研究表明，当前编码基准测试存在“意义差距”，即基准分数与模型实际性能之间的差异。基准测试通常只反映特定任务的能力，而非全面的编码能力。为改善评估，建议使用更广泛的基准套件，并强调持续维护和多样化任务的重要性，以更准确地反映模型的真实表现。

2026年3月27日，智谱AI发布了GLM-5.1模型，声称其在编码基准测试中表现达到94.6%的Claude Opus 4.6水平，较GLM-5提升28%。尽管开源AI在基准测试中缩小了与专有AI的差距，但GLM-5的自托管需求高达1490GB内存，限制了其可及性。GLM-5在多个评估中表现出色，但GPT-5.4在实际应用中仍具优势，尤其是在长上下文和多模态输入方面。选择模型时，团队需考虑成本、基础设施和具体需求。