Terminal Bench 4.0 刚刚发布，GLM-5.3 与 Fable 5 处于同一水平，考虑到误差范围
摘要
Terminal Bench 4.0 已经发布，比较了 GLM-5.3 和 Fable 5 等 AI 模型，重点在于快速迭代以应对基准饱和，并引发了关于评估编码代理的经济高效替代方案的问题。
公告：https://www.tbench.ai/news/terminal-bench-4-0 排行榜：https://www.tbench.ai/ 在我看来，他们公告的最佳之处在于专注于快速迭代 TerminalBench，以跟上新模型发布的步伐，从而对抗基准饱和。类似地，有哪些更便宜或更小的替代方案可以用来评估编码代理或你自己的工具？像这样的大型基准需要 50 到 100 亿个 token，这对大多数人来说在经济和计算上都不可行。我很想客观地衡量我的技能/工具/等如何改变一般编码任务中的 token 使用和成功概率，必须有一种方法来做到这一点，至少能提供一些想法或大方向，而不需要每次运行都消耗数十亿个 token。
相似文章
@cline: GLM-5.3 (max) 在新的 Terminal-Bench 4.0 上超越了 GPT-5.6 Sol (max)。看到开放权重竞争如此激烈，真是令人难以置信……
GLM-5.3 (max) 在 Terminal-Bench 4.0 上超越了 GPT-5.6 Sol (max)，突显了开放权重 AI 模型的竞争力，同时推广 Cline 的折扣访问。
@thoughtfullab: GLM 5.2 比 Opus 4.8 便宜 5 倍，比 Fable 5 便宜 11 倍，却在 PostTrainBench 上名列前茅。这令人兴奋，因为更低的成本……
GLM 5.2 在 PostTrainBench 上表现最佳，同时比 Opus 4.8 便宜 5 倍，比 Fable 5 便宜 11 倍，使个性化 AI 对企业和国家来说经济上可行。
GLM5.3 Artificial Analysis 基准测试
本文对GLM-5.3人工智能模型进行了详尽的基准分析，评估了其在Artificial Analysis的多项测试中的智能水平与性能表现。
Fable 5 在 Livebench 上甚至低于 Gemini 3.1
讨论 LiveBench 结果显示 Fable 5 表现低于 Gemini 3.1，质疑是该基准测试有缺陷，还是 Anthropic 在针对基准测试进行优化（benchmaxing）。
@TheAhmadOsman: GLM 5.2的数据使我相信我在自己的预测中过于保守了，最多两个月，我们就能在家玩到Fable 5
基于GLM 5.2的基准测试数据，预测开源AI模型将在两个月内与假想的Fable 5达到同等水平。