BenchLeader

GLM 5.2 vs Qwen3.8 Max

完整资料:GLM 5.2(Zhipu AI)和 Qwen3.8 Max(Alibaba),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,GLM 5.2 与 Qwen3.8 Max 的质量不相上下(BenchLeader Index 58.9 比 58.7,在 ±5.2 的误差范围内)。GLM 5.2 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $2.15 比 $3.00)。看重推理(57 比 52)和智能体与工具(62 比 59)选 GLM 5.2;看重知识(58 比 44)、数学(65 比 53)和人类偏好(68 比 66)选 Qwen3.8 Max。GLM 5.2 的首次回答更快(26.8 秒 比 119.6 秒)。GLM 5.2 的输出更快。

要点(截至 2026年11月16日)

  • GLM 5.2 的 BenchLeader Index 为 58.9,Qwen3.8 Max 为 58.7(BenchLeader,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)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • GLM 5.2 比 Qwen3.8 Max 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 41 项基准测试中,Qwen3.8 Max 领先 33 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GLM 5.2 的评分为 1608,Qwen3.8 Max 为 1676(LMArena,截至 2026年11月16日 的公布数据)。

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;Arena WebDev 1608 比 1676均可
智能体与工具调用GLM 5.2类别得分 62 比 59;Arena Agent 0.2 比 0.1中
数学Qwen3.8 Max类别得分 65 比 53;Arena Maths 1505 比 1487高
推理GLM 5.2类别得分 57 比 52;HLE-Diamond (AA) 17.7% 比 24.0%中
知识Qwen3.8 Max类别得分 58 比 44;AA-Omniscience v1.1 10.5 比 0.6高
长文档Qwen3.8 Max类别得分 65 比 64;AA-LCR v1.1 80.3% 比 78.3%中
对话质量(人类偏好)Qwen3.8 MaxArena 投票 68 比 66中
成本最低GLM 5.2每百万 token 混合价格 $2.15 比 $3.00;智能体编程会话 $0.102 比 $0.144–
首次回答最快GLM 5.2首个回答 token 26.8 秒(GLM 5.2 (max))比 119.6 秒(Qwen3.8 Max (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

  • GLM 5.2 (max) 与 Qwen3.8 Max (max) 的质量不相上下(58.9 比 58.7,在 ±5.2 的误差范围内)。
  • GLM 5.2 (max) 在智能体与工具、编程、推理方面更强。
  • Qwen3.8 Max (max) 在人类偏好、知识、长上下文、数学方面更强。
  • GLM 5.2 (max) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $2.15 比 $3.00)。

概览

规格GLM 5.2Qwen3.8 Max
提供商Zhipu AIAlibaba
发布日期2026年6月16日2026年8月3日
上下文窗口(token)1,000,0001,000,000
对比时的配置GLM 5.2 (max)Qwen3.8 Max (max)
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.40 / $4.40 / $0.260$2.00 / $6.00 / $0.250

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GLM 5.2 (max)Qwen3.8 Max (max)领先者
推理57.251.5GLM 5.2
编程61.861.6持平
智能体与工具62.158.5GLM 5.2
数学52.665.2Qwen3.8 Max
知识44.358.0Qwen3.8 Max
指令遵循71.8–无法比较
人类偏好66.467.5Qwen3.8 Max
多模态–65.7无法比较
长上下文63.864.8Qwen3.8 Max
综合–45.0无法比较

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长上下文人类偏好GLM 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, 长上下文: 63.8GLM 5.2, 人类偏好: 66.4Qwen3.8 Max, 推理: 51.5Qwen3.8 Max, 编程: 61.6Qwen3.8 Max, 智能体与工具: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知识: 58.0Qwen3.8 Max, 长上下文: 64.8Qwen3.8 Max, 人类偏好: 67.5

未绘制(测得的模型少于两个):指令遵循, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 41 项基准测试中,GLM 5.2 领先 8 项,Qwen3.8 Max 领先 33 项。所有同时评测两者的综合评分都认为 Qwen3.8 Max 更强。

综合 IndexGLM 5.2 (max)Qwen3.8 Max (max)领先者
BenchLeader Index58.958.7不相上下
Arena Text14751484Qwen3.8 Max

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GLM 5.2 (max)Qwen3.8 Max (max)
每百万 token 混合价格$2.15$3.00
每百万 token 输入 / 输出$1.40 / $4.40$2.00 / $6.00
每百万 token 缓存输入$0.260$0.250
每项任务价格:聊天回复$0.0019$0.0026
每项任务价格:总结一份 30 页的报告$0.019$0.028
每项任务价格:代码编辑$0.015$0.021
每项任务价格:智能体编程会话$0.102$0.144
每项任务价格:结构化信息提取$0.0037$0.0052
智能体编程会话(输入大多命中缓存)$0.050$0.065
每项基准测试任务成本(AA Index)–$10.02
每项任务输出 token(AA Index)–171k
其中推理部分–120k
每项任务耗时(AA Index)–48 min
输出速度69 tok/s59 tok/s
首次回答时间26.8 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)56.7 秒294.1 秒

每个模型都按其排名最高的推理强度设置进行对比。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)。Qwen3.8 Max (max) 得分 58.7,首个回答 token 需 120 秒;Qwen3.8 Max (xhigh) 为 56.6(3 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 165 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GLM 5.2 (max)Qwen3.8 Max (max)
BenchLeader IndexBenchLeader58.958.7
智能体与工具得分BenchLeader62.158.5
编程得分BenchLeader61.861.6
人类偏好得分BenchLeader66.467.5
指令遵循得分BenchLeader71.8–
知识得分BenchLeader44.358.0
长上下文得分BenchLeader63.864.8
数学得分BenchLeader52.665.2
推理得分BenchLeader57.251.5
综合得分BenchLeader–45.0
多模态得分BenchLeader–65.7
混合价格(美元/百万 token)BenchLeader$2.15$3.00
输出速度BenchLeader69 tok/s59 tok/s
首次回答时间BenchLeader26.8 秒119.6 秒
上下文窗口BenchLeader1,000,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.9%92.7%†
SimpleBenchSimpleBench58.8%†–
Arena Hard PromptsArena (LMArena)14961507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench78.6%†88.2%
GPQA Diamond (AA)Artificial Analysis89.5%92.8%
Humanity's Last Exam (AA)Artificial Analysis41.1%43.1%
HLE-Diamond (AA)Artificial Analysis17.7%24.0%
GPQA Diamond (Vals)Vals AI85.6%†93.7%
Kagi LLM BenchmarkKagi LLM Benchmark62.6%†–
ARC-AGI-1ARC Prize77.0%†–
ARC-AGI-2ARC Prize22.8%†–
CritPtArtificial Analysis20.9%20.0%
CritPt v2 hard subset (AA)Artificial Analysis–29.5%
MysteryMechanismVals AI–23.9%
Arena ExpertArena (LMArena)15021514
Chess PuzzlesEpoch AI Benchmarking Hub22.0%46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub18.0%†38.0%†
LMCAEpoch AI Benchmarking Hub45.8%46.2%†
DTBenchEpoch AI Benchmarking Hub93.6%92.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%–
SciCodeSciCode51.2%53.2%
WeirdMLWeirdML70.1%–
FrontierCodeCognition24.5%†–
Arena CodingArena (LMArena)15151523
显示全部 165 项基准测试
指标发布方GLM 5.2 (max)Qwen3.8 Max (max)
编程
Arena WebDevArena (LMArena)16081676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench79.7%†72.9%
LiveCodeBenchVals AI69.5%†87.8%
IOIVals AI–68.9%
SWE-bench (Vals)Vals AI82.8%85.6%
Code MigrationVals AI37.9%24.0%
ProgramBenchVals AI0.5%0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI64.0%64.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL48.1%†–
SWE Atlas v1.0: RefactoringScale AI SEAL42.4%†–
SWE Atlas v1.0: Test WritingScale AI SEAL41.5%†–
SWE Atlas v1.1Scale AI SEAL–64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–52.9%
MirrorCodeEpoch AI Benchmarking Hub36.7%52.2%†
Surface Evolver BenchEpoch AI Benchmarking Hub55.6%†–
DeepSWE v1.1Epoch AI Benchmarking Hub43.8%57.5%†
ALE-BenchEpoch AI Benchmarking Hub1010.21679.1†
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis1.0%38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis77.9%88.8%
Startrise FrontendStartrise72.1%†71.3%
GameBench 2 OverallDuelLab GameBench 243.1†54.2†
GameBench 2 by reasoning settingDuelLab GameBench 232.4†69.6†
Design Arena WebsiteDesign Arena1277†1269
FrontierCode 1.1 (AA)Artificial Analysis–43.2%
FrontierCode 2.0 (AA)Artificial Analysis–23.4%
智能体与工具
Terminal-BenchTerminal-Bench–27.0%
APEX-AgentsMercor45.2%†63.3%
Arena AgentArena (LMArena)0.20.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench51.8%†64.7%
Terminal-Bench HardArtificial Analysis50.8%–
τ²-Bench Telecom (AA)Artificial Analysis99.1%–
Terminal-Bench 2.1 (Vals)Vals AI67.8%67.4%
MCP AtlasScale AI SEAL77.8%†–
HiL-BenchScale AI SEAL43.7%†–
τ³-bench Bankingτ²-bench37.1%†55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis13801674
τ³-Banking (AA)Artificial Analysis34.6%51.3%
ITBench SRE (AA)Artificial Analysis42.7%40.3%
Analyst Agent (AA)Artificial Analysis–45.0%
APEX-Agents (AA)Artificial Analysis33.7%42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI49.7%†50.6%
Harvey's Legal Agent Benchmark v1Vals AI7.1%10.4%
Legal Research BenchVals AI31.3%47.6%
SkillsBenchVals AI45.1%42.0%
SREBenchVals AI0.0%–
Tax Agent BenchVals AI–32.1%
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Arena SearchArena (LMArena)–1227
Arena Agent Task CompletionArena (LMArena)1.74.5
PostTrainBenchEpoch AI Benchmarking Hub30.4%–
GBAEvalEpoch AI Benchmarking Hub0.0%†–
Vending-Bench 2Andon Labs8313.8†–
AutomationBenchArtificial Analysis28.4%56.2%
GDP.pdf (AA)Artificial Analysis10.4%22.8%
EnterpriseOps-GymArtificial Analysis42.7%47.6%
AA-Briefcase v1.1Artificial Analysis12261604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena1194†1264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.9%
MKA (AA)Artificial Analysis–37.4%
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub59.2%74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub29.3%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub86.4%100.0%†
ProofBenchVals AI35.0%58.0%
LiveBench MathematicsLiveBench89.8%†91.3%
AIME 2026MathArena90.0%–
HMMT February 2026MathArena92.4%–
MathArena ApexMathArena19.8%–
Arena MathsArena (LMArena)14871505
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub34.2%47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench73.7%†78.4%
AA-Omniscience v1.1Artificial Analysis0.610.5
MMLU-ProVals AI86.7%†88.6%
LegalBenchVals AI84.1%†83.6%
CorpFinVals AI66.1%†65.8%
TaxEvalVals AI73.3%†75.5%
Excel Modeling BenchmarkVals AI61.5%†60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI40.8%†40.7%
MedScribeVals AI83.5%†85.0%
Public Benefits Bench v1.1Vals AI–67.1%
Access to Justice BenchmarkVals AI–76.4%
Financial Coaching BenchVals AI–75.6%
Immigration BenchVals AI–70.1%
DrugDiscoveryBenchScale AI SEAL36.2%†–
EBR-benchEpoch AI Benchmarking Hub9.5%–
GDP.pdfEpoch AI Benchmarking Hub–23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis21.1%29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis74.1%72.9%
FACTS ParametricGoogle–30.8%
指令遵循
LiveBench LanguageLiveBench76.2%†79.7%
LiveBench Instruction FollowingLiveBench62.3%†74.1%
IFBenchArtificial Analysis73.3%–
Arena Instruction FollowingArena (LMArena)14701478
人类偏好
Arena TextArena (LMArena)14751484
EQ-Bench 4EQ-Bench1208†–
EQ-Bench Creative Writing v3EQ-Bench1759†–
Arena Creative WritingArena (LMArena)14511472
Arena Multi-turnArena (LMArena)14771495
Arena Longer QueriesArena (LMArena)14861496
多模态
Arena VisionArena (LMArena)–1312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis–82.8%
MMMU-Pro (Vals)Vals AI–88.0%
MortgageTaxVals AI–64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
Furniture AssemblyEpoch AI Benchmarking Hub–20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis–1021
AA-3DArtificial Analysis–954
FACTS MultimodalGoogle–51.5%
长上下文
AA-LCR v1.1Artificial Analysis78.3%80.3%
MLCRArtificial Analysis12.8%26.1%
FACTS GroundingGoogle–73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.0†157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench73.2%†78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis33.745.4
AA Progress Index v1Artificial Analysis302.5323.7
Vals RSI IndexVals AI–21.8%
Vals Multimodal IndexVals AI–65.4%
安全与诚实
FORTRESSScale AI SEAL48.7%†–
DistressBenchScale AI SEAL–77.6%
元数据
AA Openness IndexArtificial Analysis44.4–

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

  • Qwen3.8 Max (max):1 项分数修订。
  • GLM 5.2 (max):1 项新结果(GDPval-AA v2.1)。
  • Qwen3.8 Max (max):1 项分数修订。
  • GLM 5.2 (max):BenchLeader Index 59.5 → 59.0。
  • GLM 5.2 (max):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex);1 项分数修订。
  • GLM 5.2 (max):1 项新结果(MirrorCode)。
  • Qwen3.8 Max (max):6 项分数修订。
  • GLM 5.2 (max):BenchLeader Index 60.2 → 59.5。
  • GLM 5.2 (max):4 项新结果(HLE-Diamond (AA), AA-Omniscience v1.1, AA-Omniscience v1.1: accuracy…)。
  • Qwen3.8 Max (max):1 项分数修订。

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

GLM 5.2 vs Qwen3.8 Max:常见问题

GLM 5.2 比 Qwen3.8 Max 更好吗?
GLM 5.2 (max) 与 Qwen3.8 Max (max) 的质量不相上下(58.9 比 58.7,在 ±5.2 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。
GLM 5.2 和 Qwen3.8 Max 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 $3.00(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 GLM 5.2 还是 Qwen3.8 Max 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 Arena WebDev 上,GLM 5.2 为 1608,Qwen3.8 Max 为 1676。
GLM 5.2 和 Qwen3.8 Max 哪个更快?
GLM 5.2 输出更快(输出 69 比 59 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GLM 5.2 还是 Qwen3.8 Max 更好?
GLM 5.2 在智能体任务方面得分更高(类别得分 62 比 59,50 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,GLM 5.2 为 34.6%,Qwen3.8 Max 为 51.3%。
更多问题(4)
处理长文档哪个更好?
Qwen3.8 Max 在长上下文基准测试上得分更高(65 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 119.6 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 GLM 5.2 和 Qwen3.8 Max 的看法一致吗?
在两者都有结果的 41 项基准测试中,GLM 5.2 领先 8 项,Qwen3.8 Max 领先 33 项。所有同时评测两者的综合评分都认为 Qwen3.8 Max 更强。
Qwen3.8 Max 是什么时候发布的?
Qwen3.8 Max 于 2026年8月3日 发布。