（来源：李秀奇 Datawhale）

 Datawhale干货 

作者：李秀奇，Datawhale成员

昨天智谱发布了最新大模型 GLM-5.3。

据官方所说，GLM-5.3在复杂软件工程、终端操作和更广泛的真实世界 Agent任务上均取得非常显著的进步。

我们当天就安排了实测。接入了 DeepSeek Harness，拉上 GPT-5.6-Sol 做了一场同题实测。

题目是生产级抠图 Web 应用。这里说的「生产级」，指具备账号体系、异常处理、可部署交付、有项目文档的完整应用，不是跑通了 demo 就算。九条验收标准从 A1 可运行、A2 账号体系一直到 A9 项目文档，覆盖了应用上线前该有的每一关。

国产模型加国产 Agent 框架，真写起一套完整应用，能不能和国际顶流掰掰手腕？

先说结论：能，而且差距比我们预想得小。

GLM-5.3 这个版本的整体完成度，和 GPT-5.6-Sol 的差距比我们想象的小。工程细节的完备度上，甚至更像一份真的要上线的交付物。

一、快速上手：把 GLM-5.3 接入 DeepSeek Harness

在看实测结果之前，先解决一个最实际的问题：怎么把 GLM-5.3 接进 DeepSeek Harness。

我们已经把环境准备、模型接入和测试环境搭建整理成了一份保姆级教程。步骤都写清楚了，新手照着做，15 分钟左右就能跑通。

GLM-5.3 获取地址：https://www.bigmodel.cn/glm-coding

接好之后，就可以把自己的任务交给 GLM-5.3 跑起来。下面来看这次实测的结果。

二、GLM-5.3+DeepSeek Harness 生产级任务实测

真实开发里，难的是工程意识。上线稳不稳、异常处理全不全、边界条件有没有考虑到，这些东西 demo 测不出来，真正上线时才会暴露问题。

所以我们这次的实测让模型从零完成一款生产级抠图 Web 应用，覆盖算法、前后端、账号体系、异常处理、部署和项目文档。

它主要看两件事：核心功能能不能完成，以及代码是否具备继续交付的工程细节。抠图效果用 SAD、MSE、Grad 三项指标衡量，工程部分按九条标准验收。

实测一：前端设计与风格控制

社区总结过 AI 生成前端的典型特征：紫蓝渐变、玻璃拟态、发光阴影、hover 弹跳、统一大圆角。五条全中，基本就是 AI 写的。

对照这张清单看两个版本。GPT-5.6-Sol 版几乎全中：暗色底、青蓝紫渐变、玻璃拟态卡片、发光阴影，是现在 AI 工具界面最常见的长相。GLM-5.3 版逐条规避：亮色扁平工具风、单一靛蓝强调色、1px 描边、零投影。

为什么会这样？我猜测原因是，有视觉能力的模型会截图自查，忠实实现需求里描述的样子，但需求描述的不一定就是好设计。描述里说深色科技感，它就给你玻璃拟态加紫蓝渐变，不会质疑这个方向对不对。没有视觉反馈的模型做前端只能靠代码层面的设计惯例，反而不会被平庸的描述带跑偏。

这只是现象，为什么会是这样，我倾向于和视觉反馈回路有关，但证实不了。

实测二：交互细节与功能完整度

风格是主观偏好，但细节有客观对错。

GPT 版下拉菜单里「快速算法」那个选项，白底浅灰字，在深色背景上几乎看不清。我们把两个版本的同一位置放大对比。

PT-5.6-Sol 版下拉菜单对比度缺陷

这是最基础的可访问性问题。

对比视图的放大镜，GPT 版在分割线右侧永远采的是结果侧的图像，你在右边放大镜里看到的是抠完图的结果和抠完图的结果对比，失去了意义；GLM 版在分割线两侧分别采样原图和结果图，对比是真对比。历史任务的删除，GPT 版只有 API 层面的接口，界面上没有按钮；GLM 版有删除按钮，直接在界面上就能操作。

实测三：服务端安全与会话管理

这一代 GLM 发布时主打的一个方向是安全能力，官方公布过它在白盒代码审查、漏洞推理这类任务上的表现。更值得关注的是，这种能力会不会渗透到它日常写的业务代码里。

看服务端代码，两个版本的差异很直接。我们实测了两个点。

第一个点，登录限流。我们对两个版本连续发了 12 次错误登录请求。GLM 版前 10 次正常返回参数错误，第 11 次开始返回 429，提示尝试过于频繁，一分钟后才能再试。GPT 版 12 次全部放行，可以无限尝试。也就是说，GPT 版的登录接口对暴力破解是敞开的，GLM 版默认就防了。

第二个点，安全响应头。GLM 版的每个响应都带三个安全头：X-Content-Type-Options 防 MIME 嗅探、X-Frame-Options 防点击劫持、Referrer-Policy 控制来源信息泄漏。GPT 版的响应里一个都没有。这三个头是上线前安全扫描的必查项，漏了任何一个，扫描报告都会亮红。

代码里还有一处：GLM 版的会话过期后会自动清理，启动时清一次，运行中每小时清一次；GPT 版的过期会话永久留在数据库里。

这些差异在界面上完全看不到，功能清单里也不会列。但只要真上线，缺了它们迟早出事。GLM-5.3 这个版本交付的代码，默认就带了安全扫描要查的东西；GPT 版要上线，这些得人工补一遍。

实测四：需求理解与功能扩展

GLM-5.3 这个版本多做了两个功能。

一个是历史任务重跑。GPT 版想调参数重跑同一张图，只能重新上传。GLM 版在服务端留存了原图和 trimap，调完参数点重跑就能生成新任务，前后对比很方便。调参的人都懂，同一张图反复跑是常态。

另一个是批量评测。一键跑 9 张示例图，弹窗出 SAD、MSE、Grad 的对照表，还能导出 CSV（逗号分隔值文件）。改完一版算法想知道整体升了还是降了，点一下就行。

这两个功能在清单之外，是这个版本自己补的。

三、实测结果：核心功能打平，工程细节有差距

实际测试下来，GLM-5.3 和 GPT-5.6-Sol 都完成了 PRD 的核心需求。核心功能和算法效果基本打平，但在前端细节、AI 味规避和服务端安全上，GLM 版做得更完整。

GLM-5.3+DeepSeek Harness：

GPT-5.6-Sol+DeepSeek Harness：

核心功能覆盖和算法基线效果两项打平。PRD 的要求两边都做了，算法也都是经典 closed-form方法的合格实现。

前端风格则各有偏好，GPT 版走视觉冲击力路线，GLM 版走克制工具风路线。

GLM-5.3 这个版本的交付完成度超出预期，加码的是质量细节。

单个任务的实测，得不出通用能力排名。GLM-5.3 不支持视觉输入，需要像素级精细调整的前端场景是它的劣势。测试环境是本地单机，生产环境表现可能不同。

四、不想自己接插件，可以直接用 ZCode

DeepSeek Harness 的思路是「一切皆插件」。模型、工具和工作流都能按自己的需求往里接，更灵活；但相应地，插件需要自己选择、配置和维护。

如果不想自己做插件，可以直接用智谱官方出品的 ZCode。它把 Agent、项目文件、终端、任务过程和代码审查放进同一个桌面工作台，默认集成更完整，可以开箱即用。

写在最后：GLM-5.3，更值得看的是后训练

跑完这次实测，再回头看官方披露的训练细节，GLM-5.3 的后训练值得单独说说。

智谱在技术博客里提到，GLM-5.3的能力相比 GLM-5.2 整体提升了 50%，这部分提升全部来自后训练。放到这次测试里看，这个数字就有了具体的样子：登录限流、安全响应头、会话清理，以及需求之外主动补上的功能，都不是模型把代码写出来就够了，它还得知道一套真正要交付的应用应该长什么样。

当然，单次测试没法把每个差异都直接归因于后训练。但 GLM-5.3 已经说明，模型能力的提升不只靠换一个更大的底座。怎么让模型在真实任务里学会判断、取舍和补全，同样重要。

所以接下来更值得期待的是：如果这套后训练方法放到更大的基座上，效果还能走到哪一步。

想自己试试的朋友，可以先看我们 8 月 13 日发的 DSH 保姆教程把框架搭起来。