GLM 5.1 评测深度分析

GLM 5.1 目前收录了 9 项评测数据，覆盖综合评估、数学推理、软件工程和 AI Agent 四个方向，但各方向收录的基准数量差异较大，且并非所有竞品模型都参与了相同的基准测试，因此跨方向的横向比较需谨慎。

理解这些数据有一个关键前提：GLM 5.1 的所有成绩均来自思考模式（reasoning mode），部分基准还额外开启了工具调用或联网能力。以 HLE 为例，无工具条件下得分 31.0（全球第 61），开启工具后上升至 52.3（全球第 9），两个条件下的排名相差超过 50 位。这说明 GLM 5.1 的工具调用能力对其整体表现有显著影响，评估时需区分"模型本身的推理能力"与"模型在有工具支撑下的任务完成能力"。

与同类模型的横向比较

将 GLM 5.1 与 Kimi K2.6、MiniMax-M2.7、DeepSeek-V4-Pro 对比，各模型取最佳得分：

加粗为各行最高分。

在对比的 8 项基准中，GLM 5.1 没有在任何一项取得最高分。与 Kimi K2.6 相比，GLM 5.1 在软件工程方向差距最小（SWE-Bench Pro 仅差 0.2 分），在工具使用编排方向差距最大（Tool Decathlon 落后约 9 分）。DeepSeek-V4-Pro 在联网信息收集和终端工具执行上略优于 GLM 5.1，但在含工具的综合评估（HLE）上低于 GLM 5.1。MiniMax-M2.7 由于数据缺失较多，难以全面对比。

总体来看，GLM 5.1 与 Kimi K2.6 属于当前开源模型的同一梯队，两者在多数基准上差距较小，但 Kimi K2.6 在目前有数据的项目中均不低于 GLM 5.1。

历代版本的改进趋势

从趋势来看，HLE 和 BrowseComp 在 GLM-4.7 到 GLM-5 之间提升幅度最大，说明这一阶段是综合推理和 Agent 能力的主要突破期。GLM-5 到 GLM 5.1 的提升幅度整体收窄，更像是定向增强而非全面代际跃升，重点集中在软件工程和长程任务方向。GPQA Diamond 历代变化不足 4 分，改进相对有限。

几个值得关注的问题

长程任务能力的验证程度有限

智谱 AI 官方声称 GLM 5.1 支持单次任务持续自主工作 8 小时，目前主要通过官方 demo 展示，包括复刻 macOS 桌面界面、构建 Linux 系统等场景。这类演示能够说明模型在特定条件下的能力上限，但尚无独立第三方在标准化基准上对小时级任务的系统性评测。Terminal Bench 2.0（63.5）可部分反映其长程工具执行能力，但该基准并非专门针对小时级任务设计。用户在实际场景中的表现会因任务类型和复杂度不同而存在差异。

工具依赖性较强

如前所述，GLM 5.1 在有无工具环境下的表现差异较大。这意味着它在有完整工具链支撑的工程环境中更能发挥优势，而在纯文本推理或工具受限的场景下，竞争力相对减弱。

价格随版本迭代明显上涨

GLM 5.1 相较于 GLM-5，输入价格从 $1.00 上涨至 $1.40（+40%），输出价格从 $3.20 上涨至 $4.40（+37.5%）。在对比模型中，GLM 5.1 的输出价格是最高的。对于输出量较大的使用场景，这一成本变化需要纳入选型考量。

小结

GLM 5.1 在数学推理和软件工程方向有较强表现，在开源模型中属于前列。其主要适用场景是有工具环境支撑的工程类任务，Agent 工具调用能力是其发挥优势的重要前提。

与竞品相比，GLM 5.1 与 Kimi K2.6 处于相近水平，两者在多数基准上差距不大，但目前可对比的数据中 Kimi K2.6 整体略优。官方重点宣传的长程任务能力目前缺乏系统性第三方验证，是否适合具体场景需用户自行评估。价格方面相较前代有明显提升，选型时需结合实际用量综合判断。