TerminalBench 4.0 的發布顯示，Z.ai 的 GLM-5.3 模型表現與 Anthropic 的 Fable 5 持平，落在統計誤差範圍內。此次更新突顯了該基準測試為應對新模型發布而進行的快速迭代，以對抗基準飽和問題。GLM-5.3 是一個擁有 40B 活躍參數的 753B 混合專家模型，在較低成本下提供了強大的長程任務能力。然而，部分用戶指出，GLM-5.3 為取得略優於 GPT-5.6 Sol 的結果，消耗的 token 數量幾乎是其兩倍，這影響了其效率評分。

事件背景

TerminalBench 是一個代理基準測試，評估 AI 模型在電腦終端環境中完成複雜長程任務的能力，例如軟體工程和系統管理。基準飽和是指模型因訓練數據與現有測試相似而在測試中表現良好，使得區分真實的能力提升變得更加困難。

社群觀察

社群討論結合了對 GLM-5.3 成本效益的讚賞以及對基準飽和的懷疑。用戶們也辯論了原始性能與 token 效率之間的權衡，部分用戶指出，較高的成本可能會抵消微小的性能提升。