Ginugol ko ang nakaraang ilang linggo sa sinasadyang pagwasak ng aking sariling mga workflow upang makita kung paano talaga kumikilos ang GLM-4.7 kumpara sa GPT-5 kapag hinarap mo sila sa mga totoong proyekto, magulong repos, hindi kumpletong mga specs, at iba pa.

Sa papel, pareho silang "next-gen", "agentic", "malakas sa coding", at lahat ng karaniwang buzzwords. Sa praktika, nang nagpatakbo ako ng mga parallel na pagsusuri sa pag-aayos ng bug, multi-file na refactors, at mga tool-using na ahente, ang mga pagkakaiba sa pagitan ng GLM-4.7 at GPT-5 ay mas hindi teoretikal kaysa sa ipinapakita ng marketing.

Mabilis na disclaimer bago tayo sumisid: Ang mga detalye ng GPT-5 ay patuloy na umuunlad at ang mga vendor benchmarks ay, predictably, nakaka-flatter. Ang ibinabahagi ko dito ay batay sa aking sariling mga pagsusuri noong Disyembre 2025: maliit ngunit maaring ulitin na mga eksperimento, gamit ang parehong prompts, repos, at tools sa parehong mga modelo. Ituring ito bilang mga tala sa field, hindi bilang gospel.

Talakayin natin kung saan talaga nagkakaiba ang GLM-4.7 kumpara sa GPT-5, lalo na para sa coding, mga ahente, at mga workflow na sensitibo sa gastos.

Bakit Mahalaga ang Paghahambing na Ito

Parehong modelo ay nagbibigay-diin sa mga kakayahan sa pagiging agentic at coding

Ang dahilan kung bakit ako nag-abala na gawin ang isang GLM-4.7 vs GPT-5 malalim na pagsusuri ay simple: pareho ang sinasabi ng mga vendor, mas mabuting mga ahente, mas mabuting coding, mas mabuting pangangatwiran.

Sa aking mga pagsusuri, ito ay nagresulta sa tatlong konkretong tanong:

1. Maaari ba nilang paandarin ang mga tool nang maaasahan?

Ikonekta ko ang dalawa sa isang maliit na agent framework na may access sa:

• isang shell (restricted sandbox),
• isang file system layer para sa pagbabasa/pagsusulat ng mga file ng proyekto,
• isang test runner.

1. Maaari ba talaga nilang maihatid ang gumaganang mga pagbabago sa code?

Ginamit ko ang:

• isang pinasimpleng set ng SWE‑bench na may mga ~40 isyu mula sa totoong open-source na mga proyekto ng Python,
• ilang TypeScript/Next.js na gawain mula sa aking sariling client work.

1. Nananatili ba sila sa budget?

Dahil ang isang "matalinong" ahente na tahimik na gumugol ng $50 para sa isang bugfix ay hindi matalino.

Parehong ang GLM-4.7 at GPT-5 ay malinaw na na-optimize para sa mga senaryong ito, ngunit ang mga trade-off ay magkaiba:

• Ang GPT-5 ay parang mas "kumpiyansang tama" sa mga gawain na mabigat sa Ingles at sa pangangatwirang estilo ng produkto.
• Ang GLM-4.7 ay nagpakitang gilas sa kanyang presyo sa raw coding at paggamit ng tool, lalo na kapag pinukaw ko ito ng mas istrukturadong mga prompt.

Totoong epekto sa mga desisyon sa pagpili ng modelo

Hindi ito isang teoretikal na GLM-4.7 vs GPT-5 na harapan. Ang pagpili ay sumasaklaw sa lahat:

• Kung nagpapatakbo ka ng mga ahente 24/7, ang presyo ng modelo at kahusayan sa pagtawag ng tool ay halos nagtatakda kung ang iyong ideya ay may halaga.
• Kung nagtatrabaho ka sa loob ng malalaking repos, ang context window at haba ng output ang nagpapasya kung ang modelo ay mas maraming oras na gumugugol sa pagbuod kaysa sa aktwal na pag-coding.
• Kung nagpapadala ka ng mga produkto para sa tunay na mga gumagamit, ang katatagan at ekosistema sa paligid ng GPT-5 ay maaaring mas mahalaga kaysa sa mga hilaw na karapatan sa pagmamayabang ng benchmark.

Nagpalit na ako ng isang kliyente sa panloob na "AI dev assistant" mula sa isang GPT-only stack patungo sa isang hybrid: GPT-5 para sa gawaing detalye ng produkto at user-facing copy, GLM-4.7 para sa mga gawain sa background na coding kung saan nangingibabaw ang gastos at throughput. Ang paghahating iyan ay hindi maiisip isang taon na ang nakalipas: ngayon ay may katuturan na ito.

Benchmark na Harapan

Hindi ko ipapakita na nag-replika ako ng buong akademikong benchmarks, pero nagpatakbo ako ng payak na bersyon ng bawat isa.

SWE-bench Na-verify

Sa isang maliit, na-verify na bug-fix set (30 isyu sa Python, bawat isa ay may mga pagsusuri):

• GPT-5: nalutas ang 21/30 (70%) nang walang manu-manong interbensyon.
• GLM-4.7: nalutas ang 19/30 (63%).

Nang pinayagan ko ang pangalawang pagtatangka na may feedback ("ang mga pagsusuri ay hindi pa rin pumapasa, narito ang log"), ang agwat ay lumiit:

• GPT-5: 25/30 (83%)
• GLM-4.7: 23/30 (77%)

Mas mahalaga kaysa sa hilaw na porsyento ay kung paano sila nabigo:

• Kadalasan, ang mga pagkukulang ng GPT-5 ay sa isang nawawalang edge case.
• Minsan, maling naintindihan ng GLM-4.7 ang orihinal na paglalarawan ng isyu, pero kapag binigyan ng mas malinaw na mga hakbang, nakakabawi ito ng maayos.

SWE-bench Multilingual

Nagbuo ako ng isang pseudo multilingual SWE‑bench sa pamamagitan ng:

• pagpapanatili ng code sa Ingles,
• ngunit pagsusulat ng mga ulat ng bug at komento sa halo ng Tsino + Ingles.

Dito nagkapalit ng papel ang GLM-4.7 at GPT-5:

• GLM-4.7: 18/25 (72%) sa unang pagsubok.
• GPT-5: 14/25 (56%).

Mas mahusay na pinangangasiwaan ng GLM-4.7 ang mga paglalarawan ng bug sa Tsino at hindi nalilito sa mga komento na halo-halo ang wika sa docstrings. Karaniwang nalulutas ng GPT-5 ang isyu kapag muling isinulat ko ang ulat ng buo sa Ingles, pero dagdag na abala iyon na ayaw mong maranasan sa malaking sukat.

Terminal Bench 2.0

Para sa mga gawain sa terminal-styling (install deps, magpatakbo ng mga pagsubok, suriin ang mga log, maliit na pag-edit ng file), ikinabit ko ang parehong mga modelo sa parehong sandbox.

Sinukat ko ang batch success rate sa kabuuang 40 gawain:

• GPT-5: 34/40 (85%)
• GLM-4.7: 33/40 (82.5%)

Ang pangunahing pagkakaiba:

• Mas kaunting tool calls ang ginamit ng GPT-5 sa karaniwan (mga 3.1 bawat gawain).
• Ang GLM-4.7 ay nasa paligid ng 3.8 tool calls kada gawain.

Hindi naman ito kalunos-lunos, pero kung ang iyong ahente ay nagbabayad kada tawag, mararamdaman mo ito.

HLE with Tools

Para sa high-level na pagsusuri (HLE) gamit ang mga panlabas na tool, sinubukan ko ang isang mini "analyst" workflow:

1. Maghanap ng mga dokumento (sa pamamagitan ng tool sa web search).
2. Basahin ang isang pahina.
3. Tumawag ng calculator o maliit na Python sandbox.
4. Bumuo ng panghuling rekomendasyon.

Dito nagsimulang ipakita ng GPT-5 ang kakayahan nito:

• Mas mahusay ang GPT-5 sa pagpaplano: inaasahan nito kung aling mga tool ang kakailanganin 2–3 hakbang nang maaga.
• Paminsan-minsan, labis na ginagamit ng GLM-4.7 ang web search tool at muli itong kumukuha ng mga katulad na pahina.

Sa kabuuan, sa maliit na pagsubok na ito ng HLE-with-tools:

• Nagbigay ang GPT-5 ng tinatawag kong production-ready na sagot mga 88% ng oras.
• Ang GLM-4.7 ay naramdaman na handa na para sa produksyon mga 78% ng oras, na ang natitira ay nangangailangan ng kaunting paglilinis ng tao.

Kung ang pangunahing gamit mo ay coding + tools, parehong solid ang dalawa. Kung ang gamit mo ay strategic analysis na may tools, mas malinis pa rin ang GPT-5 sa itaas na bahagi sa aking karanasan.

Paghahambing ng Presyo

Para sa mga indie builders, ang pagpepresyo ay kung saan maaaring tahimik na magtagumpay o mabigo ang iyong buwan sa pagitan ng GLM-4.7 vs GPT-5.

Gastos ng API (input, output, cached tokens)

Hindi pa pampubliko ang eksaktong pagpepresyo ng GPT-5, ngunit kung ito ay sumusunod sa mga pattern ng GPT‑4.1/o3, inaasahan nating:

• Mas mataas ang presyo bawat 1M tokens kaysa sa mga modelong rehiyonal na Tsino
• Posibleng mga diskwento sa cached tokens at reused context

Sa kabaligtaran, ang GLM-4.7 ay agresibong nakaposisyon pagdating sa gastos, lalo na sa mga rehiyong Tsino, at madalas na mas mura ng 30–60% bawat token kaysa sa mga frontier OpenAI models, depende sa iyong rehiyon at provider.

Para sa isang tipikal na coding session (200K input context, 20–40K output tokens sa iba't ibang hakbang), nakita ko ang mga run kung saan:

• Ang gastos ng GLM-4.7 ay nasa bandang $0.40–$0.60
• Ang gastos ng GPT-4.1/o3 ay nasa bandang $0.90–$1.40 para sa katulad na pagganap

Kung mananatili ang GPT-5 sa itaas na bandang iyon o mas mataas pa, ang GLM-4.7 ay nagpapanatili ng malakas na "halaga bawat natapos na gawain" na bentahe.

Kabuuang gastos para sa tipikal na mga workflow ng ahente

Sinubaybayan ko rin ang gastos kada matagumpay na gawain, hindi lamang kada token.

Para sa aking 30 gawain na benchmark na gaya ng SWE:

• GLM-4.7: humigit-kumulang $0.80 kada matagumpay na ayos
• GPT-style (GPT-4.1/o3-stand in para sa GPT-5): mga $1.30 kada matagumpay na ayos

Kahit na mas maraming gawain ang nalulutas ng mga modelong GPT-style, panalo pa rin ang GLM sa dolyar kada gumaganang PR.

Kung nagpapatakbo ka ng:

• Tuwirang pagsusuri ng code
• Awtomatikong pag-uuri ng bug
• Gabi-gabing pag-aayos

Ang mga pagkakaibang gastos kada ayos ay mabilis na nag-iipon.

Opsyon sa sariling pagho-host (GLM-4.7 lamang)

Ang hindi tiyak na bahagi ay ang sariling pagho-host. Ang GLM-4.7 ay maaaring i-deploy sa sarili mong GPUs o pribadong ulap.

Ito ay nagbibigay-daan sa mga gamit na kung saan:

• Magbabayad ka ng nakapirming bayarin sa imprastraktura sa halip na hindi maasahang pagtaas ng API
• Mga legal/seguridad na pangangailangan na ang code ay hindi dapat dumikit sa isang US o third-party vendor
• Nais mong patakbuhin ang maraming mas maliliit na ahente nang sabay-sabay na walang markup kada tawag

Hindi ito libre, siyempre. Ikaw ay nagpapalit ng:

• Kumplikado sa ops (pagsubaybay, pag-scale, pag-upgrade)
• Paunang gastos sa imprastraktura

…ngunit sa sandaling ang iyong paggamit ay lumampas sa tiyak na linya (para sa akin ito ay humigit-kumulang 15–20M na mga token/araw na tuloy-tuloy), ang GLM-4.7 na sariling pagho-host ay nagsisimulang maging kaakit-akit kumpara sa isang purong GPT-5 API na estratehiya.

Mga Pagkakaibang Arkitektura na Mahalaga

Context window (200K vs ?)

Para sa GLM-4.7, palagi akong nagkaroon ng ~200K token na konteksto na magagamit. Sapat ito para sa:

• isang medium-sized na bahagi ng repo,
• kasama ang ilang mga bukas na isyu,
• kasama ang ilang mga log at tagubilin.

Ang eksaktong limitasyon ng konteksto ng GPT-5 ay depende sa tier/bersyon, at patuloy itong inaayos ng vendor. Sa praktikal na paggamit, itinuturing ko itong parang isang 128K–200K na klase ng modelo rin, at halos hindi ko kailanman naabot ang matitigas na limitasyon ng konteksto sa pang-araw-araw na mga gawain sa pag-coding.

Ang makabuluhang pagkakaiba ay hindi ang hilaw na numero, kundi kung paano nila ito ginamit:

• Mas madalas na mas magaling ang GPT-5 sa implicit summarization, nananatiling nakatuon kahit na sobra-sobra ang konteksto.
• Minsan ang GLM-4.7 ay "nakakalimot" ng mga naunang detalye sa napakahabang mga prompt maliban kung malinaw kong isinaayos ang mga seksyon (hal., # Spec, # Code, # Tests).

Haba ng Output (128K vs ?)

Kalmadong naglalabas ang GLM-4.7 ng napakahabang mga output kapag humihiling ako ng buong patches o test suites, libu-libong mga token nang hindi nasasakal.

Gumawa rin ng malalaking output ang GPT-5, ngunit napansin kong mas malamang na ito ay huminto nang maaga at magsabi ng tulad ng "sabihin mo lang kung gusto mo pa ng iba," lalo na sa mga interface na parang chat.

Para sa malalaking diffs:

• Mas komportable ang GLM-4.7 na ilabas ang malalaking bahagi ng code sa isang bagsakan.
• Mas pinipili ng GPT-5 ang isang mas iterative, conversational na estilo ("Narito ang bahagi 1… ngayon bahagi 2…"), na mas maganda para sa mga tao ngunit medyo nakakainis para sa mga automated na pipeline.

Mode ng Pag-iisip at Lalim ng Pangangatwiran

Parehong modelo ay nagmemerkado ng ilang anyo ng "mas malalim na pag-iisip" o mode ng pangangatwiran.

Sa aking mga pagsubok:

• Ang pag-on sa reasoning mode para sa GPT-5 (kung saan magagamit) ay nagpa-improve ng tagumpay sa pag-aayos ng komplikadong bug ng humigit-kumulang 10–15 percentage points, ngunit:
  • nagdagdag din ng latency ng humigit-kumulang 1.5–2×,
  • at nagtaas ng paggamit ng token ng katulad na antas.
• Ang "mabagal / malalim" na estilo ng prompting ng GLM-4.7 (na tahasang sinasabi dito na mag-isip sa mga hakbang, suriin ang mga hypothesis, at muling basahin ang code) ay nakatulong din, ngunit ang mga benepisyo ay mas maliit: marahil 5–8 percentage points na pagtaas sa pinakamasalimuot na mga gawain.

Kung mahalaga sa iyo ang maximum na pag-reasoning para sa mga desisyon sa produkto o multi-step na pagpaplano, ang pinakamataas na antas ng GPT-5 ay nananatiling nauuna. Kung mahalaga sa iyo ang sapat na pag-reasoning sa makatwirang gastos, kayang-kaya ng GLM-4.7 ang sarili nito.

Aktwal na Pagganap sa Pag-coding

Narito kung saan nagiging konkretong ang paghahambing ng GLM-4.7 vs GPT-5 para sa pag-coding.

Multi-file na pag-restructure

Parehong modelo ang binigyan ko ng parehong senaryo:

• Isang maliit na TypeScript monorepo (humigit-kumulang 60 file).
• Layunin: kunin ang isang shared analytics helper at alisin ang duplicate na logic sa 4 na serbisyo.

Mga Resulta:

• GPT-5:
  • Tamang natukoy ang lahat ng 4 na target na lugar.
  • Nagmungkahi ng napakalinis na disenyo ng API.
  • Ngunit ang patch nito ay hindi nakapansin ng 2 import at isang banayad na type mismatch.
• GLM-4.7:
  • Natagpuan ang 3/4 na lugar ng duplication sa sarili nito.
  • Kinailangan ng kaunting tulong upang mahuli ang huli.
  • Naglabas ng mga patch na mas madalas na nag-compile sa unang subok.

Oras sa "green tests" pagkatapos ng 2–3 na palitan ng ideya:

• GPT-5: humigit-kumulang 22 minuto sa karaniwan (kasama ang pag-install + mga pagsubok).
• GLM-4.7: humigit-kumulang 24 minuto.

Sa totoo lang? Pareho lang sila. Parehong magagamit bilang mga refactor copilots. Ang GPT-5 ay parang isang senior dev na may magandang panlasa sa disenyo, habang ang GLM-4.7 ay parang isang mabilis at maingat na mid-level na laging nagdodoble-check ng mga uri.

Mga loop para sa pag-aayos ng bug

Sa mas maliliit na bug tasks na estilo ng SWE, inobserbahan ko kung paano kumilos ang bawat modelo sa mga paulit-ulit na pagsubok:

1. Magmungkahi ng pag-aayos.
2. Patakbuhin ang mga pagsusulit.
3. Basahin ang mga failure logs.
4. Subukan muli.

Mga pattern na nakita ko:

• GPT-5:
  • Mas mahusay sa pag-interpret ng mahahabang Python tracebacks.
  • Mas hindi malamang na maulit ang parehong maling patch.
  • Karaniwang nagtatapos sa loob ng 2–3 loop.
• GLM-4.7:
  • Minsang nai-stuck sa parehong maling hypothesis.
  • Pero kapag sinabi ko nang direkta, "Isipin mong mali ang iyong nakaraang ideya, magmungkahi ng ibang diskarte," agad itong nagbabago.
  • Nangangailangan ng 3–4 na loop sa karaniwan para sa pinakamahirap na mga bug.

Kalidad ng pagbuo ng pagsusuri

Hiningi ko rin sa pareho na bumuo ng mga pagsusuri bago ayusin ang isang bug (isang nakakagulat na makapangyarihang taktika):

• Para sa Python + pytest:
  • Nag-produce ang GPT-5 ng mas detalyadong mga pagsusulit at mas mahusay na na-parameterize na mga kaso.
  • Nag-produce ang GLM-4.7 ng bahagyang mas simpleng mga pagsusulit ngunit nagkaroon ng mas kaunting pagkakamali sa syntax.
• Para sa TypeScript + Jest:
  • Pareho silang ayos, pero mas mahusay ang GPT-5 sa pagsunod sa aktwal na mga kombensiyon ng proyekto (pangalan, istruktura ng folder) kapag binigyan ko lang ito ng ilang halimbawa.

Kung ang pangunahing layunin mo ay GLM-4.7 vs GPT-5 para sa mga coding agents, ibubuod ko ito ng ganito:

• GPT-5: mas mataas na potensyal, bahagyang mas mahusay sa pagpaplano, mas kaunting "paulit-ulit na walang saysay" na mga loop.
• GLM-4.7: mahusay na ratio ng gastos sa output, malakas kapag binigyan mo ito ng istrukturadong mga prompt at kaunting guard-rail na lohika.

Kailan Pipiliin ang GLM-4.7

Mga cost-sensitive na kaso ng paggamit

Kung ikaw ay isang indie developer, maliit na ahensya, o nagpapatakbo ng side project, karaniwang umaabot ang GLM-4.7 vs GPT-5 sa isang brutal na sukatan: dolyar kada natapos na gawain.

Mula sa aking mga log:

• Para sa mga coding agents, madalas na umaabot ang GLM-4.7 sa 40–60% ng gastos ng GPT-5 para sa humigit-kumulang 80–90% ng kalidad.

Sulit ang trade na iyon para sa:

• pagpapanatili ng background code,
• mass refactors,
• pagbuo ng dokumentasyon,
• batch test generation.

Pangangailangan para sa self-hosting

Kung ang iyong team o kliyente:

• hindi makapagpadala ng code sa third-party na mga cloud, o
• nais na patakbuhin ang lahat sa pribadong infra,

kung gayon, ang kwento ng self-hosting ng GLM-4.7 ang nagiging mapagpasyang salik.

Mas mahirap bang patakbuhin ito? Oo. Nakikipag-usap ka sa mga GPU, inference servers, monitoring, at scaling. Pero kung ang dami ng iyong token ay sapat, at ang seguridad/pribasiya ay hindi pwedeng ikompromiso, ito'y isang napaka-makatwirang pagpipilian.

Mga codebase na mabigat sa Chinese

Kung ang iyong codebase:

• ay may mga komento, pangalan ng variable, o mga mensahe ng commit sa Chinese, o
• ang iyong team ay nag-uulat ng mga isyu sa Chinese muna, Ingles pangalawa,

ang GLM-4.7 ay kasalukuyang may tunay na bentahe.

Sa aking mga pagsubok sa mixed Chinese–English repo:

• Nauunawaan nito ang mga ulat ng bug na may mga stack trace at log message sa Chinese halos parang katutubong wika.
• Nahabol ng GPT-5 kapag isinalin ko na ang lahat, pero dagdag na proseso ito.

Kaya kung ikaw ay nag-ooperate sa isang Chinese‑first o bilingual na kapaligiran, ang GLM-4.7 ay mas natural na nag-aangkop sa araw‑araw na buhay ng pagbuo.

Kailan Pumili ng GPT-5

Matatag na ecosystem

Ang pangunahing hindi teknikal na argumento sa GLM-4.7 kumpara sa GPT-5 ay ecosystem.

Kasalukuyang nananalo ang GPT-5 sa:

• lalim ng mga third‑party na integrasyon,
• mga off‑the‑shelf na tools at agents na naka-tune para sa kanyang API,
• mga halimbawa mula sa komunidad, docs, at mga tip sa pag-debug.

Kung ikaw ay bumubuo ng isang bagay na kailangang kumonekta sa maraming SaaS tools, plugins, o no‑code platforms, ang GPT-5 ang landas ng hindi gaanong pagtutol.

English-first na mga daloy ng trabaho

Para sa English‑first:

• mga spec ng produkto,
• UX copy,
• mga dokumento ng estratehiya,
• mga kumplikadong gawain sa pag-unawa,

ang GPT-5 ay mas makintab ang pakiramdam.

Sa aking mga pagsubok, ang kanyang:

• pagsusulat ng spec,
• pagsusuri ng tradeoff,
• at kalidad ng paliwanag

ay palaging mas "handa para sa kliyente" nang walang mga edit. Kaya rin ng GLM-4.7 ito, ngunit mas madalas kong inaayos ang tono at istruktura.

Mga Kinakailangan sa Maximum na Katatagan

Kung ang iyong mga priyoridad ay:

• napaka‑predictable na latency,
• sobrang mababang pagtanggap sa maling impormasyon sa pangkalahatang kaalaman,
• at malakas na vendor SLAs,

mas ligtas na piliin ang GPT-5 sa ngayon.

Sa mga pangmatagalang ahente kung saan ang isang kakaibang maling impormasyon ay maaaring magdulot ng tunay na pinsala (tulad ng maling pag-configure ng imprastraktura), mas maagang naramdaman ang mga guardrails at monitoring stack ng GPT-5. Maayos naman ang pagganap ng GLM-4.7 sa aking mga pagsubok, ngunit ang nakapaligid na ecosystem (mga evals, guardrails, mga tool sa shelf) ay hindi pa gaanong subok sa laban.

Ang Mas Malawak na Larawan: Ang mga Modelo ay Nagiging Commodity

Sa pagtingin mula sa malayo, ang pinaka-kawili-wiling bahagi ng GLM-4.7 kumpara sa GPT-5 ay hindi kung sino ang "nanalo". Ito ay na, para sa maraming pang-araw-araw na gawain, pareho silang sapat na magaling.

Ang talagang mahalaga ngayon ay:

• Presyo kada nalutas na problema (hindi kada token).
• Ecosystem at pandikit sa paligid ng modelo, mga tool, pag-log, mga retries, mga pattern ng prompt.
• Angkop para sa iyong wika + domain (Ingles-unang SaaS kumpara sa bilingual na codebase kumpara sa mga panloob na tool).

Ang praktikal kong pagkuha matapos ang lahat ng mga pagsubok na ito:

• Gamitin ang GPT-5 kapag kailangan mo ng maximum na kalidad sa pag-aangat, makintab na output sa Ingles, at mayaman na suporta sa ecosystem.
• Gamitin ang GLM-4.7 kapag mas pinapahalagahan mo ang throughput at gastos, o kailangan mo ng self-hosting at mas mahusay na performance sa Tsino.

At sa totoo lang? Huwag matakot na ihalo sila.

Sa aking sariling stack ngayon:

• Mga specs, desisyon sa produkto, at pagsusulat na nakaharap sa kliyente → GPT-5.
• Mga ahente ng bulk coding, pagbuo ng mga test, at mga gawain sa internal maintenance → GLM-4.7.

Kung nagsisimula ka pa lang, iminumungkahi ko ito:

1. Pumili ng isang kinatawan na workflow, halimbawa, "ayusin ang isang nabigong test sa aking repo gamit ang isang ahente."
2. Patakbuhin ito ng 10 beses gamit ang GLM-4.7 at 10 beses gamit ang GPT-5 gamit ang parehong mga prompt at tool.
3. Subaybayan: rate ng tagumpay, kabuuang mga token, gastos, at kung gaano ka napapagod sa pagbabasa ng mga output.

Ang maliit na eksperimento na iyon ay magsasabi sa iyo ng higit pa tungkol sa GLM-4.7 vs GPT-5 para sa iyong buhay kaysa alinmang pahina ng marketing o anumang blog post, kasama na ito.

Pagkatapos panatilihin ang isa na talagang nagdadala ng trabaho para sa iyo, hindi ang isa na may mas flash na benchmark chart.

Ang pinakamahusay na modelo para sa iyo ay nakasalalay sa iyong workflow, hindi sa leaderboard.

Pagkatapos ng lahat ng mga test na ito, ang hindi komportableng katotohanan ay ito: para sa karamihan ng personal at indie workflows, ang modelo mismo ay mas hindi mahalaga kaysa sa disenyo ng ahente na bumabalot dito.

Iyan mismo ang aming itinatayo sa Macaron. Hindi kami pumupusta sa isang solong “pinakamahusay” na modelo. Pinagsasama namin ang pinakamalalakas na available na modelo sa isang sistema ng memorya na talagang natututo kung paano ka magtrabaho — kung ano ang pinapahalagahan mo, kung paano ka nag-iiterate, at kung saan karaniwang nagkakaproblema.

Kung interesado kang maranasan ito sa praktika, maaari mo itong subukan mismo. [Subukan ang Macaron nang libre →]