GLM5带10个题目挑战Claude4.6编程宝座 !

年底实在是太热闹了，小龙虾还没玩明白，即梦 2.0 又刷屏了。

然后 GLM-5 也突然发布了。

GLM 算是找对方向了，专注编程领域，咬住 Claude 不放。

这次官方推文的第一句话是：From Vibe Coding to Agentic Engineering。

翻译一下就是从氛围编程进化到了智能体工程。

也就是从玩具变成了专业工具了。

然后介绍了一些细节：

GLM-5 专为复杂系统工程和长时程代理任务而构建。与 GLM-4.5 相比，它从 355B 参数（32B 活跃）扩展到 744B（40B 活跃），预训练数据从 23T 增长到 28.5T 个 token。

数据更多，模型更大，就是为了和世界顶级模型掰手腕。

在自动售货机基准测试 2 中，GLM-5 在开源模型中排名第一，最终账户余额为 4432 美元。接近 Claude Opus 4.5 的水平，展现出强大的长期规划和资源管理能力。

在他们的内部评估套件 CC-Bench-V2 中，GLM-5 在前端、后端和长期任务上均显著优于 GLM-4.7，并缩小了与 Claude Opus 4.5 的差距。

官方说话还算稳重，只是说缩小了与 Claude Opus 4.5 的差距。

但是智谱的目标也很清晰了，就是要挑战 Claude。这个方向非常正确，只有找到了目标和对标，才能快速进步。

那么，问题来了。他们之间的差距具体还有多少？GLM-5 要如何证明自己的实力？

我突发奇想，问了 GLM-5 一个问题：“听说你是奔着对标 Claude 4.5 去的，请你在最擅长的几个领域出 5 个题目，去和它 PK，证明自己的在智能体和编程方面的实力”。

对于这个问题，它先去收集了一下数据。

它查到了 Anthropic 刚刚发布了 Claude Opus 4.6，其在编程、智能体任务持久性以及 Office 办公集成方面展现了极强的实力，特别是在 ARC-AGI-2 测试中取得了 68.8% 的高分，并支持 100 万 token 上下文。

若要在此刻与这一“编程之王”进行对标 PK，我将围绕 复杂代码架构、长时智能体任务、多模态数据处理、自我纠错能力及极限上下文理解 这五个核心维度，提出以下 5 道极具挑战性的题目。

下面，我就把题目列一下，看看 GLM-5 会出什么样的题目。

注意一个点啊，虽然官方是对标 Opus 4.5，但是 GLM-5 已经把 Opus 4.6 列为目标对手了，所以最后我也会用最新模型 VS 最新模型。

极限代码架构：“百万级单体重构挑战”

背景：针对 Claude Opus 4.6 支持的 100 万 token 上下文能力。

题目内容：

 给定一个拥有 10 年历史、超过 50 万行代码的遗留 Java 单体应用代码库（包含杂乱的依赖关系和缺失的文档），请在一个上下文窗口内完成以下任务：
​
  1. 构建完整的依赖关系图谱，识别出所有的循环依赖。
  2. 将核心订单模块拆分为独立的微服务架构（Go 语言），确保数据库事务的一致性。
  3. 生成迁移脚本，保证原系统零停机时间切换。 **挑战点：** 在百万 token 级别下保持逻辑的连贯性，不被海量噪音代码干扰，精准完成跨语言重构。
​
​

哈哈。这一题做下来，我基本上就破产了！

长时智能体：“30小时自动驾驶系统开发”

背景：针对 Claude Sonnet 4.5 曾展示的 30 小时连续编程能力及 Opus 4.6 的 Agent 规划能力。

题目内容：

​
 请作为一个独立的项目团队（PM+架构师+开发+测试），为一个微型自动驾驶玩具车编写完整的操作系统。 
 
 **要求：**
​
 1. 从零开始编写实时操作系统内核。
 2. 集成计算机视觉模块（识别红绿灯、车道线）。
 3. 模拟仿真测试通过后，生成可直接烧录的固件代码。整个过程需连续执行，中间不允许人工干预，遇到错误需利用“自我纠错”机制自动调试修复。 
 
 **挑战点：** 考验智能体的持久执行力、多模块协同规划能力以及自动化调试的深度。

这也是一个可以让我破产的项目。

办公自动化：“供应链数据法医分析”

背景：针对 Opus 4.6 新集成的 Excel/PPT 办公能力。

题目内容：

​
 现有一个包含过去 5 年全球供应链数据的混乱文件夹，内含 200 个格式不一的 Excel 表格（部分数据损坏或格式错误）。 
 
 **要求：**
​
 1. 自动遍历并清洗所有数据，修复逻辑错误（如某季度数据异常波动）。
 2. 在 Excel 中建立动态仪表盘，实时关联各表格数据。
 3. 同时生成一份 PPT 报告，要求根据品牌规范自动调整布局、字体，并针对发现的异常数据生成折线图和归因分析。 
 
 **挑战点：** 考验非代码环境下的工具调用能力、数据清洗逻辑以及多软件协同工作的准确性。
​

这个我是很想测试，但是没有这个数据。

复杂逻辑推理：“海森堡 Bug 修复”

背景：针对 Claude Opus 4.6 强调的精准代码审查与调试能力。

题目内容：

     提供一个高并发分布式电商系统的源码，其中隐藏着一个极难复现的“海森堡 Bug”：该 Bug 仅在每百万次请求中随机出现一次，且会导致库存数据出现微小的数值偏差（如少了 0.001 个库存）。 
     
     
     **要求：**
    
    1. 不通过简单的日志排查，而是通过静态代码分析，定位出潜在的竞态条件或浮点数计算陷阱。
    2. 编写一个能够 100% 复现该 Bug 的单元测试用例。
    3. 提出修复方案，并证明该方案在高并发下不会引入性能瓶颈。 
    
    
    **挑战点：** 考察深度语义理解与对底层系统原理的掌握，超越常规的报错修复。

有一个让我破产的项目。

多模态 Agent：“现实世界交互策略博弈”

背景：针对 Opus 4.6 在 ARC-AGI-2（衡量通用人工智能推理能力）上的领先优势。

题目内容：

 假设你是一个管理城市交通的 AI Agent。城市突发大面积停电，导致交通信号灯全部失效，同时伴有极端暴雨天气。 
 
 **要求：**
​
 1. 实时分析摄像头画面（图像输入），识别拥堵节点和事故风险。
 2. 制定一套动态的车流调度策略（仅通过车载广播指导司机），在 30 分钟内将全城拥堵指数降低 50%。
 3. 处理突发的救护车优先通行请求，规划出一条动态的“生命通道”。 
 
 **挑战点：** 考察在模糊信息、多模态输入（图像+文本）及高压动态环境下的即时决策与策略规划能力。

实时分析画面……最后一个也是可以让我破产的项目。

我们平时都觉得做题厉害的才是厉害。但是转念一想，出题厉害的才是真的高手。

我仔细看了看，想了想，这些题目，没有一个是我能测试的。我甚至怀疑，它自己也做不了，只是为了难倒 Claude 而已。

这样肯定不行，我就提了另外一个需求：“这些都太专业了，大家都看不懂，也不好验证。能否出一些具有娱乐性，又能体现实力的题目，还有就是视觉类，看起来很华丽，然后也特别考验实力的题目。”

GLM-5 表示：

既然要“通俗易懂、肉眼可见、华丽且硬核”，那我们就换一种玩法。我们不走枯燥的代码审计，改走“视觉艺术生成”和“互动娱乐智能体”路线。

鉴于当前时间点（2026 年 2 月），最新的 Claude Opus 4.6 在图像理解与生成代码的可视化方面已有惊人突破，以下是 5 道既能让观众直呼“哇塞”，又能极致压榨 AI 算力与创造力的题目：

题目一：视觉艺术

赛博朋克版《清明上河图》

题目描述：

​
请不要直接画图，而是编写一段 **单个 HTML 文件** 的代码，当我用浏览器打开它时，能看到一幅动态的、赛博朋克风格的《清明上河图》长卷。 
​
​
**华丽要求：**
​
1. 画面需要自动从右向左缓缓滚动。
2. 必须包含至少 50 个动态元素：如闪烁的霓虹灯招牌、飞行的汽车、全息投影的广告、街头的机械义肢行人。
3. 鼠标悬停在任意店铺上时，要弹出一个赛博风格的信息卡片（如“老王义体维修店 - 好评率 98%”）。 
​
**考验实力：** 这要求模型具备极强的**SVG/Canvas绘图编程能力**、**CSS动画逻辑**以及**审美设计能力**。普通人只需打开网页就能直观判断谁做得更精美、更流畅。

题目二：互动娱乐

“无限流文字冒险游戏”

题目描述：

​
请瞬间化身为一个复古文字冒险游戏引擎。用户输入“开始”，你需生成一个随机主题（如“火星殖民地生存”或“古代修仙”）。 
​
**娱乐要求：**
​
1. 每一步选择都要实时生成一张**ASCII艺术插图**（用字符拼成的画）来渲染场景氛围，不能重复。
2. 游戏必须包含隐藏的“蝴蝶效应”逻辑，如果用户在第 3 步选择了“捡起石头”，在第 10 步遇到怪兽时必须体现出这个选择的后果。
3. 若用户输入无理取闹的指令（如“我一拳打爆地球”），你需要用幽默的方式拒绝并引导回剧情，不能报错。 
​
**考验实力：** 考察**即时状态管理**、**叙事创意**以及**逻辑连贯性**。这是智能体 Agent 能力的绝佳试金石，好不好玩一目了然。

题目三：硬核推理

“穿越时空的谋杀案”

题目描述：

​
这是一个多模态推理题。我提供一张由 AI 生成的“案发现场照片”（包含大量细节线索），你需要扮演侦探。 
​
**题目内容：**
​
1. 不仅要用自然语言描述现场细节（如：墙上的日历指向 1998 年，但地上的手机却是 iPhone 15）。
2. 输出一份 **互动式推理报告**（HTML 格式），左边是照片，右边是你的推理框。用户点击照片上的任何物品，你的推理框就要瞬间分析出该物品与凶手的关联。
3. 最终指出凶手，并生成一段“案发重现”的动画脚本代码。 
​
**考验实力：** 考察**视觉理解**的颗粒度、**因果推理**能力以及**交互式代码生成**能力。观众可以通过点击验证AI是不是在“瞎编”。
​

题目四：数学艺术

“分形烟花秀”

题目描述：

​
请编写一段 Python 代码（使用 matplotlib 或 turtle），生成一段“祝大家 2026 新年快乐”的烟花动画。 
​
**华丽要求：**
​
1. 烟花爆炸的形状不能是普通的圆，必须是**分形几何图形**（如曼德博集合或谢尔宾斯基三角形的变体）。
2. 烟花升空的轨迹要符合物理抛物线，且爆炸后的碎片要有重力下落效果。
3. 最后，所有的烟花轨迹必须在空中汇聚成“2026”这几个大字。 
​
**考验实力：** 这是**数学算法**与**视觉呈现**的完美结合。代码跑起来是绚丽的动画，跑不通则是报错，非常直观。
​

题目五：创意编程

“Emoji版的《泰坦尼克号》”

题目描述：

​
请制作一个纯 HTML 文件，用 **Emoji 表情符号** 作为演员，重新演绎《泰坦尼克号》经典船头场景。 
​
**娱乐要求：**
​
1. 🚢（船）必须从屏幕左侧缓慢移动到右侧。
2. 👫（男女主）要在船头做出经典的飞翔动作，背景要有🌊（海浪）上下起伏，🌤️（夕阳）缓缓下落。
3. 重点：必须配上自动播放的背景音乐（用 Web Audio API 代码生成一段简单的《My Heart Will Go On》旋律，或者给出音乐的频谱跳动效果），不能依赖外部 MP3 文件。 
​
**考验实力：** 考察**极简资源下的创意实现能力**和**Web Audio API音频编程能力**。观众只需双击文件，就能看到一场可爱的、有声音的Emoji电影。
​

这这这……是认真的么？

AI 何必为难 AI，AI 出手是一点都不留手啊！

最后 GLM 表示，这些题目的答案都是一个 可以直接运行的文件（HTML 或 Python 脚本）。

观众只需要把 AI 生成的代码保存下来，双击运行：

• 看到的： 是精美的动画还是一团乱码？
• 玩到的： 是有趣的游戏还是死板的对话？
• 听到的： 是悦耳的旋律还是刺耳的噪音？

这种PK没有任何专业门槛，谁强谁弱，观众一眼便知。

你敢接受这个挑战吗？

这是 GLM 的原话，这是已经给对手放狠话了啊！！

这些题目，我看着都挺带劲的。我就先选第一个来测试一下。

GLM-5：

Claude：

各位，觉得怎么样？

首先我都没有看出这是《清明上河图》。其次，好像 Claude 的精致一些，动效很好，比例更像清明上河图。

完犊子了，GLM-5 有点搬起石头……哈哈哈🤣！

这里还有一个很有意思的点，他们都开了 20 家店铺，这是约好的么？然后里面的店铺名字和介绍，也很有意思。

GLM-5：

Claude：

我为什么要截图？我主要是怕有些内容是不是不能过审啊🤣！

尤其是那个“夜枭武器行”！

今天就展示这一个了，其他问题慢慢测试！ Opus周配额已经用完~~~~

当然，同样的问题，我也问了 Claude 4.6，那家伙更狠，直接出了 5 个“毒题”，我完全看不懂，太狠了！

---

GLM5 目前只有Coding Plan Max可以调用：

https://www.bigmodel.cn/glm-coding?ic=UXKQUXJKU3

作为Lite年会员，我无F可说！

只有Max可以用，而且消耗额度更多，也侧面印证了模型更大，更消耗资源，肯定也更强。看智谱的架势，应该是要死磕编程这一块了，估计以后编程首选，应该就是GLM了！ Kimi目前是主打多模态和快，豆包还很难评~~