AI BENCHY 对比

OpenAI: GPT-5.5 vs Z.ai: GLM 5.2

摘要

GPT-5.5 (medium) vs GLM 5.2 (high) benchmark 对比：GPT-5.5 (medium) 平均分领先，为 9.0 vs 8.0。 GLM 5.2 (high) benchmark 成本更低，为 $0.554 vs $3.679。 GLM 5.2 (high) 更快，为 37.09s vs 37.98s，通过率为 87.3% vs 77.8%。

推荐模型: GLM 5.2 (high) - 它提供了最佳整体取舍：得分有竞争力（8.0），成本低于GPT-5.5 (medium)，响应时间也较均衡。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-10

指标	GPT-5.5 GPT-5.5 medium 发布日期: 2026-04-24	GLM 5.2 GLM 5.2 high 发布日期: 2026-06-17

指标	GPT-5.5 GPT-5.5 medium 发布日期: 2026-04-24	GLM 5.2 GLM 5.2 high 发布日期: 2026-06-17
分数	9.0	8.0
排名	#12	#32
可靠性	10.0	9.3
一致性	8.9	7.6
测试正确
尝试通过率	87.3%	77.8%
不稳定测试	3	6
总运行次数	63	63
每个结果成本	21.638	4.255
总成本	$3.679	$0.554
输入价格	$5.000 / 1M	$0.770 / 1M
输出价格	$30.000 / 1M	$2.420 / 1M
总输入令牌	34,212	34,993
输出令牌	1,985	51,575
推理令牌	114,925	166,065
响应时间（平均）	37.98s	37.09s
响应时间（最大）	332.10s	180.69s
响应时间（总计）	797.60s	778.91s

生成展示

Hamster playing table tennis

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

#12 GPT-5.5

medium

成本: $0.112
时间: 71.9s
令牌: 3,807 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

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-5.5	10.0	10.0	100.0%	0		4.66s	606	250	1,335
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-5.5	8.8	7.8	88.9%	1		59.77s	7,305	362	24,959
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-5.5	10.0	10.0	100.0%	0		19.29s	11,019	312	2,841
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-5.5	10.0	10.0	100.0%	0		4.18s	7,140	234	593
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-5.5	5.3	7.2	44.4%	1		164.14s	723	67	79,625
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-5.5	10.0	10.0	100.0%	0		4.16s	477	138	223
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-5.5	10.0	10.0	100.0%	0		3.36s	660	93	538
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-5.5	10.0	10.0	100.0%	0		6.76s	642	241	2,225
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-5.5	10.0	10.0	100.0%	0		10.57s	5,445	258	832
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-5.5	2.8	1.6	33.3%	1		37.86s	195	30	1,754
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 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 Gemini 3.5 FlashlowvsGPT-5.5medium