国产模型 on Kalend's Blog

GLM-5.3 今天发布：编程能力暴涨50%，开源模型第一次站上巅峰

Fri, 14 Aug 2026 14:00:00 +0800

今天智谱发布了 GLM-5.3，同一天财联社、每经、IT之家都在报。我第一时间看完技术报告，说一句：这次不是堆参数，是训练方法论变了。

先说结论

GLM-5.3 和 GLM-5.2 同一个底座，没换架构、没加参数。纯靠后训练 Scaling，编程能力提升 50%。

Terminal-Bench 3.0 从 4.6 干到 28.3，开源模型第一。CyberGym 安全评测 83.5%，逼近闭源天花板 Mythos 5 的 83.8%。

一句话：开源模型在编程赛道，第一次有资格和闭源顶级模型坐在同一张桌子上。

什么是"后训练 Scaling"

这个词很重要，必须解释清楚。

传统 Scaling Law 是堆参数、堆数据、堆算力——模型越大越聪明。

后训练 Scaling 换了个思路：底座不动，靠更精细的训练策略榨出更多能力。

GLM-5.3 的做法：

训练不再局限于孤立编程题
扩展到完整工程流程：发现问题→分析方案→实施→验证→交付
部分训练任务相当于资深工程师连续数天的工作量
使用真实计算集群、存储系统、内部文档与代码库

类比：以前是让模型做练习题，现在是让它直接去公司实习。

四个方向的核心提升

1. 编程与Agent能力（重点）

评测	GLM-5.2	GLM-5.3	提升幅度
Terminal-Bench 3.0	4.6	28.3	+515%
DeepSWE v1.1	46.2	66.9	+45%
Agents’ Last Exam	23.8	28.5	+20%
GDPval-AA v2	—	1769分	覆盖44种职业

Terminal-Bench 28.3 分，开源模型排名第一。DeepSWE 66.9，比肩 Claude Fable 5。

编程体感较 GLM-5.2 提升 50%——这是智谱自己的原话，不是我编的。

2. 复杂项目交付

以前的模型写单个函数还行，面对完整项目就崩。

GLM-5.3 能处理：

数万行代码、上百个文件、多个依赖系统
极少人工干预下自主开发、反复验证、推进至可交付状态
覆盖前端开发、Bug 修复、代码重构等真实任务

3. 网络安全能力（涌现）

评测	GLM-5.2	GLM-5.3	对标
CyberGym	—	83.5%	Mythos 5: 83.8%
ExploitBench	24.4%	54.4%	+123%

白盒代码审查、漏洞发现与验证能力接近 Mythos 5。

优势集中在漏洞利用链前端。更深入的攻防仍有提升空间。

4. 通用能力

上下文窗口：1M tokens
最大输出：128K tokens
支持：思考模式、流式输出、Function Calling、上下文缓存、结构化输出、MCP

竞品对比

模型	Artificial Analysis评分	编程能力	开源
GLM-5.3	待测	Terminal-Bench 28.3	✅ 宽松许可证
GLM-5.2	53分	Terminal-Bench 4.6	✅
DeepSeek 顶级模型	53分	—	✅
Kimi K3	高于53	—	❌
Claude Fable 5	高于53	DeepSWE ~67	❌
GPT 5.6	高于53	—	❌

GLM-5.2 和 DeepSeek 顶级模型在 Artificial Analysis 上同为 53 分。

GLM-5.3 的目标是通过后训练 Scaling 缩小与 Kimi K3、Claude Fable 5、GPT 5.6 的差距。

关键点：以上闭源模型全部不开放权重。GLM-5.3 将以宽松许可证开放。

对开发者意味着什么

如果你用 AI 写代码：

GLM-5.3 是目前开源阵营里编程能力最强的模型。等 API 上线后可以第一时间试用。

GLM Coding Plan 已经全量上线 GLM-5.3。订阅用户现在就能用。

如果你做 AI Agent 开发：

1M 上下文 + 128K 输出 + Function Calling + MCP，这组合在开源模型里几乎没有对手。

Agent 场景最吃上下文长度和工具调用能力，GLM-5.3 两个都是顶配。

如果你关注开源生态：

智谱延续宽松许可证策略。GLM-5.2 发布后智谱市值一度冲到 1370 亿美元。

开源 + 强编程能力 = 开发者生态飞轮转起来了。

我的看法

后训练 Scaling 这条路，之前大家都知道重要，但没人做到这个程度。

GLM-5.3 证明了一件事：底座模型的能力上限，远比我们以为的要高。 关键在于你怎么训练。

不换底座，纯靠训练策略优化就能实现 50% 的编程能力提升。

这对整个行业都是好消息——意味着未来模型能力的提升不完全依赖天价算力。

三个备选标题

GLM-5.3 今天发布：编程能力暴涨50%，开源模型第一次站上巅峰（数字+悬念）
智谱 GLM-5.3 来了：Terminal-Bench 从 4.6 到 28.3，开源编程模型变天了（数字+威胁）
不换底座，编程能力涨50%：GLM-5.3 的后训练 Scaling 有多猛（反常识）

关注 varkm，一起学习，一起成长

MiMo v2.5-Pro长测30天：小米推理模型的真实能力边界

Tue, 11 Aug 2026 09:30:00 +0800

先说结论

用了30天，我的判断是：MiMo v2.5-Pro 是目前性价比最高的 Agent 模型，但不是万能模型。

Agent 能力全球开源第一、Token 效率比竞品省 40-60%、缓存命中价低到 ¥0.025/百万 token——这些数据都是真的。但通识推理比 DeepSeek 差 20 分、多源信息合成时会编造不存在的产品、缓存命中率远达不到官方声称的 89%——这些坑也是真的。

30天下来，我总结出一个选型原则：Agent/自动化场景优先考虑 MiMo，知识密集型任务换别的模型。

我的使用场景

过去30天，我把 MiMo v2.5-Pro 接入了日常工作流的全部环节：

每日内容选题、写稿、审校
技术调研和竞品分析
Python/Shell/JavaScript 代码生成与调试
运维自动化（定时任务编排、部署流水线）
知识库管理和记忆检索

日均消耗约 50-80 万 token，30天累计超过 1500 万 token。不是跑 benchmark，是真刀真枪干活。

模型基本面

先摆参数，后面所有结论都基于这个基础：

项目	MiMo-V2.5-Pro
厂商	小米 Core AI 团队
发布	2026年4月27日
架构	MoE，1.02T 总参 / 42B 激活
上下文	1M tokens
最大输出	128K tokens
开源	MIT

架构上是典型的 MoE（混合专家），总参数万亿级但每次推理只激活 42B，这就是它便宜的原因之一。

四款国产模型横评

30天里我同时用过 DeepSeek V4-Pro、Kimi K2.6 和 GLM-5.1，直接上对比表：

维度	MiMo V2.5-Pro	DeepSeek V4-Pro	Kimi K2.6	GLM-5.1
Agent 能力	1581 (GDPVal-AA)	—	—	—
SWE-bench Pro	57.2%	—	58.6%	58.4%
MMLU-Pro	68.5%	87.5%	—	—
输入价/百万token	¥3	¥12（限时¥3）	—	~¥10
缓存命中价	¥0.025	¥1.2	—	—
上下文窗口	1M	1M	128K	202K
Token 效率	最优	次优	比 MiMo 多 85%	比 MiMo 多 20%

一句话总结：MiMo 在 Agent 场景碾压，但在 MMLU-Pro 这类通识考试上被 DeepSeek 和 Qwen 拉开 20 分差距。

30天验证的6个真实优势

1. Token 效率是真的省

这是最直观的感受。做同样的任务，MiMo 的 Token 消耗比 Claude Sonnet 少 40-60%。VentureBeat、dayahimour.org、Superculture 三个独立来源都确认了这个数字。

体现在账单上更明显——缓存命中价 ¥0.025/百万 token，比 DeepSeek 的 ¥1.2 便宜 48 倍。一个月下来，我的 API 账单大概只有之前用 DeepSeek 的 1/3。

2. 代码能力扎实

Python、Shell、JavaScript 的代码生成都很可靠。工具调用错误率低（平均 2.82%），结构化输出基本能用。

日常的运维脚本、数据处理脚本、API 对接代码，MiMo 生成的质量和 DeepSeek 差不多，但 Token 消耗少很多。这是它性价比高的核心原因。

3. 中文表达自然

这一点比 Claude 和 GPT 都好。MiMo 生成的中文没有那种翻译腔，用词和句式都比较地道。写公众号文章时 AI 味明显更低，审校时需要改的地方更少。

4. 1M 上下文是真能用

不是所有标 1M 的模型都能真的处理 100 万 token。MiMo 的长上下文在实际使用中表现稳定，我在处理长文档和多轮对话时没有遇到上下文丢失的问题。

5. 推理稳定

复杂任务规划、多步骤决策、条件分支判断——这些场景下 MiMo 的表现很一致，不会出现"上一步还行下一步就飞了"的情况。

6. 生态适配广

OpenRouter 上 MiMo 的流量排名靠前，DeepInfra、Xiaomi 直连、AtlasCloud 等多个提供商都有部署。选提供商时有冗余，不会被单一节点卡死。

30天踩过的5个坑（必须诚实说）

坑1：多源信息合成会幻觉（最严重）

这是 30 天里最惊悚的一次。我在做选题推荐时，让模型同时处理 HN、V2EX、Product Hunt、HuggingFace、arXiv、Dev.to 六个平台的热门数据。

输出 5 个推荐选题，其中 4 个存在幻觉：

编造了一个不存在的模型"Meta Muse Glimmer 30B"
编造了具体的数字"HN score 1023"
编造了根本不存在的产品名称

根因：大量异构数据同时输入时，模型容易把不同来源的信息混搭，生成看似合理但完全虚构的内容。

教训：凡是涉及"从多个来源汇总信息"的任务，必须逐条验证。不能信任模型给出的具体数字和产品名。

坑2：通识推理是明显短板

MMLU-Pro 只有 68.5%，DeepSeek V4-Pro 是 87.5%，差了将近 20 分。GPQA-Diamond 也类似，MiMo 66.7% vs Qwen3.5-Plus 88.4%。

实际体感：问一些需要广泛知识储备的问题（比如解释某个物理概念、分析某个历史事件），MiMo 的回答深度明显不如 DeepSeek。它更像一个"做事的模型"而不是"博学的模型"。

坑3：长任务偶尔中断

社区评测里提到的"长时间任务生成中断"，我自己也遇到过。特别是在处理大量文件或复杂编排任务时，偶尔会突然中断输出。

不是每次都发生，但概率不低。对于需要持续运行的自动化任务，这是个风险点，需要做好重试和断点续传的逻辑。

坑4：缓存命中率名不副实

官方声称缓存命中率约 89%，TRAE 社区实测约 40%，我的使用体验也差不多。

这意味着实际账单会比理论计算高不少。如果按 89% 命中率算成本，实际可能只有一半多的请求命中缓存，成本直接翻倍。定价虽然便宜，但不要按最理想情况做预算。

坑5：Pro 版不支持多模态

MiMo-V2.5-Pro 是纯文本模型。需要理解图片、音频、视频时，必须切换到 V2.5 基础版。

这在实际使用中是个麻烦。比如让我分析一张截图里的数据，Pro 版直接报错，得手动切模型。如果你的工作流涉及多模态输入，要提前规划好模型切换策略。

定价：真正的价格屠夫

模型	输入/百万token	输出/百万token	缓存命中
MiMo V2.5-Pro	¥3	¥6	¥0.025
DeepSeek V4-Pro	¥12（限时¥3）	¥24（限时¥6）	¥1.2
GLM-5.1	~¥10	~¥32	—

缓存命中价 ¥0.025/百万 token，降幅 99%。

小米的降价逻辑来自推理系统优化：基于 SGLang HiCache，KV Cache 在 GPU/CPU/SSD 多级存储间的传输量降到优化前的 1/7，可缓存 Token 数提高到 5 倍。

到底该不该用？

30天下来，我的选型逻辑变成了这样：

场景	推荐模型	理由
Agent / 自动化任务	MiMo V2.5-Pro	Agent 能力开源第一，Token 效率最优
代码生成 / 脚本	MiMo V2.5-Pro	可靠且便宜
通识推理 / 科学问答	DeepSeek V4-Pro 或 Qwen3.5	MMLU-Pro 差距 20+ 分
中文内容创作	MiMo V2.5-Pro	中文表达自然，AI 味低
多模态理解	Qwen3.5-Plus 或 MiMo V2.5	Pro 版不支持
预算敏感	DeepSeek V4-Pro（限时折扣）	折扣期间性价比也不错

一句话：如果你的场景是 Agent 自动化和代码生成，MiMo V2.5-Pro 的性价比目前很难被超越。但通识推理的短板是真实存在的，不适合所有场景。

30天长测最大的收获是搞清楚了它适合做什么、不适合做什么。模型选型的关键是匹配你的具体场景。

备选标题（供公众号选用）：

用了30天小米推理模型，这些坑官方文档不会告诉你

MiMo v2.5-Pro 长测30天：Agent 能力确实强，但这几个问题必须说

小米推理模型到底行不行？30天高强度实测给你答案