核心结论
别二选一。先跑 GLM-5.3，测试不通过时再升级到 GPT-5.6 Sol。这套级联方案能以每题 \$6.61 的成本解决 85.9% 的 DeepSWE 任务；单用 Sol 只能以 \$8.37 解决 72.7%。准确率高出 13 个百分点，成本低 21%。
- 单次尝试，Sol 小胜。pass@1 为 72.7%，GLM-5.3 为 69.0%，3.7 个百分点的差距落在两个左右标准差之内。
- 此后的每一次重试，都是 GLM-5.3 占优。pass@2 时两者持平（81.1 对 81.0），pass@4 时 GLM-5.3 领先（87.6% 对 85.8%）。
- 价格差是 2.1 倍：每次 rollout \$3.99 对 \$8.37。每花 \$100，GLM-5.3 能解决 17 个任务，Sol 能解决 9 个。
- Sol 更快也更稳：每次 rollout 平均 19 分钟、61 步，而 GLM 是 35 分钟、124 步；四次全对的任务 Sol 有 61 个，GLM 为 48 个。
- GLM-5.3 的失败更“干净”。在它的失败案例中，有 11% 会破坏原本已通过的测试，Sol 则是 20%。对 Sol 的 diff，应以回归测试作为准入关卡。
- 两者表现分化（逐任务相关性 0.43），合计覆盖 113 个任务中的 106 个，这正是级联方案奏效的原因。
我们让 GLM-5.3（max）与 GPT-5.6 Sol（max）在全部 113 个 DeepSWE 任务上对比，每个任务跑四次试验，数据来自公开发布的逐次试验记录：共 904 次 rollout，每方 452 次。Sol 是主打精度的旗舰模型，GLM-5.3 是缩小了差距的开放权重挑战者。下文所有数字均来自本次运行，因此可能与其他公开的 GLM-5.3 对 GPT-5.6 Sol 成绩单有出入。
DeepSWE · 正面对决
GLM 5.3 与 GPT 5.6 Sol 一览
| 模型 | Pass@1 | 平均成本 | 每 $100 解决数 | 输出 token | 步数 |
|---|---|---|---|---|---|
| glm-5.3 [max] | 69.0% ± 2.7% | $3.99 | 17 | 80k | 124 |
| gpt-5.6-sol [max] | 72.7% ± 2.2% | $8.37 | 9 | 60k | 61 |
在 DeepSWE 上，GPT-5.6 Sol 仍保有单次尝试的冠军位置。DeepSWE 是一项跨多种任务类型和编程语言、考察模型软件工程能力的基准测试。GLM-5.3 以一半的价格落后它不到四个百分点，而一旦允许多次尝试，便立刻反超。这是开放模型阵营迄今最接近前沿水平的一次，值得回答的问题是：Sol 剩下的溢价到底买到了什么。
DeepSWE 记分牌：pass@1 与 pass@k
单次尝试时 Sol 略占上风：按 DeepSWE 官方计分，pass@1 为 72.7% 对 GLM-5.3 的 69.0%。允许重试后，次序随即反转。两次尝试时，GLM-5.3（81.1%）已与 Sol（81.0%）持平；四次尝试时，GLM-5.3 的 pass@4 为 87.6%，领先 85.8%。开放模型的覆盖面更广，因此在任何 best-of-k 的设置下，它都是更准确的选择，而且它多出来的尝试，成本只有 Sol 的一半。
成本对比：GLM-5.3 与 GPT-5.6 Sol 的定价
每次 rollout \$3.99，GLM-5.3 比 Sol（\$8.37）便宜 2.1 倍，换算成性价比，就是每 \$100 解决 17 个任务，Sol 为 9 个。Sol 的溢价在延迟上找了回来：平均 19 分钟、61 步，对比 GLM 的 35 分钟、124 步；输出 token 为 60k，GLM 为 80k。这一权衡异常清晰：Sol 是更快、更简练的执行者；GLM-5.3 是成本更低、但要绕远路的那个。如果有人在等结果，光凭延迟，Sol 就配得上它的溢价；如果等着的是预算或批处理队列，GLM-5.3 更划算。
覆盖率与可靠性：精度对比广度
把 pass@1 和 pass@4 拆解为覆盖率（四次尝试中至少解出一次的任务）和可靠性（四次全部解出的任务），分野十分清楚。Sol 是精度一极：可靠性 84.5%，有 61 个任务四次全对，这是“出手即得手”的模型特征。GLM-5.3 则偏向另一条轴线：覆盖率更广，为 87.6% 对 85.8%，但可靠性较低，为 78.8%，扎实解出的任务也更少，48 个对 61 个。覆盖率上的优势与它在 pass@4 上的领先是同一件事。GLM-5.3 触及的基准范围比 Sol 更大，但每次出手的转化率略低一些。
失败模式：两个模型各是怎么出错的
两者的失败特征差异明显，而且这种差异对开放模型有利。Sol 的失败案例中有 20% 破坏了代码库原有的测试套件，这是 GPT 系列典型的回归特征。GLM-5.3 为 11%；它失手时，通常是“向前”失手，即基线完好的近似成功，近似成功率为 61%，Sol 为 54%。因此，成本更低的这个模型，在不设严格回归关卡的情况下接受其结果，也更安全。采用 Sol 的 diff 之前，应当围绕它做一次完整的回归测试；GLM-5.3 对这道护栏的需求要小一些。
按任务类型看各自的优势
领域图谱上双方打成平手，各占四项。Sol 拿下数据建模与序列化（92%）、构建与运维工具（73%）、并发与持久性（72%）以及协议一致性（59%），这些都是契约精确、偏系统层面的工作。GLM-5.3 拿下查询与配置语言（88%，是全表中最高的单个格子）、语言与运行时内部机制（83%）、有状态响应式（73%），以及程序分析（64 比 64 打平，靠任务量取得），这些是结构化、解释器式的工作。GLM-5.3 唯一明显的短板是协议一致性，只有 44%，比 Sol 低 15 个百分点。Sol 则没有单一的弱项，而是全面强势。此处的任务类型由 LLM 根据每条基准测试提示词归类。
按编程语言对比 GLM-5.3 与 GPT-5.6 Sol
GLM-5.3 最突出的是 JavaScript，达 90%，比 Sol 的 75% 高出 15 个百分点，也是全表所有模型中最好的 JS 成绩。它在 Rust 上也领先，70 比 60。Sol 则在 Python（74 比 66）、Go（79 比 76）和 TypeScript（66 比 61）上扳回。路由规则很简单：JavaScript 和 Rust 交给 GLM-5.3，其余交给 Sol，而 GLM-5.3 在几乎所有语言上都是成本更低、差距很小的第二名。
GLM-5.3 与 GPT-5.6 Sol 有多不一样？
不一样到足以据此做路由。逐任务相关性为 0.43，对两个总成绩如此接近的模型来说，这是真实的分歧。两者都能解决的任务有 90 个；只有 GLM-5.3 解决的有 9 个，只有 Sol 解决的有 7 个，两者都解不出的有 7 个。二者的并集覆盖 113 个任务中的 106 个（93.8%），而且严重分歧只朝一个方向：GLM-5.3 有两个任务四次全对而 Sol 一次也没解出（koota-pair-relation-tracking、participle-grammar-conflict-analysis），反过来，Sol 没有一个任务四次全对而 GLM-5.3 全部失败。开放模型能到达旗舰模型到不了的地方。
在两者之间做路由：组合策略
这种分化加上价格差，使级联成为全表最优的一行。先跑 GLM-5.3，仅当测试套件否决其答案时才升级到 Sol：85.9% 的任务被解决，每题成本 \$6.61。这比单用 Sol（72.7%）高出 13 个百分点，成本还低于一次 Sol rollout（\$8.37），因为开放模型以 Sol 一半的价格清掉了队列中的大部分任务，剩下的硬骨头则获得第二次独立尝试。该级联方案甚至胜过完美的单次预知路由（83.8%），因为两次独立尝试强过一次完美的挑选。无论谁打头阵，预期准确率相同，但 GLM 打头阵更便宜（\$6.61 对 \$9.47），所以应当让成本更低的模型打头阵。
这意味着什么
GPT-5.6 Sol 保住了单次尝试的冠军，以及随之而来的一切：最高的首次通过率、最高的可靠性，以及遥遥领先的最快、最简洁的运行。为此你要付出大约两倍的价格，还必须为它 20% 的回归率设置护栏。GLM-5.3 则是性价比与 best-of-k 的首选：首次尝试差距在四个百分点以内，在 pass@2、pass@4 和覆盖率上领先，价格只有一半，失败特征更干净，并拥有全表最好的 JavaScript 成绩。相对于 Sol，它真正的弱点是协议一致性和原始速度。而由于两者确实表现分化，最锋利的部署方式是两者都不单用，而是让 GLM-5.3 充当成本更低的前端，让 Sol 作为由验证器把关的升级兜底，用低于旗舰模型自身单题价格的成本，拿到超过旗舰模型的覆盖率。欢迎试用全新的 GLM 5.3 Flash API。
DeepSWE · 完整结果
GLM 5.3 与 GPT 5.6 Sol 逐项指标对比
| 指标 | GLM 5.3 [max] | GPT 5.6 Sol [max] |
|---|---|---|
| pass@1（官方计分） | 69.0% | 72.7% |
| pass@1（错误计为失败） | 68.8% | 72.3% |
| pass@2 / pass@4 | 81.1 / 87.6% | 81.0 / 85.8% |
| 覆盖率 / 可靠性 | 87.6 / 78.8% | 85.8 / 84.5% |
| 扎实（4/4）/ 死磕不动（0/4） | 48 / 14 | 61 / 16 |
| 单次 rollout 成本 / 总成本 | $3.99 / $1,806 | $8.37 / $3,783 |
| 每 $100 解决数 | 17 | 9 |
| 平均分钟数 / 步数 | 35 / 124 | 19 / 61 |
| 平均峰值上下文 / 输出 token | 155k / 80k | 187k / 60k |
| 失败剖析（近似成功 / 回归） | 61% / 11% | 54% / 20% |
| 领先的领域数（共 8 个） | 4 | 4 |
| 领先的语言 | 2（JavaScript、Rust） | 3（Python、Go、TypeScript） |
| 逐任务相关性 / 并集 | 0.43 / 113 个中的 106 个（93.8%） | |
| 级联 GLM → Sol（准确率 / 成本） | 85.9% / $6.61（单用 Sol 为 72.7% / $8.37） | |
| 预知式单次路由器 | 83.8% | |
| 基础设施错误 | 1 | 2 |
113 个 DeepSWE 任务 · 每种配置 4 次试验 · 均为 max 强度 · 共 904 次 rollout
常见问题
GLM-5.3 比 GPT-5.6 Sol 更好吗？
要看指标。GPT-5.6 Sol 在 DeepSWE 上赢在单次尝试质量（pass@1 为 72.7% 对 69.0%），四次全对的任务更多（61 个对 48 个），每次 rollout 的速度也大约快一倍。GLM-5.3 在 pass@2 上持平，在 pass@4 上领先（87.6% 对 85.8%），而每次 rollout 的成本只有一半，因此对高吞吐量或能容忍重试的智能体工作来说，它是性价比更高的选择。
GLM-5.3 比 GPT-5.6 Sol 便宜多少？
在我们的运行中，max 强度下 GLM-5.3 每次 rollout 成本 \$3.99，GPT-5.6 Sol 为 \$8.37，低约 2.1 倍。按每个已解决任务计算，GLM-5.3 每 \$100 可解决 17 个，Sol 为 9 个，每美元完成的有效工作量大约是后者的两倍。
做编码，GLM-5.3 和 GPT-5.6 Sol 哪个更好？
两者各占半壁江山。GLM-5.3 拿下 JavaScript（90 对 75）和 Rust（70 对 60）；Sol 拿下 Python（74 对 66）、Go（79 对 76）和 TypeScript（66 对 61）。按任务领域看，双方各赢四项：Sol 领先于契约精确的任务和系统层面的工作，GLM-5.3 则领先于查询与配置语言、运行时内部机制和有状态响应式。
我应该在 GLM-5.3 和 GPT-5.6 Sol 之间做路由吗？
如果你能验证结果，就应该。两者表现分化（相关性 0.43），失败方式也不同，所以先跑 GLM-5.3，在测试套件否决其输出时再升级到 Sol，可以达到 85.9% 的准确率，每题成本 \$6.61，优于单用 Sol（72.7%，\$8.37），也优于完美的单次预知路由器（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 衡量对某个任务的 k 次尝试中，是否至少有一次通过隐藏的测试套件。pass@1 奖励一次就做对；k 越大，越奖励那些能在多次尝试中最终找到解法的模型。随着 k 增大，GLM-5.3 的优势也在扩大。
方法与注意事项
- 数据：DeepSWE v1.1 导出数据，113 个任务，每种配置 4 次试验，均为 max 强度，来自公开发布的逐次试验记录。每方 452 次试验。
- 计分：主要通过率采用 DeepSWE 官方计分（included_in_score，排除基础设施错误）。GLM-5.3 有 1 个基础设施错误，Sol 有 2 个，因此官方计分与严格计分几乎一致。pass@2、pass@4、覆盖率、并集和相关性使用逐任务的通过次数。
- 成本采用索引中公布的逐次试验 cost_usd。分析时，GLM-5.3 这批试验的逐轮轨迹 JSON 尚未上传到公开 CDN，因此本分析仅到索引层面。
- 失败剖析使用公布的逐测试通过比例。近似成功指新增测试至少 80% 通过且基线完好；回归指有基线测试被破坏。领域采用基于产物的任务分类体系。
- 级联方案假设由验证器决定是否升级，并且在给定任务的条件下两次尝试相互独立。预期准确率与顺序无关，成本则不然，所以应让成本更低的模型打头阵。预知路由器是逐任务选取的最佳单次结果，是任何单次路由器的上界。