关键要点
不要只选一个。先运行 GLM-5.3，测试失败时升级到 GPT-5.6 Sol。该级联方案以每次 6.61 美元的成本解决了 85.9% 的 DeepSWE 任务。单独使用 Sol 以 8.37 美元的成本解决了 72.7%。高出 13 个百分点，便宜 21%。
- Sol 在单次尝试中险胜。pass@1 为 72.7%，而 GLM-5.3 为 69.0%，差距 3.7 个百分点，在几个标准差之内。
- GLM-5.3 在之后的每次重试中均胜出。在 pass@2 上与 Sol 持平（81.1% 对 81.0%），并在 pass@4 上领先（87.6% 对 85.8%）。
- 价格差距为 2.1 倍。每次运行 3.99 美元对 8.37 美元。每花费 100 美元，GLM-5.3 解决 17 个任务，而 Sol 解决 9 个。
- Sol 更快更稳定：每次运行 19 分钟和 61 步，而 GLM 为 35 分钟和 124 步，四次全对的任务数为 61 对 48。
- GLM-5.3 的失败更干净。在 11% 的失败中破坏了已通过的测试，而 Sol 为 20%。在回归问题上对 Sol 的差异进行门控。
- 两者存在分歧（每任务相关性 0.43），共同覆盖了 113 个任务中的 106 个，这正是级联方案有效的原因。
我们在所有 113 个 DeepSWE 任务上运行了 GLM-5.3 （最大）与 GPT-5.6 Sol（最大）的对比，每个任务四次试验，基于已发布的每次试验记录：总共 904 次运行，每侧 452 次。Sol 是精度旗舰。GLM-5.3 是缩小差距的开放权重挑战者。以下所有数据均来自本次运行，因此可能与其他公开的 GLM-5.3 与 GPT-5.6 Sol 对比结果不同。
GPT-5.6 Sol 在 DeepSWE 上仍保持单次尝试的领先地位，该基准测试跨多种任务类型和编程语言测试模型的软件工程能力。GLM-5.3 以不到 4 个百分点的差距紧随其后，价格减半，并且一旦允许多次尝试便反超。这是开放层级最接近前沿的一次，值得回答的问题是 Sol 的剩余溢价究竟买到了什么。
DeepSWE 记分牌：pass@1 和 pass@k
单次尝试，Sol 略微领先：在 DeepSWE 官方评分下，pass@1 为 72.7%，而 GLM-5.3 为 69.0%。允许重试后，顺序反转。两次尝试时，GLM-5.3（81.1%）已与 Sol（81.0%）持平；四次时，GLM-5.3 的 pass@4 为 87.6%，领先于 85.8%。开放模型覆盖面更广，因此在任何 best-of-k 设置中，它是更准确的选择，并且其额外尝试的成本仅为 Sol 的一半。
成本对比：GLM-5.3 与 GPT-5.6 Sol 定价
每次运行 3.99 美元，GLM-5.3 比 Sol（8.37 美元）便宜 2.1 倍，按价值计算，每 100 美元解决 17 个任务，而 Sol 为 9 个。Sol 在延迟方面买回了这一溢价：平均 19 分钟和 61 步，而 GLM 为 35 分钟和 124 步，输出 token 为 60k，GLM 为 80k。这种权衡异常清晰。Sol 是更快、更简洁的工人；GLM-5.3 是成本更低但走长路的选择。如果有人等待，Sol 仅凭延迟就值得溢价。如果预算或批处理队列在等待，GLM-5.3 是更好的选择。
覆盖范围与可靠性：精度与广度
将 pass@1 和 pass@4 分解为覆盖率（在四次尝试中至少解决一次的任务）和可靠性（在全部四次中都解决的任务），这种分解是清晰的。Sol 是精确性的代表：可靠性为 84.5%，有 61 个任务四次全部解决，这是模型“出手必中”的标志。GLM-5.3 则偏向另一个维度：覆盖率更广，为 87.6% 对比 85.8%，但可靠性较低，为 78.8%，且完全解决的任务更少，为 48 个对比 61 个。覆盖率的优势与其 pass@4 领先是同一事实。GLM-5.3 触及了基准测试中更多的任务，但每次尝试的转化率略低。
失败模式：每个模型如何出错
失败特征差异显著，这种差异有利于开源模型。Sol 在 20% 的失败中破坏了仓库现有的测试套件，这是 GPT 家族回归的典型特征。GLM-5.3 的这一比例为 11%；当它出错时，通常是向前出错，即基线完好时的接近命中，其接近命中率为 61%，而 Sol 为 54%。因此，成本更低的模型在无需严格回归门控的情况下接受起来也更安全。在采用 Sol 的差异之前，请对其运行完整的回归测试。GLM-5.3 则不太需要这种防护措施。
按任务类型划分，各自胜出的领域
领域分布均匀，各占四个。Sol 在数据建模与序列化（92%）、构建与运维工具（73%）、并发与持久性（72%）以及协议符合性（59%）方面胜出，这些是精确契约、系统密集型工作。GLM-5.3 在查询与配置语言（88%，整个榜单中最高单项）、语言与运行时内部机制（83%）、状态响应式（73%）以及程序分析（64 对 64 平局，但按数量占优）方面胜出。这些是结构化、解释器风格的工作。GLM-5.3 的一个明显弱点是协议符合性，仅为 44%，落后 Sol 15 个百分点。Sol 没有明显的弱项领域，它在各方面都很强。这里的任务类型由 LLM 根据每个基准提示进行分类。
GLM-5.3 与 GPT-5.6 Sol 按编程语言对比
GLM-5.3 的突出表现是 JavaScript，达到 90%，领先 Sol 的 75% 15 个百分点，也是榜单上所有模型中最好的 JS 成绩。它还在 Rust 上胜出，70 对 60。Sol 则在 Python（74 对 66）、Go（79 对 76）和 TypeScript（66 对 61）上回应。路由规则很简单：JavaScript 和 Rust 交给 GLM-5.3，其余交给 Sol，而 GLM-5.3 在几乎所有地方都是成本更低且接近第二的选择。
GLM-5.3 与 GPT-5.6 Sol 有多大差异？
差异大到足以进行路由。任务级相关性为 0.43，对于两个在总体上如此接近的模型来说，这是真正的分歧。它们都解决了 90 个任务；GLM-5.3 单独解决 9 个，Sol 单独解决 7 个，还有 7 个两者都未解决。它们的并集覆盖了 113 个任务中的 106 个（93.8%），而困难的分歧是单向的：GLM-5.3 有两个任务四次全部解决而 Sol 从未成功（koota-pair-relation-tracking、participle-grammar-conflict-analysis），而 Sol 没有在 GLM-5.3 为零的任务上实现全胜。开源模型触及了旗舰模型未能达到的地方。
在它们之间路由：组合策略
这种分歧加上价格，使得级联成为榜单上最好的方案。先运行 GLM-5.3，只有当你的测试套件拒绝答案时才升级到 Sol：85.9% 的解决率，每个任务成本 6.61 美元。这比单独使用 Sol（72.7%）高出 13 个百分点，并且仍然比一次 Sol 展开（8.37 美元）便宜，因为开放模型以 Sol 一半的价格清除了大部分队列，而困难的剩余部分则获得第二次独立尝试。级联还击败了完美的一次性预言机路由器（83.8%），因为两次独立尝试胜过一次完美选择。无论哪个模型领先，预期准确率相同，但 GLM 优先更便宜（6.61 美元对 9.47 美元），因此应以成本较低的模型为先。
这意味着什么
GPT-5.6 Sol 保持了单次尝试的桂冠及其附带的一切：最高的首次尝试率、最高的可靠性，以及迄今为止最快和最简洁的运行。你为此支付大约两倍的价格，并且必须为其 20% 的回归率设置护栏。GLM-5.3 是性价比之选和 best-of-k 选择：首次尝试仅差 4 个百分点，在 pass@2、pass@4 和覆盖率上领先，价格减半，失败特征更干净，并且是榜单上最好的 JavaScript 模型。它相对于 Sol 的真正弱点是协议符合性和原始速度。由于两者确实存在分歧，最锐利的部署不是单独使用任何一个，而是将 GLM-5.3 作为低成本前端，Sol 作为验证器门控的升级，以低于旗舰自身每任务价格的价格实现超越旗舰的覆盖率。
常见问题
GLM-5.3 比 GPT-5.6 Sol 更好吗？
这取决于指标。GPT-5.6 Sol 在 DeepSWE 上的单次尝试质量胜出（pass@1 72.7% 对 69.0%），四次尝试全部解决的任务更多（61 对 48），并且每次展开的速度大约快两倍。GLM-5.3 在 pass@2 上持平，在 pass@4 上胜出（87.6% 对 85.8%），每次展开成本减半，因此对于高容量或可容忍重试的代理工作，它是更强的价值选择。
GLM-5.3 比 GPT-5.6 Sol 便宜多少？
在我们的运行中，GLM-5.3 每次展开成本为 3.99 美元，而 GPT-5.6 Sol 在最大努力下为 8.37 美元，大约低 2.1 倍。按每个已解决任务计算，GLM-5.3 每 100 美元返回 17 个解决任务，而 Sol 为 9 个，每美元解决的工作量大约翻倍。
对于编码，GLM-5.3 和 GPT-5.6 Sol 哪个更好？
它们平分秋色。GLM-5.3 在 JavaScript（90 对 75）和 Rust（70 对 60）上胜出；Sol 在 Python（74 对 66）、Go（79 对 76）和 TypeScript（66 对 61）上胜出。按任务领域，各赢四场：Sol 在精确契约和系统工作上领先，GLM-5.3 在查询和配置语言、运行时内部以及有状态响应性上领先。
我应该在 GLM-5.3 和 GPT-5.6 Sol 之间路由吗？
是的，如果你能验证结果。两者存在分歧（相关性 0.43）并且失败方式不同，因此先运行 GLM-5.3，当你的测试套件拒绝输出时升级到 Sol，可以达到 85.9% 的解决率，每个任务成本 6.61 美元，击败单独使用 Sol（72.7%，8.37 美元）和完美的一次性预言机路由器（83.8%）。两者合计覆盖 113 个任务中的 106 个。
DeepSWE 上的 pass@k 是什么？
pass@k 衡量一个任务的 k 次尝试中是否至少有一次通过隐藏测试套件。pass@1 奖励首次尝试就做对；更高的 k 奖励模型在多次尝试中最终能达成解决方案。GLM-5.3 的优势随着 k 的增加而增长。
方法和注意事项
- 数据：DeepSWE v1.1 导出，113 个任务，每个配置 4 次试验，均在最大努力下，来自已发布的逐试验记录。每侧 452 次试验。
- 评分：标题通过率使用 DeepSWE 的官方评分（included_in_score，基础设施错误除外）。GLM-5.3 有 1 个基础设施错误和 Sol 2，因此官方评分和严格评分几乎一致。pass@2、pass@4、覆盖率、并集和相关性使用每个任务的通过次数。
- 成本是索引中发布的每次试验 cost_usd。分析时，GLM-5.3 批次的逐轮轨迹 JSON 不在公共 CDN 上，因此此分析是索引级别的。
- 失败剖析使用已发布的每个测试的比例。接近成功是指基线完好时至少 80% 的新测试通过；回归意味着基线测试失败。领域使用基于工件的任务分类法。
- 级联假设验证者根据任务决定升级和独立性。预期准确率在顺序上是对称的，但成本不是，因此以较低成本的模型为先。预言机路由器是每个任务的最佳单次选择，是任何单次路由器的上限。