今年春节，这些大模型厂商属于是一点寂寞也耐不住了。
轮流发射，啊不，应该说是轮流在喷射新的模型出来。
除了万众瞩目的 DeepSeek 还在憋气，其他大模型公司都没少闲着。。。
字节前几天搞了个 Seedance 2.0，靠着逼真的视频效果先下一城。
而智谱则是在海外整了个新活：
经常关注大模型发布的差友们这几天应该有刷到，前几天，程序员非常爱用的 AI 聚合平台，Openrouter 那边上架了一款匿名模型 —— Pony Alpha。
结果大家一上手使用后发现哥们是真能干事啊，定叫它好评如潮。
于是，热情吃瓜的海外网友就开始了经典的模型猜猜猜游戏，开始推测这个匿名模型是哪一家的手笔。
有说是 DeepSeek V4 的，也有说是 Grok 4.2 的，还有说是 llama 5 的。
还有人因为 Pony 这个代号，直接开始猜它是腾讯的新模型的。。。
可以说是众说纷纭。
而昨天，谜底正式揭晓了。
不装了，我摊牌了。
这个化名为 pony 的新东西，正是来自于智谱的 GLM-5，而且还是个开源的模型。
世超打开 GLM-5 的基准测试成绩翻了一下，在智谱最看中的代码能力这块，GLM-5 直接逼近了大家公认的 AI 编码冠军，Claude Opus 4.5。
当然，现在各种各样的 AI 排行榜太多了，大家可能不太理解智谱这次测的这个 CC-bench-V2 又是个啥排行榜，代表了啥？
我简单看了一下，智谱这次测的这个 CC-bench-V2，主要考验的是你模型补全代码的能力有多强。
说人话一点，就是把模型丢到一个没写完的工程里，然后看它能不能自个儿哼哧哼哧把项目给做完。
这块考的分越高，说明这次 GLM-5 处理复杂任务的能力越强。
众所周知，现在大家想让 AI 干的活那是越来越复杂，生成几个简单的 Html 文件已经难不倒这些 AI 大模型了。
而想要把大项目给做好，那就需要让模型具备这种处理复杂任务的能力。
另外还有个有趣的测试结果是，GLM-5 发生幻觉概率非常低。
当一个问题它不知道的时候，GLM-5 会有很大的概率直接说不知道，而不是原地开始胡编乱造。
给孩子教的非常实诚了属于是。
既能干活，又不容易产生幻觉。。。GLM-5 的这波更新，属于完全冲着要让 AI 好好干活去整的。
在官网上世超还看到一个非常惊艳的案例，他们直接让 GLM-5 复刻了一个我的世界。
我下过来体验了一下，发现整个游戏只需要依赖浏览器就能运行。
能跑能挖能叠方块，操作手感非常流畅。
看别人拿 GLM-5 给整的这么猛，世超决定自己也简单试一试。
先来点简单点的活，拿前两天特别火的洗车问题来考考它。
我想洗车，我家距离洗车店只有 50 米，请问你推荐我走路去还是开车去呢？
别看这个问题简单，前几天整懵了一堆大模型，不管是 DeepSeek 还是 OpenAI，还是其他的大模型。。。都全军覆没
这些大模型都觉得 50 米的距离太近了，谁开车啊，于是转头建议大家走路去洗车。。。
而 GLM-5 面对这个问题，则是直接看透了问题的本质 —— 人不开车怎么洗车呢？然后完成了一波干净利索的输出。
当然，这种简单的逻辑题不翻车只能算合格，接下来，世超准备给它上点难度，看看它写代码的水平。
不知道差友们前段时间有没看过一个叫《技能五子棋》的喜剧。
剧里的演员们就在传统五子棋的基础上，加入了各种各样花里胡哨的技能元素。
比如，“飞沙走石” 这个技能，就是把棋盘上对方的一枚棋子给拿起来丢掉。
再比如“静如止水”这个技能，就是给对面玩家上定身术，让他不能继续下棋。
所以世超决定用 AI 来快速复刻一下这个整活游戏。
咱们就敲这么一段话，接下来全部交个 GLM 自由发挥。
结果不到三分钟，它就给我搓完了。
打开一看，整的还挺有模有样的。。。
不但我要求它安排的四个技能都整上去了，还给自动生成了另外四个技能。
但是仔细一玩就露馅了。
点击了飞沙走石（移除对面一个棋子）的技能，把对面的棋子给扔掉了之后，
按理来说要么是我继续下棋，要么是对面下棋对吧。
这两种情况还在我的理解范围中，AI 给我写成哪种逻辑我都能理解。
但是 GLM 在这个 A or B 的选择题中，选了 or。
它让我选择给对面的棋子下到哪里，明显是神志不清逻辑错乱了。
不过好在它也很听劝，把我们的需求再和它复述一下，那它很快就能 Get 到我们想要什么效果。
这样一来，我们就得到了一个可以和 AI 原地对战的技能五子棋游戏。
坦白说，现在 AI 写代码早就不是什么稀奇事了，能写出这种量级的 Demo 只能说是 GLM-5 的基本操作，还比较在世超的意料之中。
但比较遗憾的是，因为这次上手的时间实在太短，世超没法拿那些真正复杂的业务代码去狠狠“拷打”一下它，看看它在那种成百上千个文件的大项目里，是不是还能保持这种清醒。
不过大家别急，今年世超手头正好攒了一堆复杂的烂摊子需求，准备年后面慢慢丢给它去跑一跑。
等后面深度体验了一段时间，真的摸清了它的上限和脾气，再来和大伙做个更详细的汇报。
