Qwen 3.8 对比 GLM-5.2:首个两者真正有重叠的基准测试
Guides & Insights

Qwen 3.8 对比 GLM-5.2:首个两者真正有重叠的基准测试

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

这两个模型最清晰地体现了中国开放权重 AI 中两种对立的押注。智谱的 GLM-5.2精简且经过验证:总参数为 753B,其中仅有 40B 活跃参数,经审计的 Artificial Analysis Intelligence Index 为 51,权重自 2026 年 6 月起可下载,公布价格为 $0.95 / $3.00。阿里巴巴的 Qwen3.8-Max则是极致主义押注:约 2.4T 参数,活跃参数数量未披露,而且——直到最近——完全没有公布任何数字。

2026 年 8 月 3 日的全面上市,让这次对比拥有了本系列其他文章都不曾有的东西:一个两款模型都有得分的基准测试。 阿里巴巴报告称 Terminal-Bench 2.1 得分 86.6;Artificial Analysis 对 GLM-5.2 的审计结果为 82.7,且是在同一测试中。首次,Qwen 的说法可以在相同基准上,与独立测得的竞争对手数字并列比较——但有一个重要前提:两者中只有一个的结果出自裁判。

写给开发者的一点建议——最快的定论方式,就是拿你自己的提示词把两者都跑一遍。OrcaRouter 在一个 OpenAI 兼容接口后面汇集了 200+ 个模型,因此你可以在同一个任务上让 Qwen 3.8 Max 与 GLM-5.2 正面对决,而无需接入两套 SDK。

TL;DR 结论。在唯一共用的基准测试上,Qwen 声称在 Terminal-Bench 2.1 上领先 3.9 分(86.6 对 82.7)——如果能够复现,这就是一个真实的结果,不过 Qwen 的数据是自报的,而 GLM 的数据经过了审计。在其他所有方面,GLM-5.2 都保持着实际优势:它的价格约为前者的 2 倍便宜,为每百万 token $0.95 / $3.00,而 Qwen 为 $2 / $6;其权重今天即可下载;其 40B 激活参数使其真正可部署;并且它拥有 51 的独立指数得分,而 Qwen 没有。Qwen 的回应是 100 万 token 的固定费率上下文、GLM 所缺乏的原生多模态能力,以及更高的潜在上限。对于生产环境而言,精简且经过验证的方案仍然胜过规模大但未经验证的方案——但差距在 8 月 3 日缩小了。

关键要点

• 本系列首次出现直接的基准测试重叠: Terminal-Bench 2.1 — Qwen3.8-Max 86.6(阿里巴巴报告)对比 GLM-5.2 82.7(Artificial Analysis,经审计)。Qwen 领先 3.9 分,但这两个数字的可信度并不相同。

• GLM-5.2 的价格大约只有其一半: $0.95 / $3.00 每 100 万(AA 混合价约 $0.90),而 Qwen3.8-Max 为$2 / $6。

• 激活参数才是真正的架构看点:GLM-5.2 在总计 753B 参数中运行 40B 激活参数。阿里巴巴仍未披露 Qwen 的激活参数量,这使其推理服务成本无法建模。

• GLM 的权重今天已可下载;Qwen 的权重承诺将在本周内提供,但目前还没有许可证或代码仓库。

• GLM-5.2 的经审计指数为 51。Qwen3.8-Max 仍未评分——尽管其上一代 Qwen3.7-Max 得分为 46,低于GLM。

• Qwen 的独特优势:100 万 token 上下文窗口按统一费率计费,长提示词不加收费用,并原生支持文本/图像/视频输入,OmniDocBench 1.5 得分 92.1。GLM-5.2 则专注于文本。

准确性说明:所有 Qwen3.8-Max 的质量数据均由阿里巴巴自行报告,未经第三方验证。GLM-5.2 的数据来自 Artificial Analysis。在同一基准上比较自报分数与经审计的分数虽具参考价值,但并非定论——厂商的测试框架与评测方的测试框架并不相同。Qwen 的价格为 GA 正式价目表,取代 7 月的预览折扣。

规格与价格,并排对比

以下是确凿的数据,每个数字都注明了来源。

• 制造商 / 状态 — Qwen3.8-Max:阿里巴巴;正式发布(2026年8月3日);GLM-5.2:智谱;2026年6月发布

• 架构 — Qwen3.8-Max:总参数约 2.4T,稀疏 MoE;GLM-5.2:总参数 753B,稀疏 MoE(Artificial Analysis)

• 激活参数 — Qwen3.8-Max:阿里巴巴仍未披露;GLM-5.2:400亿激活参数(Artificial Analysis)

• 上下文窗口 — Qwen3.8-Max:100 万 tokens,固定费率(含思考时为 983,616;最大输出 131,072);GLM-5.2:100 万 tokens(Artificial Analysis)

• Terminal-Bench 2.1 — Qwen3.8-Max:86.6(阿里巴巴报告);GLM-5.2:82.7(Artificial Analysis,经审计)

• AA 智能指数 — Qwen3.8-Max:尚未评分;GLM-5.2:51(Artificial Analysis)

• 其他厂商报告的分数——Qwen3.8-Max:GPQA Diamond 92.6、OSWorld-Verified 86.1、FrontierSWE 73.5(阿里巴巴报告);GLM-5.2:排名为第三方实测

• 模态 — Qwen3.8-Max:文本、图像、视频输入 → 文本输出;GLM-5.2:以文本为主

• 定价(输入 / 输出)—— Qwen3.8-Max:每 100 万 token $2.00 / $6.00,统一价格;缓存输入 $0.25;GLM-5.2:每 100 万 token $0.95 / $3.00(AA 混合价约 $0.90)

• 开放权重 — Qwen3.8-Max:承诺本周内发布(尚无许可证);GLM-5.2:是——今天即可下载

有两件事为这项比较提供了框架,其中第一件是整个系列中最有用的数据点。

首先,Terminal-Bench 上的重叠确实很有信息量。Terminal-Bench 2.1 衡量的是模型能否完整地操作真实 shell——运行命令、读取输出、从错误中恢复。它是目前最接近“这个模型能否充当编码智能体,而不只是代码提示器”的替代指标,也是两家厂商都选择报告的基准。Qwen 的 86.6 对 GLM 经审计的 82.7,意味着 Qwen 领先 3.9 分。

这一保留意见很重要,但不应被夸大。供应商的测试框架与评估方的测试框架在脚手架、重试策略和提示词构建上存在差异,而这些选择可能使 Terminal-Bench 分数变化超过四分。因此,这并不能证明 Qwen 是更好的智能体模型。它确实确立的是:Qwen 的自报结果落入了与经审计的前沿开放权重模型相同的竞争区间,而非不可信的范围。这比“未评分”是明显更有力的位置。

其次,架构对比正是 GLM 悄然胜出的地方。GLM-5.2 激活了 400 亿参数,总参数为 7530 亿。仅这一个数字就说明了它的服务成本、延迟表现,以及一支装备齐全的团队确实能把它运行起来。阿里巴巴仍未公布 Qwen 的激活参数数量——这意味着,无论 2.4T 这个头条数字传达了什么,阿里巴巴之外没有人能估算 Qwen3.8-Max 的服务成本,或它在自托管时的表现。在混合专家模型的对比中,这不是脚注;这是最重要的缺失数字。

精简且经过验证 vs 庞大且未经验证

GLM-5.2 的立足点是一套自洽的工程立场:以更少做更多,公开数据,开放权重。40B 激活参数模型的服务成本低,天生就快,一支拥有可观但不算离谱的 GPU 预算的团队即可部署。其经审计的指数为 51、经审计的 Terminal-Bench 为 82.7,这意味着买家无需凭信任接受任何说法。而在 $0.95 / $3.00 的价格下,它大约只有 Qwen 价格的一半。

Qwen3.8-Max 的主张则是一场相反的押注:构建你能造出的最大模型,让能力来证明成本合理。GA 让这一论点比原先有力得多,因为终于有数字可依——GPQA Diamond 92.6(研究生水平科学),OSWorld-Verified 86.1(GUI 操作),FrontierSWE 73.5,相较前代模型的 40.7,以及上文讨论的 Terminal-Bench 86.6。这些是前沿水准的数字,而 FrontierSWE 上接近翻倍的表现,是那种很难完全伪造的代际跃迁。

但有两个缺口依然存在,而且正是7月时同样重要的那两个。首先,没有独立评分——Artificial Analysis 和 LMArena 仍未对 Qwen3.8-Max 评分,因此所有质量方面的说法都出自阿里巴巴自己。其次,没有许可证,因此开放权重的承诺目前还无法从商业角度评估。

这里的过往基准对 Qwen 不利,程度超过大多数对比:前代 Qwen3.7-Max 得分 46(AA 指数),低于 GLM-5.2 的 51。因此,阿里巴巴隐含的主张不只是 Qwen3.8-Max 很优秀,而是它在一代之内从低于 GLM 跃升至远高于它。FrontierSWE 的提升为此提供了一定可信度。独立评分才能定论。

实际成本:2× 落在何处

以一条智能体编码流水线为例:180,000 token 的仓库上下文,每次运行 10,000 token 的输出。

• GLM-5.2:0.18M × $0.95 = $0.171,加上 0.01M × $3.00 = $0.03。每次运行约 $0.20。

• Qwen3.8-Max:0.18M × $2 = $0.36,加上 0.01M × $6 = $0.06。≈ 每次运行 $0.42。

• 每天运行 3,000 次时:GLM ≈ $603/天;Qwen ≈ $1,260/天——每月相差约 $20,000。

• 在稳定仓库上,Qwen 的缓存输入价格为 $0.25/1M 时,其运行成本降至 ≈ $0.11,这实际上低于 GLM 的非缓存成本。

最后一行是这次比较中最具实用价值的一点。Qwen 的标价是 GLM 的两倍,但其每 100 万 token 0.25 美元的缓存命中价格足够激进,以至于一个缓存良好的流水线可以扭转排名。如果你的智能体每一轮都重新读取基本未变的上下文——大多数编码智能体正是如此——那么尽管价目表更差,Qwen 在实践中可能是更便宜的选择。不配置缓存的团队只会白白多花一倍的钱。

两个模型都会将思考 token 作为输出计费,因此无论在哪个模型上,推理密集型配置的成本都会高于这些估算。

可部署性:GLM 所拥有的维度

两者都是中国的开放权重MoE模型,均宣称具备100万token上下文,这使得可部署性成为最鲜明的现实分界线。

GLM-5.2 的权重自六月起已可供下载,其激活参数量为 40B,是一个切实可行的自托管目标——可量化、能在合理数量的 GPU 上提供服务,并且已被社区实际使用。

Qwen3.8-Max 的权重已承诺在本周内发布,但这款旗舰模型对任何人来说都不是现实可行的目标:大约 4-bit 精度下 1.2TB,而每块 H200 约为 141GB,这意味着需要八块或更多顶级加速器;再加上未公开的激活参数数量,使得最终吞吐量无法预测。此外还有许可证缺失的问题,目前自行托管这款旗舰模型还谈不上是一个方案。

同时发布的Qwen3.8-27B是阿里巴巴在这一维度上的真正回应。它还采用开放权重,据报道运行仅需约17GB 显存——一张高端显卡即可,远低于 GLM-5.2 的占用——它在可部署性上直接展开竞争。如果你对这两款模型中的任何一款感兴趣,是想自己运行,那么 Qwen 27B 与 GLM-5.2 的对比才是真正重要的,而且这场较量比 2.4T 对 753B 接近得多。

常见问题

Qwen 3.8 比 GLM-5.2 更好吗?

在两者共同参与的同一个基准上,Qwen 声称领先——Terminal-Bench 2.1 为 86.6,而 GLM 经审计的成绩为 82.7。但 Qwen 的数据是自行报告的,GLM 的则是由 Artificial Analysis 测得的,而评测框架的差异可能超过四分的差距。GLM-5.2 还拥有经审计的指数 51,而 Qwen 根本没有独立评分。GLM 是更稳妥的选择;Qwen 拥有更高的未经核实的上限。

它们在 Terminal-Bench 2.1 上的对比如何?

Qwen3.8-Max报告为86.6;Artificial Analysis测得的GLM-5.2为82.7。这使得Qwen在名义上领先3.9分,也是两者首次在同一基准上出现重叠。应将其解读为Qwen在该区间具有竞争力的证据,而非其领先的证明,因为只有GLM的数值是独立产出的。

哪个更便宜?

GLM-5.2 在价目表上——每 1M 为 $0.95 / $3.00(AA 混合价约 $0.90),而 Qwen 为 $2 / $6,大约只有一半。但 Qwen 每 1M $0.25 的缓存输入价格足够激进,以至于一个重度使用缓存的流水线最终在 Qwen 上的花费可能比未使用缓存的 GLM 还低。

Qwen 3.8 Max 使用多少个活跃参数?

阿里巴巴从未公布过这一数字,即使是在正式全面可用时也没有。而这个数字恰恰决定了混合专家(MoE)模型的服务成本与延迟,因此它的缺失是一个实实在在的空白。相比之下,GLM-5.2 有明确记载:总参数 753B,激活参数 40B。

我实际上可以自行托管哪些?

GLM-5.2 今日发布——权重已公开,40B 激活参数使其具备可部署性。Qwen3.8-Max 的权重承诺将在本周内放出,但这款旗舰模型需要八块或更多 H200 级 GPU,4-bit 量化下约需 1.2TB 显存,且尚未发布许可证。同期公布的 Qwen3.8-27B 据称显存占用约 17GB,是可部署的 Qwen 选项,也更贴近 GLM 所定位的细分场景。

Qwen 3.8 Max 退出预览了吗?

是的,2026年8月3日,配有已公布的价格表以及兼容 OpenAI 和 DashScope 的端点。7 月的 Qoder 积分一折活动已不再能说明其销售方式。

Qwen 提供了哪些 GLM-5.2 没有提供的功能?

原生多模态——支持图像和视频输入,并在文档解析方面自报 OmniDocBench 92.1——以及按统一费率计费、无长提示词附加费的 100 万 token 上下文。GLM-5.2 专注于文本,因此对于文档、截图或视频流水线,Qwen 与其说是在与它竞争,不如说是在做另一件事。

底线

Qwen 3.8 vs GLM-5.2这场对决中,正式可用(general availability)带来了最多真正的新信息。Qwen 首次在一个独立评测者也运行过的基准上有了分数,而且高于 GLM:Terminal-Bench 2.1 为 86.6 对 82.7。这让 Qwen 从“未评分”变为“在可测量的基础上具有合理竞争力”,即便考虑到自报数据这一保留条件,这也是实实在在的进展。

但 GLM-5.2 保住了实用领域的桂冠,靠的却是不起眼的优势:一半的价格、经审计的 51 分指数、400 亿活跃参数——这让它的经济性可预测、部署可实现,而且权重现在就能下载。Qwen 的答案——一口价百万 token 上下文、原生多模态、更高的上限——有意义但有条件,而且它 7 月的两个缺口仍未改变:没有独立评分,也没有许可证。关注三件事:Qwen3.8-Max 的首个独立 Intelligence Index 评分;是否有评估方能复现 86.6 这一 Terminal-Bench 分数;以及 Qwen3.8-27B 的发布——两种理念将在这里真正碰撞。在此之前,GLM-5.2 是你用来上线的,Qwen3.8-Max 是你用来评估的——并开启缓存。

本文中的对比4

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新