GLM-5.1

偏贵、记性不错、会深思的开源模型

聪明世界#56

编程中等

记性200K

便宜$4.4

记性换算成体感：一次能读完一本《三体》

GLM 系列的文本模型 · 按发布时间

共 13 个 · 这里是相邻的 7 个 · 智谱的全部模型 →

电脑

74.2% · SWE-bench Verified · Epoch AI 统一复跑

书架

3 层 · 记忆 200K tokens

黑板

数学与科学推理

日历

知识截止日期未公开

冰箱

支持上下文缓存，能存记忆

敞开的门

开源权重，谁都能进

综合智力、数学、科学、抽象推理与长文本数据来自 Epoch AI（CC-BY 4.0）。写「未参赛」的项目表示该模型没有被这项评测收录，不代表它做不到——本站不会用估算值填补空缺。

SWE-bench Verified74.2%
从真实 GitHub 仓库里挑出的 500 个 issue，看模型能不能提交出通过测试的补丁。业界最通行的编程标尺。这一列由 Epoch AI 用统一脚手架复跑。第三方实测
https://epoch.ai/benchmarks
LiveBench 智能体编程55.0%
LiveBench 的智能体编程分项：不是写一段代码，而是像开发者那样多轮改动一个项目。第三方实测
https://livebench.ai/#/?release=2026-01-08
LiveBench 编程分项75.4%
LiveBench 每月换新题以避免污染，这一列是它的编程分项均分。第三方实测
https://livebench.ai/#/?release=2026-01-08
ALE-Bench887
AtCoder 启发式算法竞赛题，考的是给一个没有标准答案的优化问题找出尽量好的解。分数是 137–2177 的评分标度，不是百分比。和「修 bug」是两种能力。第三方实测
https://epoch.ai/benchmarks
WebDev Arena1509 Elo
让两个模型各写一个网页，由人来投票选哪个更好，按对战胜负算 Elo 分。考的是前端开发的实际观感，和「能不能修复一个后端 bug」不是一回事。第三方实测
https://epoch.ai/benchmarks

这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。

名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。

综合

综合智力149.7第 56 / 208
Epoch Capabilities Index，把十几项学术评测归并成一个总分。想知道「谁最强」，先看这一栏。第三方实测
https://epoch.ai/benchmarks
SimpleBench55.1%第 41 / 103
一套普通人能轻松答对、模型却常常答错的常识题。分数越高越少犯「一看就傻」的错。第三方实测
https://simple-bench.com/

数学

FrontierMath36.8%第 58 / 99
由职业数学家出的原创难题，连数学博士都要花几小时甚至几天。分数是解出的比例，能过一成就是前沿水平。第三方实测
https://epoch.ai/frontiermath
FrontierMath（旧版）33.5%第 17 / 95
FrontierMath 2025 年初的版本，已被新题库取代。留作历史对照。第三方实测
https://epoch.ai/frontiermath
FrontierMath 第四层（旧版）12.5%第 15 / 66
FrontierMath 第四层 2025 年中的版本，已被新题库取代。第三方实测
https://epoch.ai/frontiermath
AIME 数学93.3%第 40 / 191
美国高中数学邀请赛难度的模拟题，是数学竞赛能力的通行标尺。答对比例，满分 100。第三方实测
https://epoch.ai/benchmarks
ProofBench22.2%第 37 / 79
不是算出答案，而是写出完整证明并由人评判。考的是数学推理的严谨程度。第三方实测
https://www.vals.ai/benchmarks/proof_bench

知识与推理

GPQA 科学89.9%第 41 / 197
博士级别的物理、化学、生物选择题，题目设计到「谷歌也搜不到答案」。随机乱猜是 25 分。第三方实测
https://epoch.ai/benchmarks
SimpleQA 事实问答34.0%第 60 / 97
一问一答的冷门事实题，测的是「知不知道」和「会不会瞎编」。分数低的模型更容易一本正经地胡说。第三方实测
https://www.kaggle.com/benchmarks/deepmind/simpleqa-verified
CritPt 物理4.6%第 54 / 163
研究级别的物理问题，由在职物理学家出题。测的是能不能做前沿科研级的推理。第三方实测
WeirdML57.1%第 41 / 146
一批刻意古怪的小型机器学习任务，模型要自己写代码训练并拿到成绩。考的是解决陌生问题的能力。第三方实测
https://htihle.github.io/weirdml.html

智能体

经营售货机$5,634第 18 / 89
Vending-Bench：让模型经营一台虚拟售货机一整年——进货、定价、付租金。分数是最后账上的钱，考的是长期不犯糊涂。第三方实测
https://andonlabs.com/evals/vending-bench
ExploitBench18.1%第 6 / 9
给一个真实的软件漏洞，看模型能不能写出利用代码。安全评测，不是日常能力。第三方实测

多模态

GBA 游戏评测0.0%第 22 / 23
看画面操作掌机游戏，测的是视觉理解加实时决策。第三方实测
https://gbaeval.com/model/goose-glm-5-1

游戏与谜题

国际象棋残局19.0%第 77 / 156
给一个棋局找出最佳着法。分数是解对的比例，随机乱走约 5 分。第三方实测
https://epoch.ai/benchmarks/chess-puzzles

以上为 B 站搜索结果，按播放量排（站长的视频置顶），内容由各 UP 主提供，不代表本站观点。