GLM-5.3 与 Fable 5 同一水平，价格只要十分之一

Terminal Bench 4.0 刚发布，用来比较各模型在编码任务上的表现。它迭代得很快，目的是跟上新模型发布的节奏，防止基准测试饱和。GLM-5.3 来自 Z.ai。

价格差距是讨论的焦点。一条高赞评论说，平均而言 Fable 仍然更好，但 GLM-5.3 的表现令人印象深刻，而这一切只要 Fable 十分之一的钱。按性能和价格一起算，GLM-5.3 已经不能忽略。

便宜不等于总开销一定更低。Terminal Bench 4.0 上，GLM-5.3 的运行成本是 2,700 美元。GPT-5.6 Sol 是 2,500 美元，反而更低。它表现略好，但消耗的 token 几乎是后者的两倍。上一版 3.0 则相反：两个模型消耗的 token 大致相同，GPT-5.6 Sol 的成本是 GLM 的两倍多。token 效率和价格一起波动，实际账单取决于版本和任务。

榜单成绩和真实体验并不总是一回事。一个开发者用本地部署的 DeepSeek Flash 写代码，但把 GLM 5.3 当作代码审查的首选。理由是它能发现 GPT Sol 漏掉的问题。也有人试过包括 GLM 5.2 在内的好几个模型，结论是表现好坏取决于具体任务。Opus 排第一，这本身就让一些人怀疑基准：它用起来像一个需要不断监督的小孩，Fable 恰恰相反，更擅长把实际工作做完。

怀疑不是孤例。有评论觉得新模型的得分高得不正常，说这不仅仅是基准饱和的问题。不同基准之间也互相矛盾：Livebench 把 GLM-5.3 排在 Qwen 3.8 Flash Next 之下。

大型基准测试本身有门槛：每次要消耗 50 亿到 100 亿个 token。对大多数个人开发者和小团队来说，这不现实。有评论建议别依赖公共排行榜，改用自己的失败案例：从混乱的编码会话里挑 20 到 30 个任务，固定仓库、工具和预算，组成私有测试集。最后比较成功率、token 数量、用时和人工干预频率。原发帖者想要的也差不多——客观衡量自己的技能和工具如何影响 token 使用与成功率。

细节还没聊完。GLM-5.3 可以本地跑在单台 Mac Studio M5 Ultra（512GB 内存）上，4 比特精度，几乎无损失；也可以由四台 DGX Spark 组成集群跑。有评论说，用 Zcode harness 跑这个基准，GLM-5.3 的得分应该更高。但这套 harness 还没有 CLI 版本。评论区的关注点也不全在性能上，有人提出的另一套标准是：模型适不适合当“网络老婆”。

有人已经在期待 Terminal Bench 5.0：“我现有的模型会越来越差。”