AI BENCHY 对比
OpenAI: GPT-5.3 Chat vs Z.ai: GLM 5.1
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-22
| 指标 | GPT-5.3 Chat GPT-5.3 Chat none | GLM 5.1 GLM 5.1 medium |
|---|---|---|
| 分数 | 7.4 | 7.4 |
| 排名 | #52 | #51 |
| 可靠性 | 10.0 | 3.3 |
| 一致性 | 8.4 | 8.3 |
| 测试正确 | ||
| 尝试通过率 | 68.3% | 71.7% |
| 不稳定测试 | 4 | 4 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 3.342 | 2.379 |
| 总成本 | $0.401 | $0.286 |
| ???? | $1.750 / 1M | $0.980 / 1M |
| ???? | $14.000 / 1M | $3.080 / 1M |
| 输出令牌 | 24,689 | 11,475 |
| 推理令牌 | 0 | 71,876 |
| 响应时间（平均） | 6.10s | 32.22s |
| 响应时间（最大） | 18.33s | 172.60s |
| 响应时间（总计） | 121.99s | 612.25s |
分数 vs 总成本
响应时间（平均）
分数 vs 响应时间（平均）
总输出令牌
分数 vs 总输出令牌
类别细分
| 反AI技巧 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 6.7 | 8.1 | 58.3% | 1 | 3.86s | 3,167 | 0 | |
| GLM 5.1 | 10.0 | 10.0 | 100.0% | 0 | 8.31s | 401 | 5,122 |
| 编程 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 6.9 | 6.2 | 66.7% | 1 | 10.52s | 4,772 | 0 | |
| GLM 5.1 | 4.7 | 1.6 | 66.7% | 2 | 145.56s | 4,727 | 34,384 |
| 综合 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 11.96s | 2,614 | 0 | |
| GLM 5.1 | 9.5 | 10.0 | 100.0% | 0 | 43.11s | 327 | 4,206 |
| 数据解析与提取 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 2.21s | 942 | 0 | |
| GLM 5.1 | 10.0 | 10.0 | 100.0% | 0 | 9.33s | 991 | 4,552 |
| 领域专项 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 3.5 | 4.4 | 33.3% | 2 | 13.01s | 8,264 | 0 | |
| GLM 5.1 | 5.3 | 10.0 | 33.3% | 0 | 29.77s | 969 | 11,314 |
| 通用智能 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 4.6 | 10.0 | 0.0% | 0 | 1.99s | 319 | 0 | |
| GLM 5.1 | 10.0 | 10.0 | 100.0% | 0 | 20.95s | 2,875 | 2,875 |
| 指令遵循 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 9.8 | 10.0 | 100.0% | 0 | 3.29s | 1,455 | 0 | |
| GLM 5.1 | 6.4 | 5.8 | 66.7% | 1 | 7.47s | 204 | 1,617 |
| 谜题求解 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 2.93s | 1,726 | 0 | |
| GLM 5.1 | 8.2 | 7.2 | 88.9% | 1 | 23.85s | 899 | 5,627 |
| 工具调用 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 8.36s | 861 | 0 | |
| GLM 5.1 | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 |
| 常识问答 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 3.0 | 10.0 | 0.0% | 0 | 4.38s | 569 | 0 | |
| GLM 5.1 | 3.0 | 10.0 | 0.0% | 0 | 29.40s | 82 | 2,179 |
快速对比
切换对比组合
GPT-5.3 ChatnonevsMiMo-V2.5mediumGemini 3.1 Flash LitelowvsGLM 5.1mediumKimi K2.6mediumvsGPT-5.3 ChatnoneDeepSeek V4 Flashhigh免费可用vsGPT-5.3 ChatnoneGemini 3.1 Flash LitelowvsGPT-5.3 ChatnoneDeepSeek V4 Flashhigh免费可用vsGLM 5.1mediumGPT-5.3 ChatnonevsQwen3.5-FlashmediumGPT-5.3 ChatnonevsStep 3.5 FlashmediumGemini 3.1 Flash Lite PreviewnonevsGLM 5.1mediumGPT-5.3 ChatnonevsQwen3.6 FlashmediumGPT-5.3 ChatnonevsGLM 5V TurbomediumGemma 4 26B A4Bmedium免费可用vsGPT-5.3 Chatnone