AI BENCHY 对比

OpenAI: GPT-5.4 vs Z.ai: GLM 5.2

摘要

GPT-5.4 (medium) 平均分领先，为 8.5 vs 8.0。 GLM 5.2 (high) benchmark 成本更低，为 $0.667 vs $1.210。 GPT-5.4 (medium) 更快，为 22.35s vs 37.09s，通过率为 76.2% vs 77.8%。

推荐模型GPT-5.4 (medium)它在这里得分最高（8.5），同时响应速度比GLM 5.2 (high)快约 1.7 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-14

指标	GPT-5.4 GPT-5.4 medium 发布日期: 2026-03-05	GLM 5.2 GLM 5.2 high 发布日期: 2026-06-17

指标	GPT-5.4 GPT-5.4 medium 发布日期: 2026-03-05	GLM 5.2 GLM 5.2 high 发布日期: 2026-06-17
分数	8.5	8.0
排名	#20	#32
可靠性	10.0	9.3
一致性	8.6	7.6
测试正确
尝试通过率	76.2%	77.8%
不稳定测试	4	6
总运行次数	63	63
每个结果成本	8.640	4.255
总成本	$1.210	$0.667
输入价格	$2.500 / 1M	$0.929 / 1M
输出价格	$15.000 / 1M	$2.918 / 1M
总输入令牌	34,108	34,993
输出令牌	2,242	51,575
推理令牌	72,707	166,065
响应时间（平均）	22.35s	37.09s
响应时间（最大）	100.41s	180.69s
响应时间（总计）	469.29s	778.91s

生成展示

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#20 GPT-5.4

medium

成本: $0.214
时间: 199.6s
令牌: 14,349 tok

#32 GLM 5.2

high

无效SVG

成本: $0.000
时间: 300.0s
令牌: 0 tok

按分数排名的模型

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

类别:

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	8.3	10.0	75.0%	0		4.11s	606	240	1,511
GLM 5.2	10.0	10.0	100.0%	0		5.80s	639	406	2,660

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	8.8	7.8	88.9%	1		44.36s	7,305	433	24,216
GLM 5.2	6.4	4.4	77.8%	2		73.03s	5,124	2,302	22,546

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	10.0	10.0	100.0%	0		20.57s	11,019	301	3,543
GLM 5.2	10.0	10.0	100.0%	0		43.51s	12,696	711	4,267

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	10.0	10.0	100.0%	0		5.32s	7,140	234	804
GLM 5.2	10.0	10.0	100.0%	0		5.81s	7,143	435	1,414

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	5.3	7.2	44.4%	1		74.27s	619	61	34,748
GLM 5.2	3.5	4.4	33.3%	2		73.97s	551	46,693	90,566

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	4.7	3.1	33.3%	1		4.92s	477	145	321
GLM 5.2	10.0	10.0	100.0%	0		12.90s	498	63	1,743

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	10.0	10.0	100.0%	0		3.11s	660	93	897
GLM 5.2	10.0	10.0	100.0%	0		4.26s	678	151	1,210

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	8.2	7.2	88.9%	1		9.14s	642	441	3,815
GLM 5.2	6.0	4.6	66.7%	2		33.71s	665	568	22,392

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	10.0	10.0	100.0%	0		13.28s	5,445	264	1,031
GLM 5.2	10.0	10.0	100.0%	0		9.25s	6,861	246	503

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）	输入令牌	输出令牌	推理令牌
GPT-5.4	3.0	10.0	0.0%	0		13.95s	195	30	1,821
GLM 5.2	3.0	10.0	0.0%	0		127.82s	138	0	18,764

快速对比

切换对比组合

GPT-5.4 MinimediumvsGLM 5.2high Qwen3.5 Plus 2026-02-15mediumvsGLM 5.2high KAT-Coder-Pro V2.5lowvsGLM 5.2high Nemotron 3 Ultra 550b A55bmedium免费可用vsGLM 5.2high Qwen3.7 PlusmediumvsGLM 5.2high Qwen3.5-27BmediumvsGLM 5.2high Claude Sonnet 5mediumvsGLM 5.2high Qwen3.6 PlusmediumvsGLM 5.2high Gemini 2.5 FlashmediumvsGLM 5.2high GPT-5.6 TerramediumvsGLM 5.2high Claude Sonnet 4.6mediumvsGLM 5.2high Grok 4.5lowvsGLM 5.2high