GLM-5.3创意写作全球第二！AI评委vs真人谁靠谱
内容提要
GLM-5.3在AI评委的创意写作测试中获全球第二，但人类投票榜未进前十，引发争议。测试由7个LLM评委按16维度打分，GLM-5.3因学会制造冲突而提升，但文笔被指退步。文章质疑AI评AI的可靠性，并指出其编程和安全能力提升显著，但“好故事”标准因AI介入而模糊。
延伸解读
AI评委的“审美”可能自带偏差
AI评委的训练数据来自人类写作，其评分标准可能隐含对特定风格的偏好，导致“像好故事”的故事得高分，而非人类真正爱读的故事。这解释了为何GLM-5.3在AI评委下排名第二，却在人类投票中未进前十。
写作测试测的是“听指令”还是“创造力”？
Lech Mazur基准要求模型将10个随机元素“有机”融入故事，高分模型可能更擅长遵循指令而非展现原创性。这引发疑问：测试究竟衡量写作能力，还是模型服从指令的能力？
GLM-5.3的进步与代价
GLM-5.3通过后训练学会了制造冲突，故事从“一个人思考”变为“两人交锋”，但文笔被指退步。这提示模型能力提升可能伴随风格变化，用户需根据需求权衡。
成本与效率：便宜但需按需使用
GLM-5.3定价与上代相同，但单任务输出token增加20%，实际成本上升约55%。不过横向对比仍属便宜，且编程任务效率提升显著。轻量任务使用它可能不划算，更适合长程Agent和复杂编程。
Q&A
GLM-5.3在创意写作测试中排名如何？
在Lech Mazur Writing Benchmark中，GLM-5.3（max）以3.3分、91%的预估胜率排名第二，仅次于Claude Opus 5。
Lech Mazur Writing Benchmark的测试方法是什么？
每个模型拿到同样的10个随机元素（人物、物件、核心概念等），写一篇400-500词的短故事，必须有机地融入所有元素。每个模型写500篇，由7个独立的LLM评委从16个维度打分。
为什么GLM-5.3在AI评委和人类评委中的排名差异巨大？
AI评委（Lech Mazur）给GLM-5.3全球第二，但人类投票的LMArena榜单上GLM-5.3未进前十。原因可能包括AI评委的系统性偏好、人类评委的不稳定性，以及测试任务本身可能更偏向听指令而非真正的写作能力。
GLM-5.3在写作上相比上一代有哪些改进？
GLM-5.3学会了制造冲突，会在故事中引入第二个人物来阻碍、评判或被主角改变，使主角的信念在交锋中存活。它不再让旁白解释意义，而是让事件直接发生并让角色付出代价。
GLM-5.3的编程和安全能力提升如何？
GLM-5.3在Terminal-Bench 3.0上从4.6分跳到28.3分，翻了六倍；在CyberGym漏洞发现上拿到84.5%，发现了潜伏40多年的DNS协议级风险，潜在影响超过1000万处公网服务。
GLM-5.3的API定价和成本如何？
GLM-5.3的API定价与GLM-5.2相同：输入每百万token 1.40美元，输出4.40美元。但单任务平均输出约18700个token，比上代多20%，因此单任务成本贵约55%。横向比仍是同级最便宜，比Kimi K3省19%，比GPT-5.6 Sol省45%。
GLM-5.3适合哪些任务？
GLM-5.3适合长程Agent、复杂编程、大型代码库等任务，不适合轻量高频任务如短分类、短摘要。
