浪费我一上午！你们真的实测了 GLM-4.5 吗？

推荐语

GLM-4.5宣传很美好，实测却让人失望，跑分与真实表现差距明显。

核心内容：
1. GLM-4.5官方跑分数据与实际使用体验的对比
2. PPT生成功能从惊艳到平庸的测试结果
3. 编程实测中暴露的低级错误和性能问题

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

昨晚，智谱 AI 突然发布了 GLM-4.5，号称"全球第二、国产第一、开源第一"。

看到这个宣传，我内心是激动的——又一个国内的黑马模型要出现了？

于是我第一时间测试，想看看这个"国产之光"到底有多强。

结果...让我有点失望。

跑分很美好，现实很骨感

先说说官方的跑分数据，确实很亮眼：

看起来很厉害对吧？355B 参数，32B 激活参数，MoE 架构，128K 上下文...

但是，跑分和实际使用完全是两回事。

PPT 生成：从惊艳到平庸

智谱之前的实验模型做 PPT 确实很强，我对 4.5 抱有很高期待。

结果第一个测试：

嗯，结果怎么说呢？我个人认为比原来平庸了。

生成的 PPT 千篇一律都是"图左文右"的布局，毫无创意可言。

而且在测试过程中频繁遇到限速错误，不知道是访问人数过多导致的模型降级，还是服务器扛不住压力。

对比一下之前模型生成的效果：

感觉差距有点明显。

Claude Code 集成：配置简单，体验糟糕

既然官方说 GLM-4.5 在编程方面表现优秀，我决定在 Claude Code 中测试一下。

配置过程确实很简单，首先去控制台申请 API Key：

https://z.ai/manage-apikey/apikey-list

然后设置以下的环境变量：

export ANTHROPIC_BASE_URL=https://api.z.ai/api/anthropic

export ANTHROPIC_AUTH_TOKEN={YOUR_API_KEY}

输入 claude 指令进入，确保环境变量被加载到了：

配置完成后，我使用 Cursor 不让用了？我花 3 天测试 4 个平替工具（附详细测评）这篇文章的同款提示词来实测一下：

@ai-daily-generator

帮我换一个数据源：https://news.aibase.com/zh/news

你可以用playwright去看看它的页面结构和翻页接口

编程实测：智商堪忧的表现

刚开始运行的时候，我还觉得挺好的，一切正常，包括调用 playwright MCP 都比较好：

然而，后面的处理越来越不对劲，我感觉在浪费 token 了。

第一个问题：变量未替换的低级错误

这种基础的变量替换都能出错，让我对模型的代码理解能力产生了质疑。

第二个问题：API 调试来回折腾

第三个问题：测试环节反复纠结

我真的感觉到它来回折腾，浪费大量 token。

第四个问题：虚假的"修复完成"

超时几次后，它直接告诉我修复完了，但实际上问题根本没解决。

然后，我让它自己发现问题，它折腾了好久，最后告诉我，有可能是调试代码导致的。

我：？？？

最终结果：直接降级方案

直接给我把方案降级了，连基本功能都不实现了。

于是，我默默地关掉了它。

跑分与实测的巨大鸿沟

这能跟 claude 比？我觉得跟 K2 都差了十万八千里！

官方还专门做了"Real-World Evaluation"，在 52 个编程任务上与 Claude 4 Sonnet、Kimi-K2 对比，声称"largely comparable experience"。

但我的实测体验告诉我：差距不是一点半点。

浪费我一早上的时间。

我必须说几句扎心的话：

国产 AI 确实在进步，这点我承认。但是，进步不等于可以吹牛。

看了几个公众号，看得我热血沸腾。

但用了一上午，我只想说： 醒醒吧！

当然，我不知道是不是评测的时候人太多了，导致它模型降级了还是什么。