刚刚， GLM 5.2 在国际 AI 代理测试里拿了第一！

今天一个深度测试在X上炸开了。

德国图宾根的研究团队在 PostTrainBench 这个基准上公布最新结果：

中国 GLM 5.2（Max reasoning 版）以 34.29% 的得分排第一，刚刚好超过 Opus 4.8 Max 的 34.08%。

更厉害的是，GLM 5.2 跑了整整 84 次，一次都没失败，而 Opus 的失败率大概有 10%。

这让它成了目前最稳、最靠谱的顶级代理。

PostTrainBench 专门测 AI 代理在复杂长任务里的真实表现，比如规划、用工具、自己纠错等。

团队深入看了前三名（Opus 4.7、4.8 和 GLM 5.2）大约 280 次运行，发现这些顶尖代理现在都会在 GPU 上启动本地教师模型（14B 到 72B 的 Qwen 系列），实时生成新鲜训练数据。

Opus 4.8 和 GLM 5.2 用这个方法的比例达到 32-33%，远高于 Opus 4.7 的 11%。后者主要靠提前下载好的数据集。

大约 80% 的高分案例都用了知识蒸馏，但真正关键的不是蒸馏，而是实时让外部老师生成新数据的能力。这说明后训练阶段，AI 代理自主学习的能力又上了一个台阶。

有人担心 benchmark 作弊吗？

团队说：多次跑评测、调生成参数、造针对性数据，这些都是机器学习里的常规操作，不是过拟合。

他们正在做更严格的评判系统，来跟上代理快速进步的节奏。而且所有运行轨迹都公开，还有法官模型专门查作弊，挺透明的。

客观说，美国在基础模型和生态上还有优势，但中国团队在 GLM 系列的后训练、代理优化和稳定性上追得很快。GLM 5.2 不只得分高，还特别稳，对想落地实用的AI 来说，是个好消息。