最新GLM-5.2，Kimi 2.7，Claude Opus 4.8 对比实测，结果离谱！
你好，我是郭震！
最近GLM-5.2，Kimi 2.7 Code，两个新模型发布，
与当前最强模型Claude Opus 4.8，
对比实测下，感兴趣的可以看下。
1 新模型介绍
GLM5.2，在以下两个数据集，都仅次于 Opus 4.8：
** FrontierSWE，这个数据集最有意思，**
** 它主要看模型能不能在真实代码工程里完成非常难、开放式、长时间的技术任务，**
** 很多任务需要跑** 20 小时，****
**** 所以它真实考察了模型长程任务处理能力，这也是我最喜欢的，因为开发软件就是需要这样的能力强。****
**** Kimi 2.7 Code，也在最新发布，它同样把考察长程任务作为第一优先级，就是左一柱状图：****
**** 看到它同样接近Opus 4.8 xhigh模式****
模型胜任长程任务、开发复杂项目，看来都是大模型迭代的方向。
接下来咱们就重点测试它们三个处理相对复杂任务能力，到底实际使用表现如何。
接下来直接开始测评
2 对比实测
测评思路：使用一个典型的中小型Agent任务，测评大家普遍关心的智能体能力。
然后选择Gemini-3.1-Pro为裁判，根据裁判的打分，给出客观的结果评估。
Agent任务，提示词如下：
开发一个单文件 HTML 网页，实现 Excel 数据分析与可视化工具。支持上传 .xlsx/.xls，使用 SheetJS 解析 Excel，读取多 Sheet，并展示可搜索、分页、横向滚动的数据表格。自动识别字段类型、统计行列数、缺失值、唯一值、最大/最小/平均/求和，并生成中文数据分析报告。使用 ECharts 自动生成柱状图、折线图、饼图、散点图等可视化，并支持用户选择 X/Y 字段和图表类型自定义生成。只输出完整可运行的单文件 HTML 代码，不要解释，不要 Markdown，不依赖后端。
先发给GLM-5.2:
保存为html文件，并打开：
导入一个Excel文件，自动分页展示：
下面是数据统计预览：
生成的部分图表：
同样任务发给 Opus 4.8，打开html文件：
数据预览：
图表：
同样任务发给：Kimi 2.7 Code
但是Kimi官方，无最新这个模型：
我选择通过API调用它：
from openai import OpenAI
import os
import re
client = OpenAI(
api_key=os.environ["MOONSHOT_API_KEY"],
base_url="https://api.moonshot.ai/v1",
)
prompt = """
开发一个单文件 HTML 网页，实现 Excel 数据分析与可视化工具。
支持上传 .xlsx/.xls，使用 SheetJS 解析 Excel，读取多 Sheet，并展示可搜索、分页、横向滚动的数据表格。
自动识别字段类型、统计行列数、缺失值、唯一值、最大/最小/平均/求和，并生成中文数据分析报告。
使用 ECharts 自动生成柱状图、折线图、饼图、散点图等可视化，并支持用户选择 X/Y 字段和图表类型自定义生成。
只输出完整可运行的单文件 HTML 代码，不要解释，不要 Markdown，不依赖后端。
"""
completion = client.chat.completions.create(
model="kimi-k2.7-code",
temperature=1,
max_tokens=30000,
messages=[
{
"role": "system",
"content": "你是资深前端工程师。严格遵守用户要求：只输出完整 HTML 源码，不输出解释、Markdown 或代码围栏。",
},
{
"role": "user",
"content": prompt,
},
],
)
html = completion.choices[0].message.content.strip()
html = re.sub(r"^```html\s*", "", html)
html = re.sub(r"^```\s*", "", html)
html = re.sub(r"\s*```$", "", html)
html = html.strip()
with open("kimi-excel-analysis-visualizer.html", "w", encoding="utf-8") as f:
f.write(html)
print("已保存到 kimi-excel-analysis-visualizer.html")
双击打开html，显示如下：
加载Excel后，数据预览，字段类型，统计：
可视化图：
3 裁判打分
为了更加客观，交给裁判Gemini-3.1-Pro模型，评估如下图所示：
这是Gemini-3.1-Pro使用的三个打分维度：
最终打分：
Claude Opus 4.8，竟然得分只有45，位于最后一名，
让我相当意外，因为按照文章开头的排名，Opus 4.8应该是第一才对！
这是为什么？再让裁判点评下：
结论如下：
Opus 4.8 失败的根本原因在于出现了** 严重的指令遗漏**，它完全忽略了搜索、分页、中文分析报告和自动图表推荐等核心要求，仅交付了一个功能残缺的基础半成品。
总结一下
在开发复杂单文件Excel数据分析应用的实测中，GLM-5.2 与 Kimi 2.7 Code 表现惊艳，双双逆袭超越了跑分公认霸主 Claude Opus 4.8
这一“离谱”反转的根源在于，本应最强的 Opus 4.8 触发了大模型的“代码惰性”，因注意力衰减严重遗漏了搜索、分页和分析报告等核心指令，最终垫底。
此次评测深刻证明，在处理真实的长程工程任务时，模型对复杂长提示词的“指令服从度”和“抗偷懒能力”，远比单纯的理论跑分更加关键。
全文1718字，29图，如果你觉得这篇文章对你有帮助，也欢迎给我一个三连击：点赞、转发和在看；如果可以，再帮我点一个⭐️。谢谢你看到这里，我们下篇再见。
分享文章
转发到常用平台
微信/朋友圈可先复制链接
相关内容