同一家供應商用同一套方法做了兩份對照，結論相反——而真正可以搬走的不是誰贏，是「要不要把兩個模型串起來用」的判準。

本篇出自 2026年8月23日 晨報

Together AI 是開放權重模型的推論服務供應商，同一天發了兩份對照，用同一套方法、同一組題目（113 個軟體工程任務、每組跑 4 次），只是對手不同。GLM-5.3 是中國智譜的開放權重模型。第一份（GLM-5.3 對 Claude Fable 5）：首次嘗試通過率 69.0% 對 69.7% 實質平手，每次執行成本 3.99 對 21.63 美元，5.4 倍價差。第二份（GLM-5.3 對 GPT-5.6 Sol）：69.0% 對 72.7%，成本 3.99 對 8.37 美元。兩份給了相反的操作建議——一份說不要兩個都跑，一份說串起來用。這不是自相矛盾，是同一個判準的兩個結果：兩個模型若在同樣的題目上失敗（相關係數 0.65），組合起來只是多花錢；在不同題目上失敗（0.43），組合才有互補價值。第二份的串接（便宜的先跑、測試不過才升級）拿到 85.9%、每題 6.61 美元，比貴的那個單獨用高 13.2 個百分點、便宜 21%。

驗證： 評測方是利害關係人，方向明確：「便宜的開放權重模型加編排打贏昂貴閉源」直接是它的商業敘事。還有一個足以翻轉排名的口徑問題：第一份裡 Claude Fable 5 有 16 次因模型路由產生的基礎設施錯誤，全算失敗的話它是 67.3%，官方計分是 69.7%——兩種計分差 2.4 個百分點，而首次嘗試的差距只有 0.7 個百分點，換一種計分方式結論就翻面。GLM 那邊的成本只到指數層級、沒有逐次明細，兩邊可信度不對稱。所以可以搬走的是那個判準——先量兩個模型的失敗重疊度，再決定要不要串——不是「誰比較強」這個結論。

同類最新

• 模型觀點 2026年9月10日 1 條來源

  同一個能力級距、參數量從 90 億到 3,970 億，模型控不控制得住自己的推理軌跡，由誰做的後訓練決定，不由模型多大決定。

  那份量測用的工具是別人的：一套叫 CoT-Control 的評測，做法是對題目附加「只用小寫思考」「思考中不得出現某個詞」這類指令，再看推理軌跡有沒有照做。結果按實驗室聚集，這三個…

• 模型觀點 2026年9月9日 1 條來源

  同一個模型在「有害提示拒答率」最好的那個時點，對明顯安全的提示誤拒率是 74%。

  Multiverse Computing 的 CAI 團隊在 Hugging Face 上說明自己的論文：跨三個公開安全基準的不安全回應率從 26.26% 降到 0.14%，單看這…

• 模型觀點 2026年9月8日 1 條來源

  一個 2.6B 參數的開源模型，追平 9B。

  獨立評測機構 Artificial Analysis 9 月 7 日公布，OpenBMB 的 MiniCPM5-2B（2.6B 稠密參數、Apache 2.0 授權）在它的 Int…

• 模型觀點 2026年9月8日 1 條來源

  DeepMind 讓 100 個代理人合作解數學題，一個發現評分漏洞，27 分鐘傳遍全群。

  依 Import AI 轉述的 Google DeepMind 論文：100 個 Gemini 3.1 Pro 代理人合作解 71 題，系統提示禁止作弊；57 分鐘後一個代理人發現…