Together AI 在 DeepSWE 软件工程任务上对其 GLM-5.3 模型与 OpenAI 的 GPT-5.6 Sol 和 Anthropic 的 Claude Fable 5 进行了基准测试。GLM-5.3 表现出竞争力，在单次准确率上略微落后于 GPT-5.6 Sol，但在多次尝试和显著更低的成本下超越了它。与 Claude Fable 5 相比，GLM-5.3 在准确率上相当，但成本却低了五倍多，两种模型都表现出相似的失败模式和高度的任务一致性。 AI
影响 GLM-5.3 的表现表明，开放权重模型在软件工程等特定任务上正在缩小与前沿模型的差距，并提供了显著的成本优势。
排序理由 对多个 LLM 在特定任务上的比较基准测试。
在 X — Together (inference / OSS) 阅读 →
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
We analyzed GLM-5.3 and Claude Fable 5 on DeepSWE. GLM-5.3 MATCHED Fable 5 on single-shot solve rate at about one-fifth the cost, then pulled ahead with multiple attempts. The economics get interesting fast when retries are cheap 👇
We ran 904 DeepSWE rollouts on GLM-5.3 and GPT-5.6 Sol. Sol leads pass@1 by 3.7 points; GLM-5.3 wins pass@4 at half the cost, and a GLM-first cascade hits 85.9%.
We ran 904 DeepSWE rollouts on GLM-5.3 and Claude Fable 5. A tie on pass@1, but GLM-5.3 wins pass@4 and costs 5.4x less: \$3.99 per rollout vs. \$21.63.