一項非正式基準測試比較了 Qwen 3.8 Flash Next 與 GLM 5.3 Flash 在重現參考圖像的創意編程任務中的表現。結果顯示，GLM 達成了更高的視覺保真度，而 Qwen 則著重於快速迭代。

測試突顯了架構選擇如何顯著影響最終輸出的品質與細節程度。擁有 3200 億總參數的 GLM 5.3 Flash 使用 Canvas 2D 產生了更詳細的結果，而擁有 1250 億參數的 MoE 模型 Qwen 3.8 Flash Next 則從零開始構建軟體渲染器。

此比較顯示，在本地大型語言模型的視覺任務中，模型架構與渲染策略是關鍵因素，其影響往往超過原始參數量。它為開發者提供了實用見解，幫助他們根據對視覺準確性或開發速度的特定需求，在 Qwen 和 GLM 等模型之間做出選擇。

一個主要的混淆變數是停止條件邏輯，Qwen 在 8 萬個 token 處停止，而 GLM 則繼續添加細節直至達到 23.8 萬個 token。

事件背景

大型語言模型（LLM）正越來越多地被用於創意編程任務，其中模型會生成程式碼以產生遊戲或動畫等視覺輸出。渲染方法（例如使用瀏覽器的 Canvas API 與編寫自訂軟體渲染器）會顯著改變生成圖形的複雜度和保真度。此外，混合專家（MoE）架構（如 Qwen 所使用的架構）每次 token 僅激活部分參數，以提高運算效率。

社群觀察

社群成員指出，效能差距可能源於不同的渲染方法而非僅是模型能力，建議在工具一致的情況下重新測試。其他人則強調停止條件邏輯和提示詞處理扮演了重要角色，Qwen 在持續改進的目標下比 GLM 更早宣告完成。