Qwen 3.8 对比 GLM-5.2：首个两者真正重叠的基准测试

这两个模型是中国开放权重人工智能中两种对立押注的最清晰体现。智谱的GLM-5.2精简且经过验证：总参数 753B，仅40B 激活参数，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是极致主义的押注：~2.4T 参数，激活数量未公开，并且——直到最近——完全没有数字。

2026年8月3日的正式发布让这场对决拥有了本系列其他文章所没有的东西：一项两个模型都有得分的基准测试。阿里巴巴报告Terminal-Bench 2.1的成绩为86.6；而Artificial Analysis对GLM-5.2的审计成绩为82.7，来自同一测试。这是Qwen的声称首次能够在相同基础上与独立测量的竞争对手数字并列比较——但有一个重要注意事项：两者中只有一个是由裁判产生的。

给开发者的一条提示——要解决这个问题，最快的方法是在你自己的提示词上同时运行这两者。OrcaRouter 通过一个 OpenAI 兼容端点对外提供 200 多个模型，因此你可以在同一任务上让 Qwen 3.8 Max 与 GLM-5.2 直接对垒，而无需接入两套 SDK。

TL;DR 结论。在共享的基准测试中，Qwen 声称在 Terminal-Bench 2.1 上领先 3.9 分（86.6 对 82.7）——如果可复现，这是真实结果，不过 Qwen 的数据是自报的，而 GLM 的经过审计。在其他方面，GLM-5.2 拥有实际优势：它便宜约 2 倍，价格为 $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，并且拥有独立的指数得分 51，而 Qwen 没有。Qwen 则以 100 万 token 的统一费率上下文、GLM 所不具备的原生多模态能力，以及更高的潜在上限作为回应。精干且久经考验仍胜过庞大但未经证实——但差距在 8 月 3 日缩小了。

关键要点

• 系列中首个直接基准重叠： Terminal-Bench 2.1 — Qwen3.8-Max 86.6（Alibaba 报告）对比 GLM-5.2 82.7（Artificial Analysis，经审计）。Qwen 领先 3.9 分，但这两个数字并非同样可信。

• GLM-5.2 的价格大约便宜一半： $0.95 / $3.00 每1M（AA blended ~$0.90），而 Qwen3.8-Max 的$2 / $6。

• 激活参数才是真正的架构关键：GLM-5.2 运行 40B激活参数，总计753B。Alibaba仍然未披露Qwen的激活参数数量，这使得其服务成本无法建模。

• GLM 的权重今日即可下载；Qwen 的权重承诺本周内发布，但目前尚无许可证或代码仓库。

• GLM-5.2 的审计指数为 51。 Qwen3.8-Max 仍未评分——尽管其前身 Qwen3.7-Max 得分为 46， 低于 GLM。

• Qwen 的独特优势：提供 1M token 上下文窗口，以统一费率计费，不收取长提示附加费，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，将自报分数与经审计的分数进行比较具有一定参考价值，但并非结论性的——供应商的测试框架与评估方的测试框架存在差异。Qwen定价采用GA费率表，取代了7月份的预览折扣。

规格与价格，并列对比

以下是硬数据，每项数据均注明其来源。

• 开发者 / 状态 — Qwen3.8-Max：阿里巴巴；GA（2026年8月3日）；GLM-5.2：智谱；2026年6月发布

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

• 激活参数 — Qwen3.8-Max：阿里巴巴仍未披露；GLM-5.2：40B 激活参数（Artificial Analysis）

• 上下文窗口 —— Qwen3.8-Max：1M tokens，固定费率（思考模式下为983,616；最大输出131,072）；GLM-5.2：1M 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 Intelligence Index — 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：排名由第三方评测

• 模态 — Qwen3.8-Max：文本、图像、视频输入 → 文本输出；GLM-5.2：专注于文本

• 定价（输入/输出）— Qwen3.8-Max：$2.00 / $6.00 每 1M，统一价格；缓存输入 $0.25；GLM-5.2：$0.95 / $3.00 每 1M（AA 综合约 $0.90）

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

有两件事为这次比较设定了框架，而第一件是整个系列中最有用的数据点。

首先，Terminal-Bench 上的重叠结果确实很有参考价值。Terminal-Bench 2.1 衡量一个模型能否操作真实 shell 并完成任务——运行命令、读取输出、从错误中恢复。它是现有最接近“能否作为编码代理而非代码建议器”的衡量标准，也是两家供应商都选择报告的基准测试。Qwen 的 86.6 与 GLM 经审计的 82.7 相比，Qwen 以 3.9 分的优势领先。

这个注意事项很重要，但不应夸大。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造上存在差异，这些选择可能使 Terminal-Bench 分数产生超过四分的波动。因此，这并不能证明 Qwen 是更好的智能体模型。它真正确立的是，Qwen 自我报告的成绩与经审计的前沿开放权重模型处于同一竞争区间，而非不可信的范畴。这比“未评分”这一状态要有意义得多。

其次，架构对比正是 GLM 悄然胜出的地方。 GLM-5.2 激活了 40B 参数，这些参数出自 753B 总参数。单看这一个数字，就能了解它的服务成本、延迟特征，以及一支装备精良的团队确实能够运行它。Alibaba 至今仍未公布 Qwen 的激活参数数量——这意味着，无论 2.4T 这个宣传数字多么引人注目，Alibaba 之外没有人能估算 Qwen3.8-Max 的服务成本，也无法判断它自托管时的表现。在混合专家模型的对比中，这可不是什么脚注；这是最重要的缺失数字。

精简且经过验证 vs 庞大且未经证实

GLM-5.2 的定位建立在一个连贯的工程立场上：以更少做更多，公开数据，发布权重。一个 40B 激活的模型服务成本低廉，天生快速，并且可以由一支拥有可观但不离谱的 GPU 预算的团队部署。其经审计的指数 51 和经审计的 Terminal-Bench 82.7 意味着买家无需盲目信任。而其价格 $0.95 / $3.00，大约是 Qwen 价格的一半。

Qwen3.8-Max 的情况恰恰是相反的赌注：尽可能构建最大的模型，让能力本身来证明成本的合理性。GA 让这一论点变得比以往有力得多，因为终于有数字作为支撑——GPQA Diamond 92.6（研究生科学），OSWorld-Verified 86.1（GUI 操作），FrontierSWE 73.5（相较前代的 40.7），以及前面讨论过的 Terminal-Bench 86.6。这些都是前沿水准的数字，而 FrontierSWE 上接近翻倍的表现，是那种难以完全伪造的代际飞跃。

但两个差距依然存在，与7月时一样关键。目前仍没有独立评分——Artificial Analysis 和 LMArena 均未对 Qwen3.8-Max 打分，因此所有质量声明都只是阿里巴巴自己的说法。此外也没有许可证，因此开放权重承诺尚无法从商业角度评估。

历史锚点在这里比在大多数对决中更不利于 Qwen：前代 Qwen3.7-Max 得分为 46（在 AA 指数上），低于GLM-5.2 的 51。因此，阿里巴巴的隐含主张并不仅仅是 Qwen3.8-Max 很好，而是它在一代之内从低于 GLM 跃升至远超 GLM。FrontierSWE 的改进为这一说法增添了一些可信度。独立评分将一锤定音。

实践中的成本：2× 究竟落在何处

以一个智能体编码流水线为例：每次运行包含180,000个token的仓库上下文，以及10,000个token的输出。

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

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

• 按每天3,000次运行计算：GLM ≈ $603/天；Qwen ≈ $1,260/天——大约每月相差$20,000。

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

最后一行是这次对比中最具实际用处的一点。Qwen 的标价是 GLM 的两倍，但其每 1M 的缓存命中价格仅为 0.25 美元，力度相当激进，足以让缓存良好的流水线扭转排名。如果你的智能体在每一轮都会重新读取基本不变的上下文——大多数编程智能体正是如此——那么尽管费率表更差，Qwen 在实践中反而可能是更便宜的选择。没有配置缓存的团队等于白白多付一倍的钱。

两个模型都将思考令牌计为输出，因此推理密集型配置在任一方都会比这些估算成本更高。

可部署性：GLM 所拥有的轴

两者都是中国的开放权重MoE模型，均声称支持100万token的上下文，这使得可部署性成为最尖锐的实际分水岭。

GLM-5.2 的权重自六月起即可下载，在 40B 激活参数下，它是一个现实的自托管目标——可量化、可在合理数量的 GPU 上提供服务，并且已经被社区实践验证过。

Qwen3.8-Max 的权重承诺在本周内发布，但该旗舰模型对任何人来说都不是一个现实的目标：大约 1.2TB（4-bit 量化）对比每块 H200 的约 141GB，意味着需要八块或更多顶级加速器；而未公开的激活参数数量使得最终吞吐量无法预测。再加上许可证缺失，目前自行托管该旗舰模型并非可行方案。

同期发布的Qwen3.8-27B是阿里在这一维度上的真正回应。同样开放权重，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的显存占用——这使其在可部署性上直接竞争。如果你对这两款模型的兴趣在于自行运行，那么Qwen 27B与GLM-5.2的对比才是真正重要的，而且这将是一场远比2.4T对753B更接近的较量。

常见问题

Qwen 3.8 比 GLM-5.2 更好吗？

在它们共有的一个基准测试中，Qwen声称领先——Terminal-Bench 2.1 得分86.6，而GLM经审计的得分为82.7。但Qwen的数字是自行报告的，GLM的则由Artificial Analysis测量，且测试框架的差异可能超过四分的差距。GLM-5.2还拥有一个经审计的指数51，而Qwen完全没有独立评分。GLM是更安全的选择；Qwen则拥有更高但未经证实的上限。

它们在 Terminal-Bench 2.1 上如何比较？

Qwen3.8-Max 报告得分为 86.6；Artificial Analysis 测得 GLM-5.2 为 82.7。这意味着 Qwen 在名义上领先 3.9 分，也是两者首次在同一基准测试中出现可比数据。应将其视为 Qwen 在该性能区间具有竞争力的证据，而非其领先的证明，因为只有 GLM 的数据是独立产生的。

哪个更便宜？

价目表上的GLM-5.2 — 每1M为$0.95 / $3.00（AA混合约$0.90），而Qwen的为$2 / $6，大约是前者的一半。但Qwen的缓存输入价格为每1M $0.25，这个价格相当激进，以至于一个大量使用缓存的流水线在Qwen上的总费用可能比在未缓存的GLM上更便宜。

Qwen 3.8 Max 使用多少个活跃参数？

阿里巴巴从未公开过这一数字，即使在正式发布（general availability）时也是如此。在混合专家（Mixture-of-Experts）模型中，这个数字决定了服务成本和延迟，因此它的缺失是一个实实在在的空白。相比之下，GLM-5.2 的文档明确标注为总参数 753B，其中激活参数为 40B。

我实际上可以自托管哪些？

GLM-5.2 今天发布——权重已公开，40B 活跃参数使其易于部署。Qwen3.8-Max 的权重承诺本周内发布，但旗舰型号需要八块或更多 H200 级 GPU，4-bit 量化下约 1.2TB，且尚未公布许可证。同时发布的 Qwen3.8-27B，据报道约需 17GB 显存，是可部署的 Qwen 选项，也更接近 GLM 的定位。

Qwen 3.8 Max 退出预览了吗？

是的，2026年8月3日上线，提供已发布的价目表，并具备兼容OpenAI和DashScope的端点。7月份Qoder积分一折活动已不再描述其销售方式。

Qwen 提供了哪些 GLM-5.2 没有的功能？

原生多模态——支持图像和视频输入，文档解析在OmniDocBench上自报得分92.1——并提供100万token的上下文窗口，按统一费率计费，无长提示附加费。GLM-5.2专注文本，因此在文档、截图或视频处理流程中，Qwen与其说是在与它竞争，不如说是在做别的事情。

底线

Qwen 3.8 对比 GLM-5.2 是正式发布带来最多真实新信息的一场对决。Qwen 首次在一个独立评估者也运行过的基准测试上获得分数，并且超过了 GLM：Terminal-Bench 2.1 得分 86.6 对 82.7。这使得 Qwen 从“未评分”变为“在实测基础上具有合理竞争力”，即使考虑到自我报告的注意点，这也是真正的进步。

但 GLM-5.2 依然保持着实用桂冠，而且凭借的是并不光鲜的优势：半价，经审计的 51 分指数，400 亿活跃参数使其成本可预测、部署可行，还有现在就能下载的权重。Qwen 的回应——统一费率的百万 token 上下文、原生多模态能力和更高的上限——有意义但有条件，而且它两个 7 月缺口依旧未变：没有独立评分，也没有许可证。关注三件事：Qwen3.8-Max 的首个独立智能指数得分，评估者能否复现 86.6 的 Terminal-Bench 数据，以及 Qwen3.8-27B 的发布——那才是这两种理念真正交锋之处。在那之前，你要上线的是 GLM-5.2，要评估的是 Qwen3.8-Max，并开启缓存。