祖传 Bug 模型大比拼：GLM-5.2 Thinking vs Claude Opus 4.8 Max 最新实测
最新模型测试战报
GLM-5.2 Thinking (ZCode 3.0):
96分。1. 解决表面问题。2. 解决深层问题。3. 发现引用的库的bug，没有改动库，没改本地代码规避库的bug。第四个发现三层bug的老师。
中间改错了一次，错误和glm-5.1相同，但自己马上意识到改错，自动回滚了。
耗时17分18秒。非常慢，不知道是不是下午的问题，中间还跳出一次人机认证。所有模型中最慢的，打破deepseek 11分钟的记录。
评分和Qwen 3.7 Max一样，96分，但太慢了，排它后面吧，给Qwen升到97分。
Claude Opus 4.8 Max (Cursor Max Mode):
100分。同GPT 5.5 xhigh（1. 解决表面问题。2. 解决深层问题，改动代码量比5.4少，比gemini3.1多。3. 发现引用的库的bug，没有改动库，本地业务代码优雅规避。），但gpt-5.5只用了2分多钟。第5个发现三层bug的老师。Cursor竟然没有计时功能，估计4分钟以上吧。
说下感受：
第一次用这两个工具。
- ZCode 3.0: 不仔细看，以为是Codex呢，太像了。非常省Token，整个任务下来，上下文窗口使用30k，人家Cursor起手就是30k。
- Cursor: Pro套餐，高级模型处理中等任务的话，一个月也就能用67次。Composer 2.5还拉跨，这种情况怎么和Claude/Codex竞争？
然后他们说Composer 3.0是用2.5自主开发的，真替他们捏把汗。上下文消耗119k，也不知道是cursor的问题，还是claude max想太多。
国产模型进步非常快，GLM-5.2和Qwen 3.7 Max可以说是一线前沿模型了。体感上的区别是，gpt和claude处理这种问题，仅需要一个平A，而国产模型见面直接开大了，想的非常多。
原始测试记录：
📦 点击展开 / 折叠查看 29 款模型完整评测历史
祖传bug测了几个模型的能力：
- minimax 2.7: 未发现问题。提示到具体代码行，仍然不承认有问题。
- mimo-v2-pro: 怀疑到具体行数，这个位置是对的，但最终判定不是bug。
- glm 5: 发现并解决问题，但只从表面上解决了。
- claude 4.6 opus: 发现并解决表面问题。发现深层问题，没有自动修改，能提示用户需要手动修改。
- GPT 5.4 xhigh: 发现了用户都没想到的深层问题，自动修改，一次改对。
- **kimi-2.5：**未发现问题。然后提示代码行号，态度转变发现并解决表面问题。同时发现深层问题，但改错了。（速度很慢，比GTP还慢）
- Gemini 3.1 pro preview(Copilot): 同glm 5。（速度快，比其他快10倍）
- claude 4.6 Sonnet: 发现并解决表面问题。发现深层问题，但改错了。和kimi-2.5错的一样。
- glm 5.1: 同claude 4.6 Sonnet。
- doubao-seed-2.0-code: 同kimi-2.5
- qwen3.6-plus preview free: 同glm 5
- stepfun/step-3.5-flash
同glm 5.1。
- Gemini 3.1 pro (Antigravity): 发现了用户都没想到的深层问题，自动修改，一次改对。深层次问题用最少的代码修复，比GPT 5.4灵性。
- kimi-k2.6: 同claude 4.6 opus。
- GPT 5.5 xhigh: 1. 解决表面问题。2. 解决深层问题，改动代码量比5.4少，比gemini3.1多。3. 发现引用的库的bug，没有改动库，本地业务代码优雅规避。
- **deepseek v4 pro (stepFun路由，思考强度未知)：**同claude 4.6 opus，能提示潜在问题，也分析的透彻。太慢了11分钟，26个请求，所有测试里最慢的。
- claude 4.7 opus max: 同claude 4.6 opus，对于潜在问题没有自动处理，提出3个选项，第一个选项是Gemini 3.1 pro (Antigravity)那个改动最少，最灵性的。耗时2分钟，15个请求。
- mimo-v2.5-pro: 同claude 4.6 opus。耗时2分钟。共测试4次，有2次没检查出问题，不稳定。
- 新增Gemini 3.5 Flash (High) (Antigravity 2.1): 未发现问题。提示到具体代码行，只从表面上解决了。速度非常快，42秒。
- MiniMax M3 Free: 1. 解决表面问题。2. 解决深层问题，改动代码量比5.4少，比gemini3.1多。表现大于GPT 5.4 xhigh。使用的是opencode免费版，耗时7m51s。看思考过程，该想到的都想到了，不该读的文件也读了，行为和deepseek v4有点像。如果使用token plan和MiniMax code，也许速度会快点。
- Qwen 3.7 Max: Qoder IDE，开启Spec驱动。Max解决了表面问题。第二层深度问题提供三个方案，最好的方案和GPT 5.4相同，这点不及Opus 4.7，GPT 5.5合Gemini 3.1。第三层问题，也就是公共库的bug，提供两个方案改或不改，但如果选了不改，却没有本地规避，不及GTP 5.5。是第二个发现第三层bug的老师。
- Qwen 3.7 Plus: Qoder IDE，开启Spec驱动。同claude 4.6 Sonnet。
- DeepSeek V4 Pro: Qoder IDE，开启Spec驱动。解决表面问题。第二层改错了。竟然发现第三层引用的库的bug，没有改动库，本地业务代码优雅规避，这点同GPT 5.5，也是第三个发现三层bug的老师。但第二层改错了。
- grok build 0.1: 未发现问题。提示后，只解决了表面问题（不如kimi k2.5）。同Gemini 3.5 Flash (High)，但不如它快。
- composer 2.5: 同claude 4.6 Sonnet（发现并解决表面问题。发现深层问题，但改错了），错误相同。这一点表现不如kimi k2.6（发现深层问题，没有自动修改，能提示用户需要手动修改。）
- MAI-Code-1-Flash: 未发现问题。错误的修改了两处不是bug的代码，不想提醒它再试一次了，和MiniMax 2.7坐一桌吧
- kimi-k2.7-code: 同 claude 4.6 opus（发现并解决表面问题。发现深层问题，没有自动修改，能提示用户需要手动修改。）
- GLM-5.2 Thinking (ZCode 3.0): 1. 96分。解决表面问题。2. 解决深层问题。3. 发现引用的库的bug，没有改动库，没改本地代码规避库的bug。第四个发现三层bug的老师。中间改错了一次，错误和glm-5.1相同，但自己马上意识到改错，自动回滚了。耗时17分18秒。非常慢，不知道是不是下午的问题，中间还跳出一次人机认证。所有模型中最慢的，打破deepseek 11分钟的记录。评分和Qwen 3.7 Max一样，96分，但太慢了，排它后面吧，给Qwen升到97分。
- Claude Opus 4.8 Max (Cursor Max Mode): 100分。同GPT 5.5 xhigh（1. 解决表面问题。2. 解决深层问题，改动代码量比5.4少，比gemini3.1多。3. 发现引用的库的bug，没有改动库，本地业务代码优雅规避。），但gpt-5.5只用了2分多钟。第5个发现三层bug的老师。Cursor竟然没有计时功能，估计4分钟以上吧。
