qwen 27B Prime 的效果确实非常华丽。尽管新模型的体积是前者的十倍，且太阳光晕更漂亮，但差距并未达到十倍以上。

为了获得客观评价，我们邀请了一位独立测试者 Sarah 加入视频进行盲测。她需要判断左侧还是右侧的画面质量更好。经过仔细观察，Sarah 表示新模型看起来稍好一些，但并非碾压式的十倍优势。这意味着 Qwen 3.8 依然能产出非常精美的画面，两者差距并没有想象中那么巨大。

接着我们查看 Qwen 4 EXP 的表现。这个版本同样看起来很棒，特别是它成功生成了小行星带，这一点比之前的模型更讨人喜欢。不过，模拟碎片的效果并不理想，屏幕上只是一些模糊的光点，视觉效果较差。虽然整体观感优于 Qwen 3.8，但并未达到三倍的优势，目前仍略逊一筹。真正的差距将在引入飞船时显现出来。

在 Qwen 3.8 中，我提示添加一个可用鼠标和键盘控制的飞船。点击播放后，发现飞船实际上不可见，需要多次反复调试才能使其正常工作。而在 Qwen 4 EXP 中，启用最大思考模式并经过几次报错反馈后，最终成功生成了飞船。虽然控制逻辑有些奇怪（如方向键反向），且没有激光武器，但画面效果非常华丽。

最后测试 GLM-5.3 Flash 的表现。在禁用思考模式时，尽管生成了 37,000 个令牌，但由于该模型未针对此场景训练，效果不佳。我甚至考虑直接禁用该功能以免误导用户。在使用 Qwen 版本作为基线并提示添加飞船后，我发现没有进入飞船的选项。随后切换到最大思考模式但限制为 10,000 个令牌，模型生成了包含飞行模式和飞船的代码。

尽管生成的飞船位置略微偏离屏幕中心，导致无法完全体验其功能，但确实成功实现了基本需求。目前我已将参数进一步增加，以观察是否能获得更完美的生成结果。这一系列测试表明，不同模型在特定任务下的表现各有千秋，本地部署的灵活性正在逐步缩小与在线服务的差距。

在25,000个token的限制下，模型生成了49,000个token。虽然提升幅度不算巨大，但最终只多产生了9,000个额外token或思考内容。这可能是因为模型找到了良好的逃逸策略，并未完全用尽25,000个token。为了观察具体过程，我稍微放慢了速度并按下F键获取飞船。确实生成了一艘船，且控制逻辑合理：向下按就下降，向上按就上升。此外还有涡轮加速模式可以飞入场景，画面非常美丽。

飞船配备了激光武器，但存在一个缺陷：激光没有惯性。当我减速时，激光会停留在飞船旁边，虽然产生了壮观的光效，但无法攻击行星。不过它有一些额外的疯狂模式：按T键可以锁定目标（例如地球），再按G键即可自动导航至该处。这些是我并未要求的功能，但模型自行实现了。当我向地球射击时，系统提示“温度临界”，表明这些额外功能确实有效且看起来非常棒。

我认为这次生成甚至超越了Qwen的表现。观察小行星带周围的光晕，可以看到这里实际上能清晰看到小行星带本身。动态光照和反射都得到了修复，这意味着它改进了我们提供的基准代码。最终，当思考token设置为50,000时，激光终于能够正常发射了。让我们看看能否炸毁地球——成功了！还有爆炸效果，这意味着我们获得了完整的游戏体验。

虽然长时间盯着屏幕会让人疲劳，但在50,000个token左右时生成质量达到了完美。当然你可以设置更低的值，但需要更多次提示交互来调整功能。尝试摧毁太阳时，模型反馈说它“不以为然”，这很有趣。总体而言，在现有代码基础上进行扩展生成时，它的表现明显优于Qwen的其他版本。考虑到其体积是后者的三倍，这种提升也是合理的。

接下来挑战生成人类面部。Qwen 4 exp曾制作出史上最好的人脸，因此这次很难超越它，尤其是我尚未运行最大思考模式。这个版本使用了低思考强度，消耗了75,000个token。生成的面部确实不错：有嘴唇和眼睛的轮廓。如果我没见过Qwen 4 exp的版本，可能会认为这是个有力的竞争者。但相比之下，Qwen 4 exp的表现确实好得多。

我现在可以处理更多token或进行最大思考，但这可能需要几天时间。因为我在本地运行而非云端，没有超级计算机支持，所以需要更策略性地使用工具。这就是为什么我们引入有限思考等功能以获得良好生成效果的原因。目前我正在制作最大思考版本，但不确定能否完成。接下来展示我面临的最大挑战：制作GTA 5。

首先，让我展示它在云端运行的情况，以便理解推理代码的现状。我要求它制作GTA 5，但生成在1,387行代码后突然停止。这很疯狂。我告诉它文件不完整，询问发生了什么。通过查看思考过程，我们发现模型犯了严重错误：它在变量声明前就使用了该变量，且缺少函数定义。即使是云端版本也生成了这种严重损坏的代码。

在尝试制作GTA 5时，我进行了约30次生成以修复bug、提高保真度并确保其正常运行。这就是我所处的困境。Loss Sombra遇到了运行时错误，即使使用了最大思考模式也是如此。我审查了代码并应用了许多修复建议后，得到了一个漂亮的开场：城市中有汽车在道路上行驶，且具备AI行为。我可以跳过过场动画并接管角色控制。

我们有一个乐高风格的角色，戴着立方体帽子。开始奔跑后光照似乎变暗了，可能切换到了夜间模式，这需要修复以避免运行时错误。此时我处于最大思考模式的20,000个token上下文窗口中，从未使用有限思考模式，因为我想让它完美运行。让我劫持这辆车——我被撞倒了，但至少碰撞检测有效了。

现在完全是漆黑的夜晚，也许玩久一点会恢复白天光照。我劫持车辆后听到了声音，警察正在追捕我。虽然有点暗令人遗憾，但我肯定需要再次提示以修复光照问题。不过整体基本可用：有动画、行人以及潜在的碰撞互动，这次生成具有很大潜力。但我不想就此止步，因此还制作了一个更高保真度的版本，修复了推理代码等所有相关问题。

这个版本的运行速度略慢于我之前运行的Q9版本，但生成效果很有趣且我认为没有实际错误。也就是说这个GTA 5生成没有任何编译错误，这是通过最大思考模式和10,000个token实现的。它拥有精美漂亮的开场画面，整体体验更加流畅稳定。

这是西海岸的故事版本，但我上传的并非此版，因为它比 Q9 版本每秒慢五个 token。Q9 版本表现几乎一样好，只是这个迭代略有不同且幸运地没出错，尽管我曾用此版遇到过错误。看这里的生成效果：光照依旧破碎，但角色有了四肢并能正常行走。你可以用真实的 3D 模型替换骨骼动画，它能正确运作。

场景回到了埃及吉萨金字塔前，角色手持枪械可以射击，但子弹和激光一样不愿向前发射。我进入云端查看修复后的情况：点击启动 Grand Cat 5 却无反应，因为即使是云版本也出现了运行时错误和意外 token。这表明该模型即便在云端运行也并非百分之百稳定，但它擅长循环处理任务。

由于 1.5 TB 模型被压缩至 600 GB，质量或许有所妥协。在智能体循环中可见大量错误被修复：先是语法错误，接着是加载后的其他问题。虽然它能持续打补丁并生成精美的开场动画，但本地运行效果更佳。云端版本存在方向控制 bug：按下前进却后退，左右键功能互换。不过城市生成很出色，有交通和行人，甚至能撞倒警察，非常接近 GTA 5。

生成过程耗时漫长：占用 370 GB 内存，速度约每秒 16.5-20 token。处理 10 万 token 上下文需半小时，超过 20 万则超一小时。代码风格简陋如“原始人编码”，充满压缩块，但或许只需系统提示优化即可。接下来尝试有趣生成：制作儿童版 Photoshop 替代工具，限制思考在 10,000 token。结果无编译错误，可改色、盖章星星并刷新页面生成毯子图案，效果极佳。

逻辑测试方面：洗车店距家 50 米，模型以 53% 置信度建议开车（步行仅 5%）。面对“人群说 B selector”的谜题，它不知倒带梗但建议跳迈克尔·杰克逊舞。分橙子问题中，它将 8 个橙平分给 4 个孩子无需刀切。我认为 GLM-5.3 Flash 令人惊叹，不仅参数达万亿级（如 Kimi K3 的 2.8T），MiniMax 还在训练更大模型。

这是一个万亿参数的模型，GLM 5.5也会更大。他们已经表示将为其采用新架构，但随后又改口说：“让我们把这些模型做得小一点。”事实上，GLM也加入了这个行列。因为他们花了很长时间——现在已经超过一年了——一直在致力于开发更大、更大的模型，现在他们又回到了制作更易于管理的规模模型的轨道上。

也许这是针对他们的云端推理服务而言的。我不确定我们是否会得到一个Qwen 27B的竞争者。如果他们真的进入那个领域，对于许多在本地运行小型模型的人来说，那将是一个非常、非常令人兴奋的时刻。

还有一件事值得关注：这个模型确实支持MTP（多token预测）。所以，即使在Q9量化下以每秒20个token的速度运行，如果你将其设置为Q4量化，你将会获得大约30

tokens a second的推理速度。而MTP技术会让你获得更快的推理速度，因此这是值得期待的一点。

请保持关注，因为我们正在下载GLM 5.3的完整版（full fat edition）。我们将让它运行起来，看看生成效果有多好。希望你们觉得这个视频有用并享受了节目内容。

[音乐]