GLM-5.2与Grok-4.6AI成本测试，结果打破预算分配认知
我们对开启最大深度推理（thinking=max）的GLM-5.2和开启低深度推理（thinking=low）的Grok-4.6，完成了逻辑推理、编码、写作三类相同基准测试。测试没有使用厂商营销数据，用真实token统计、真实成本和真实代码得到结果，打破了我们原本对AI预算分配方向的假设。
有人建议我们尝试低推理设置的Grok-4.6，称它可能比我们默认使用的最大推理GLM-5.2性能更好，成本更低。我们开展了这次测试，我们与两个厂商都没有利益相关，同时付费使用两款模型——通过Ollama云计划使用GLM-5.2，通过OpenRouter使用Grok-4.6，我们只想弄清楚哪个模型能实现单位美元更高产出，应该把计算资源预算投在哪里。
测试在OpenRouter API上完成，两个模型使用完全相同的提示词和参数。
第一个测试是狼羊卷心菜过河逻辑推理题，要求分步解答。GLM-5.2耗时12.6秒，总token1752个，推理token900个，成本0.004115美元；Grok-4.6耗时10.2秒，总token856个，推理token327个，成本0.003868美元。
两个模型都正确解出题目，GLM-5.2的解答更详细，对新手更友好；Grok-4.6更简洁，同样准确。两者成本只差约0.0003美元，差异极小，本次测试结果为平局。
第二个测试是编写Python最长回文子串函数，要求包含算法说明、时间复杂度和至少两个带断言的测试用例。GLM-5.2耗时13.1秒，总token1091个，推理token265个，成本0.001613美元；Grok-4.6耗时11.3秒，总token1041个，推理token452个，成本0.005086美元。
两个模型都采用扩展中心算法，时间复杂度O(n²)，空间复杂度O(1)，全部测试都通过。GLM-5.2的代码清晰、注释完整，覆盖5种边界测试用例，单独分析了复杂度；Grok-4.6的代码更紧凑，但索引计算晦涩，后续修改容易出bug，仅包含4个测试用例和一行复杂度注释。
本次测试GLM-5.2胜出，它的文档更完善、测试覆盖更全、代码可读性更高，成本仅为Grok-4.6的三分之一。
第三个测试是撰写150词的执行摘要，论证从第三方社交工具迁移到自托管方案，核心围绕成本、控制权和可靠性三个方向。GLM-5.2耗时13.2秒，总token2232个，推理token1850个，成本0.005305美元；Grok-4.6耗时12.4秒，总token824个，推理token390个，成本0.003736美元。
两个模型都满足字数要求，覆盖了全部三个核心方向。GLM-5.2风格更偏向企业正式表述，专业但有较多行业套话；Grok-4.6表述更直接具体，论点更清晰。GLM-5.2在千余字符的输出上，消耗的推理token比输出本身还多，属于过度思考。
本次测试Grok-4.6胜出，它的文字更凝练，表述更具体，没有浪费推理资源。
汇总三项测试结果，GLM-5.2总成本0.012625美元，总token5041个，总推理token3116个，总耗时33.6秒，总输出长度7734字符；Grok-4.6总成本0.011310美元，总token2491个，总推理token872个，总耗时31.5秒，总输出长度3615字符。
Grok-4.6总token减少53%，推理token减少72%，整体成本比GLM-5.2低约10%。但token效率除了单调用成本外，还会影响速率限制、吞吐量，以及固定时间内能完成的工作量。
我们通过Ollama云计划使用GLM-5.2，该计划是固定费率，每周有充足的使用额度，我们每天做大量AI工作，几个月来从来没有用完额度。2026年8月14日GLM-5.3已经发布，会在Ollama免费更新，不需要额外付费。
我们通过OpenRouter按token付费使用Grok，本次测试同一天，我们之前购买的xAI API额度就已经耗尽。按token付费的模式下，额度消耗完就必须再次购买，是持续的运营支出。
低推理设置的Grok-4.6是一款不错的模型，它输出紧凑，推理高效，适合单次、对输出简洁度有要求、不介意成本的任务。
但对每天都要运行AI代理，完成编码、调研、写作、流程编排的企业来说，性价比结论很清晰。性能足够、可用量无限制、还能免费升级的模型更合适，按token计费、半天就会耗尽额度的模型没有优势。
我们会继续把GLM-5.2计划作为主要计算资源，停止在Grok API上按token消费。等GLM-5.3上线Ollama后，我们会重新测试评估。
所有测试于2026年8月14日完成，token计数和成本来自OpenRouter API返回的使用元数据，代码在本地Python 3.12环境测试验证，完整结果保存在SMF Works。