BenchLeader

Claude Opus 4.8 vs GLM 5.2

完整资料:Claude Opus 4.8(Anthropic)和 GLM 5.2(Zhipu AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,Claude Opus 4.8 与 GLM 5.2 的质量不相上下(BenchLeader Index 61.1 比 58.9,在 ±5.6 的误差范围内)。GLM 5.2 更便宜,对方的价格是它的 4.7 倍(每百万 token 混合价格 $2.15 比 $10.00)。看重知识(61 比 44)、数学(68 比 53)和推理(64 比 57)选 Claude Opus 4.8;看重指令遵循(72 比 62)和智能体与工具(62 比 57)选 GLM 5.2。

要点(截至 2026年11月16日)

  • Claude Opus 4.8 的 BenchLeader Index 为 61.1,GLM 5.2 为 58.9(BenchLeader,2026年11月16日)。
  • Claude Opus 4.8 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • GLM 5.2 每百万 token 混合价格为 $2.15(标价,2026年11月16日)。
  • 在两者都有结果的 43 项基准测试中,Claude Opus 4.8 领先 37 项(BenchLeader,2026年11月16日)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程均可类别得分 62 比 62;SciCode 53.5% 比 51.2%均可
智能体与工具调用GLM 5.2类别得分 62 比 57;τ³-Banking (AA) 34.6% 比 34.2%中
数学Claude Opus 4.8类别得分 68 比 53;FrontierMath Tiers 1–3 80.0% 比 59.2%高
推理Claude Opus 4.8类别得分 64 比 57;GPQA Diamond 91.0% 比 91.9%中
知识Claude Opus 4.8类别得分 61 比 44;SimpleQA Verified 53.0% 比 34.2%高
长文档均可类别得分 63 比 64;AA-LCR v1.1 77.7% 比 78.3%均可
指令遵循GLM 5.2类别得分 72 比 62;IFBench 73.3% 比 62.2%高
对话质量(人类偏好)–只有 GLM 5.2 有 Arena 评分(类别得分 66)无法比较
成本最低GLM 5.2每百万 token 混合价格 $2.15 比 $10.00;智能体编程会话 $0.102 比 $0.400–
首次回答最快GLM 5.2首个回答 token 26.8 秒(GLM 5.2 (max))比 39.1 秒(Claude Opus 4.8 (max))–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • Claude Opus 4.8 (max) 与 GLM 5.2 (max) 的质量不相上下(61.1 比 58.9,在 ±5.6 的误差范围内)。
  • Claude Opus 4.8 (max) 在编程、知识、数学、推理方面更强。
  • GLM 5.2 (max) 在智能体与工具、指令遵循、长上下文方面更强。
  • GLM 5.2 (max) 更便宜,对方的价格是它的 4.7 倍(每百万 token 混合价格 $2.15 比 $10.00)。

概览

规格Claude Opus 4.8GLM 5.2
提供商AnthropicZhipu AI
发布日期2026年5月28日2026年6月16日
上下文窗口(token)1,000,0001,000,000
对比时的配置Claude Opus 4.8 (max)GLM 5.2 (max)
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$5.00 / $25.00 / $0.500$1.40 / $4.40 / $0.260

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Claude Opus 4.8 (max)GLM 5.2 (max)领先者
推理64.157.2Claude Opus 4.8
编程61.961.8持平
智能体与工具56.962.1GLM 5.2
数学67.752.6Claude Opus 4.8
知识61.044.3Claude Opus 4.8
指令遵循62.171.8GLM 5.2
人类偏好–66.4无法比较
长上下文63.463.8持平

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学知识指令遵循长上下文Claude Opus 4.8, 推理: 64.1Claude Opus 4.8, 编程: 61.9Claude Opus 4.8, 智能体与工具: 56.9Claude Opus 4.8, 数学: 67.7Claude Opus 4.8, 知识: 61.0Claude Opus 4.8, 指令遵循: 62.1Claude Opus 4.8, 长上下文: 63.4GLM 5.2, 推理: 57.2GLM 5.2, 编程: 61.8GLM 5.2, 智能体与工具: 62.1GLM 5.2, 数学: 52.6GLM 5.2, 知识: 44.3GLM 5.2, 指令遵循: 71.8GLM 5.2, 长上下文: 63.8

未绘制(测得的模型少于两个):多模态, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 43 项基准测试中,Claude Opus 4.8 领先 37 项,GLM 5.2 领先 5 项,1 项持平。所有同时评测两者的综合评分都认为 Claude Opus 4.8 更强。

综合 IndexClaude Opus 4.8 (max)GLM 5.2 (max)领先者
BenchLeader Index61.158.9不相上下
Arena Text1482†1475Claude Opus 4.8

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Claude Opus 4.8 (max)GLM 5.2 (max)
每百万 token 混合价格$10.00$2.15
每百万 token 输入 / 输出$5.00 / $25.00$1.40 / $4.40
每百万 token 缓存输入$0.500$0.260
每项任务价格:聊天回复$0.0095$0.0019
每项任务价格:总结一份 30 页的报告$0.075$0.019
每项任务价格:代码编辑$0.068$0.015
每项任务价格:智能体编程会话$0.400$0.102
每项任务价格:结构化信息提取$0.015$0.0037
智能体编程会话(输入大多命中缓存)$0.198$0.050
输出速度85 tok/s69 tok/s
首次回答时间39.1 秒26.8 秒
完整回答耗时(最近一次测量 2026年11月13日)81.0 秒56.7 秒

每个模型都按其排名最高的推理强度设置进行对比。Claude Opus 4.8 (max) 得分 61.1,首个回答 token 需 39 秒;Claude Opus 4.8 (high) 为 60.4(1 秒),Claude Opus 4.8 为 58.7(1 秒)。GLM 5.2 (max) 得分 58.9,首个回答 token 需 27 秒;GLM 5.2 为 51.9(1 秒),GLM 5.2 (无推理) 为 45.8(2 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 140 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Claude Opus 4.8 (max)GLM 5.2 (max)
BenchLeader IndexBenchLeader61.158.9
智能体与工具得分BenchLeader56.962.1
编程得分BenchLeader61.961.8
指令遵循得分BenchLeader62.171.8
知识得分BenchLeader61.044.3
长上下文得分BenchLeader63.463.8
数学得分BenchLeader67.752.6
推理得分BenchLeader64.157.2
人类偏好得分BenchLeader–66.4
混合价格(美元/百万 token)BenchLeader$10.00$2.15
输出速度BenchLeader85 tok/s69 tok/s
首次回答时间BenchLeader39.1 秒26.8 秒
上下文窗口BenchLeader1,000,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.0%91.9%
SimpleBenchSimpleBench64.8%†58.8%†
Arena Hard PromptsArena (LMArena)1505†1496
LiveBench 1.0 ReasoningLiveBench89.2%78.6%†
GPQA Diamond (AA)Artificial Analysis92.0%89.5%
Humanity's Last Exam (AA)Artificial Analysis48.7%41.1%
HLE-Diamond (AA)Artificial Analysis–17.7%
GPQA Diamond (Vals)Vals AI92.4%85.6%†
EnigmaEvalScale AI SEAL23.5%†–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†62.6%†
ARC-AGI-1ARC Prize92.5%77.0%†
ARC-AGI-2ARC Prize72.1%†22.8%†
ARC-AGI-3ARC Prize1.5%†–
CritPtArtificial Analysis20.9%20.9%
Arena ExpertArena (LMArena)1514†1502
Chess PuzzlesEpoch AI Benchmarking Hub52.0%22.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub36.0%18.0%†
LMCAEpoch AI Benchmarking Hub57.5%45.8%
DTBenchEpoch AI Benchmarking Hub94.9%93.6%
ForecastBenchForecastBench66.1%–
BTF-3Epoch AI Benchmarking Hub14.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–78.7%
SciCodeSciCode53.5%51.2%
WeirdMLWeirdML70.5%†70.1%
FrontierCodeCognition46.5%†24.5%†
显示全部 140 项基准测试
指标发布方Claude Opus 4.8 (max)GLM 5.2 (max)
编程
GSO-BenchGSO-Bench47.1%†–
Arena CodingArena (LMArena)1529†1515
Arena WebDevArena (LMArena)1536†1608
LiveBench 1.0 CodingLiveBench81.8%79.7%†
SciCode (AA)Artificial Analysis54.4%51.2%
LiveCodeBenchVals AI87.8%69.5%†
SWE-bench (Vals)Vals AI88.6%82.8%
Code MigrationVals AI47.3%37.9%
ProgramBenchVals AI1.0%0.5%
Vibe Code Bench v1.1Vals AI82.7%64.0%
SWE Atlas v1.0: Codebase QnAScale AI SEAL57.3%†48.1%†
SWE Atlas v1.0: RefactoringScale AI SEAL46.7%†42.4%†
SWE Atlas v1.0: Test WritingScale AI SEAL49.6%†41.5%†
MirrorCodeEpoch AI Benchmarking Hub65.6%36.7%
Surface Evolver BenchEpoch AI Benchmarking Hub87.5%†55.6%†
DeepSWE v1.1Epoch AI Benchmarking Hub59.0%43.8%
ALE-BenchEpoch AI Benchmarking Hub1563.8†1010.2
Terminal-Bench 4.0 (AA)Artificial Analysis21.7%1.0%
Terminal-Bench 2.1 (AA)Artificial Analysis84.6%77.9%
Startrise FrontendStartrise–72.1%†
GameBench 2 OverallDuelLab GameBench 249.4†43.1†
GameBench 2 by reasoning settingDuelLab GameBench 245.1†32.4†
Design Arena WebsiteDesign Arena1250†1277†
智能体与工具
Terminal-BenchTerminal-Bench23.6%–
OSWorld-Verified 2.0OSWorld20.6%–
Remote Labor IndexScale AI / CAIS8.3%†–
APEX-AgentsMercor48.9%45.2%†
Arena AgentArena (LMArena)–0.2
LiveBench Agentic CodingLiveBench50.5%51.8%†
Terminal-Bench HardArtificial Analysis58.3%50.8%
τ²-Bench Telecom (AA)Artificial Analysis94.4%99.1%
Terminal-Bench 2.1 (Vals)Vals AI71.9%67.8%
MCP AtlasScale AI SEAL82.2%77.8%†
HiL-BenchScale AI SEAL35.3%†43.7%†
τ³-bench Bankingτ²-bench39.7%37.1%†
GDPval-AA v2.1Artificial Analysis14611380
τ³-Banking (AA)Artificial Analysis34.2%34.6%
ITBench SRE (AA)Artificial Analysis–42.7%
Analyst Agent (AA)Artificial Analysis45.0%–
APEX-Agents (AA)Artificial Analysis–33.7%
Finance Agent v2Vals AI53.9%49.7%†
Harvey's Legal Agent Benchmark v1Vals AI9.6%7.1%
Legal Research BenchVals AI43.8%31.3%
SkillsBenchVals AI59.2%45.1%
SREBenchVals AI–0.0%
Tax Agent BenchVals AI30.0%–
Terminal-Bench 2.0 (Vals)Vals AI70.0%–
Terminal-Bench 4.0 (Vals)Vals AI23.2%–
Terminal-Bench ScienceVals AI4.3%–
Time Horizon Index: KSPVals AI11.8%–
Arena SearchArena (LMArena)1194†–
Arena Agent Task CompletionArena (LMArena)–1.7
DeepResearch BenchDeepResearch Bench50.2%†–
PostTrainBenchEpoch AI Benchmarking Hub31.0%30.4%
GBAEvalEpoch AI Benchmarking Hub70.9%†0.0%†
Vending-Bench 2Andon Labs2992.38313.8†
AutomationBenchArtificial Analysis45.6%28.4%
GDP.pdf (AA)Artificial Analysis22.8%10.4%
EnterpriseOps-GymArtificial Analysis44.0%42.7%
AA-Briefcase v1.1Artificial Analysis13201226
Design Arena AgenticDesign Arena1226†1194†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub80.0%59.2%
FrontierMath Tier 4Epoch AI Benchmarking Hub56.1%29.3%
OTIS Mock AIMEEpoch AI Benchmarking Hub98.3%86.4%
ProofBenchVals AI69.0%35.0%
LiveBench MathematicsLiveBench94.3%89.8%†
AIME 2026MathArena100.0%90.0%
HMMT February 2026MathArena95.5%92.4%
MathArena ApexMathArena81.3%19.8%
Arena MathsArena (LMArena)1476†1487
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub53.0%34.2%
LiveBench 1.0 Data AnalysisLiveBench66.0%73.7%†
AA-Omniscience v1.1Artificial Analysis–0.6
MMLU-ProVals AI89.6%86.7%†
LegalBenchVals AI83.6%84.1%†
CorpFinVals AI66.7%66.1%†
TaxEvalVals AI75.6%73.3%†
Excel Modeling BenchmarkVals AI69.4%61.5%†
MedCodeVals AI53.2%40.8%†
MedScribeVals AI85.8%83.5%†
Public Benefits Bench v1.1Vals AI68.1%–
DrugDiscoveryBenchScale AI SEAL46.8%36.2%†
EBR-benchEpoch AI Benchmarking Hub28.6%9.5%
GDP.pdfEpoch AI Benchmarking Hub24.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis–21.1%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–74.1%
指令遵循
LiveBench LanguageLiveBench79.7%76.2%†
LiveBench Instruction FollowingLiveBench72.0%62.3%†
IFBenchArtificial Analysis62.2%73.3%
Arena Instruction FollowingArena (LMArena)1479†1470
人类偏好
Arena TextArena (LMArena)1474†1475
EQ-Bench 4EQ-Bench1268†1208†
EQ-Bench Creative Writing v3EQ-Bench1840†1759†
Arena Creative WritingArena (LMArena)1464†1451
Arena Multi-turnArena (LMArena)1493†1477
Arena Longer QueriesArena (LMArena)1499†1486
多模态
Arena VisionArena (LMArena)1289†–
MMMU-Pro (Vals)Vals AI86.6%–
MortgageTaxVals AI69.9%–
Humanity's Sixth SenseScale AI SEAL23.5%–
GeoBenchGeoBench81.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub14.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub42.5%–
长上下文
AA-LCR v1.1Artificial Analysis77.7%78.3%
Arena DocumentArena (LMArena)1476†–
MLCRArtificial Analysis19.4%12.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.9†153.0†
LiveBench 1.0LiveBench76.2%73.2%†
AA Intelligence Index v4.3.2Artificial Analysis41.833.7
AA Progress Index v1Artificial Analysis318.4302.5
Vals RSI IndexVals AI24.0%–
Vals Multimodal IndexVals AI70.9%–
安全与诚实
FORTRESSScale AI SEAL18.2%48.7%†
DistressBenchScale AI SEAL71.4%†–
元数据
AA Openness IndexArtificial Analysis–44.4

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • Claude Opus 4.8 (max):BenchLeader Index 60.3 → 61.1。
  • Claude Opus 4.8 (max):27 项新结果(LiveCodeBench, MMLU-Pro, LegalBench…)。
  • Claude Opus 4.8 (max):1 项新结果(GDPval-AA v2.1)。
  • GLM 5.2 (max):1 项新结果(GDPval-AA v2.1)。
  • GLM 5.2 (max):BenchLeader Index 59.5 → 59.0。
  • Claude Opus 4.8 (max):1 项分数修订。
  • GLM 5.2 (max):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex);1 项分数修订。
  • Claude Opus 4.8 (max):1 项新结果(MirrorCode)。
  • GLM 5.2 (max):1 项新结果(MirrorCode)。
  • GLM 5.2 (max):BenchLeader Index 60.2 → 59.5。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Claude Opus 4.8 vs GLM 5.2:常见问题

Claude Opus 4.8 比 GLM 5.2 更好吗?
Claude Opus 4.8 (max) 与 GLM 5.2 (max) 的质量不相上下(61.1 比 58.9,在 ±5.6 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
Claude Opus 4.8 和 GLM 5.2 哪个更便宜?价格会变吗?
目前 GLM 5.2 更便宜:每百万 token $2.15 比 $10.00(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Claude Opus 4.8 还是 GLM 5.2 更好?
两者在编程方面持平(类别得分 62 比 62)。在两者共同的最主要编程基准测试 SciCode 上,Claude Opus 4.8 为 53.5%,GLM 5.2 为 51.2%。
Claude Opus 4.8 和 GLM 5.2 哪个更快?
Claude Opus 4.8 输出更快(输出 85 比 69 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 4.8 还是 GLM 5.2 更好?
GLM 5.2 在智能体任务方面得分更高(类别得分 62 比 57,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,Claude Opus 4.8 为 34.2%,GLM 5.2 为 34.6%。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(63 比 64)。两者都支持 1,000,000 token 的上下文。
哪个延迟更低?
GLM 5.2 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 26.8 秒比 39.1 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Claude Opus 4.8 和 GLM 5.2 的看法一致吗?
在两者都有结果的 43 项基准测试中,Claude Opus 4.8 领先 37 项,GLM 5.2 领先 5 项,1 项持平。所有同时评测两者的综合评分都认为 Claude Opus 4.8 更强。
GLM 5.2 是什么时候发布的?
GLM 5.2 于 2026年6月16日 发布。