AI BENCHY 对比

xAI: Grok 4.5 vs Z.ai: GLM 5.2

摘要

Grok 4.5 (medium) vs GLM 5.2 (medium) benchmark 对比：GLM 5.2 (medium) 平均分领先，为 8.7 vs 8.3。 GLM 5.2 (medium) benchmark 成本更低，为 $0.098 vs $1.696。 GLM 5.2 (medium) 更快，为 23.28s vs 62.63s，通过率为 77.8% vs 84.1%。

推荐模型: GLM 5.2 (medium) - 它在这里得分最高（8.7），同时成本比Grok 4.5 (medium)低约 17.5 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-08

指标	Grok 4.5 Grok 4.5 medium 发布日期: 2026-07-08	GLM 5.2 GLM 5.2 medium 发布日期: 2026-06-17

指标	Grok 4.5 Grok 4.5 medium 发布日期: 2026-07-08	GLM 5.2 GLM 5.2 medium 发布日期: 2026-06-17
分数	8.3	8.7
排名	#23	#14
可靠性	9.9	9.5
一致性	8.9	8.4
测试正确
尝试通过率	77.8%	84.1%
不稳定测试	3	4
总运行次数	63	63
每个结果成本	11.304	2.159
总成本	$1.696	$0.098
输入价格	$2.000 / 1M	$0.420 / 1M
输出价格	$6.000 / 1M	$1.320 / 1M
总输入令牌	53,500	37,199
输出令牌	1,621	12,261
推理令牌	263,127	49,500
响应时间（平均）	62.63s	23.28s
响应时间（最大）	436.38s	101.36s
响应时间（总计）	1315.20s	488.94s

生成展示

Hamster playing table tennis

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

#23 xAI: Grok 4.5

medium

成本: $0.044
时间: 59.4s
令牌: 7,512 tok

#14 GLM 5.2

medium

成本: $0.041
时间: 195.8s
令牌: 9,287 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
Grok 4.5	10.0	10.0	100.0%	0		23.50s	2,991	147	4,018
GLM 5.2	10.0	10.0	100.0%	0		5.89s	639	497	2,634

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
Grok 4.5	7.6	7.2	77.8%	1		155.69s	9,579	390	104,634
GLM 5.2	8.2	7.2	88.9%	1		40.96s	7,317	1,475	17,123

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
Grok 4.5	10.0	10.0	100.0%	0		15.65s	15,084	261	4,254
GLM 5.2	10.0	10.0	100.0%	0		51.96s	12,696	458	4,531

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
Grok 4.5	10.0	10.0	100.0%	0		6.29s	8,937	225	3,657
GLM 5.2	10.0	10.0	100.0%	0		13.44s	7,149	348	2,345

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
Grok 4.5	2.9	7.2	11.1%	1		198.89s	2,212	11	121,922
GLM 5.2	4.1	4.4	44.5%	2		45.47s	551	8,188	11,606

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
Grok 4.5	6.5	3.4	66.7%	1		12.84s	1,077	71	2,384
GLM 5.2	10.0	10.0	100.0%	0		17.39s	498	54	1,842

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
Grok 4.5	9.8	10.0	100.0%	0		6.06s	1,857	57	2,728
GLM 5.2	9.9	10.0	100.0%	0		7.90s	678	94	1,518

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
Grok 4.5	10.0	10.0	100.0%	0		7.75s	2,430	254	3,641
GLM 5.2	8.2	7.2	88.9%	1		13.13s	672	536	4,822

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
Grok 4.5	10.0	10.0	100.0%	0		6.57s	8,544	192	968
GLM 5.2	10.0	10.0	100.0%	0		20.41s	6,861	230	550

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
Grok 4.5	3.0	10.0	0.0%	0		74.44s	789	13	14,921
GLM 5.2	3.0	10.0	0.0%	0		34.25s	138	381	2,529

快速对比

切换对比组合

DeepSeek V4 FlashhighvsGrok 4.5medium GPT-5.2 ChatnonevsGrok 4.5medium GPT-5.2 ChatnonevsGLM 5.2medium DeepSeek V4 FlashhighvsGLM 5.2medium Gemini 3.5 FlashlowvsGLM 5.2medium Claude Opus 4.8lowvsGrok 4.5medium Step 3.7 FlashlowvsGrok 4.5medium GPT-5.5lowvsGLM 5.2medium DeepSeek V4 ProhighvsGrok 4.5medium GPT-5.3 ChatnonevsGrok 4.5medium Grok 4.5lowvsGLM 5.2medium Gemini 3.5 FlashlowvsGrok 4.5medium