博客 · 评测
GLM-5.3 vs GPT-5.6-Sol：同一份 PRD，同一个 Harness
2026 年 8 月 25 日 · dshbase · 同题实测
智谱发布 GLM-5.3 当天，Datawhale 团队就把它接进了 DeepSeek Harness，和 GPT-5.6-Sol 跑同一道题。任务不是 demo：一款生产级抠图 Web 应用——账号体系、异常处理、可部署交付、项目文档，九条验收标准从 A1 可运行、A2 账号体系一直到 A9 项目文档，算法效果用 SAD、MSE、Grad 三项指标衡量。
先把第三方模型接进 DSH
实测之前先解决最实际的问题：GLM-5.3 作为模型提供方接入 DSH（API 走 bigmodel.cn 的 GLM 编程接口），按团队教程从零搭好约 15 分钟。这正是「一切皆插件」的兑现——第三方模型是一次配置变更，而不是一次 fork。
实测结果：核心打平，细节分叉
两个 Agent 都完成了 PRD 核心需求。功能覆盖与算法基线打平——两边都交付了合格的 closed-form 抠图实现。差距出现在工程细节，而且方向出乎意料。社区总结的「AI 味前端特征」：紫蓝渐变、玻璃拟态、发光阴影、hover 弹跳、统一大圆角。GPT-5.6-Sol 版几乎全中（暗色玻璃风）；GLM-5.3 版逐条规避——亮色扁平工具风、单一靛蓝强调色、1px 描边、零投影。
服务端安全是 GLM-5.3 领先的地方：登录限流、安全响应头、会话清理默认就带——这些通常是评审人要在 GPT 版上线前人工补一遍的项。
清单之外：它自己加了两样
GLM-5.3 多做了两个需求里没有的功能：历史任务重跑（服务端留存原图和 trimap，调参后点重跑即可重新生成，不用重新上传——调参的人都知道同一张图反复跑才是常态）和批量评测（一键跑 9 张示例图，弹窗出 SAD/MSE/Grad 对照表，可导出 CSV）。第二个正是抠图开发日常要手工干的事。
诚实的边界
- 单任务 ≠ 能力排名。一次实测得不出通用结论，只能算一个数据点。
- GLM-5.3 不支持视觉输入——需要像素级精细调整的前端场景是它的劣势。
- 本地单机环境——生产环境表现可能不同。
安装者该带走什么
这篇实测最有意思的信号不是「GLM 赢了」，而是：工程判断正在默认进入模型产出——限流、安全头、会话清理、用户真正会用的功能——而 DSH 这样的 Harness 让换掉底下的模型变成一次 15 分钟的配置工作。智谱把 GLM-5.3 相对 5.2 的约 50% 提升全部归因于后训练；这次测试给了这句话一个具体的形状：模型不只是写出了更多代码，它知道一份要上线的应用应该长什么样。如果你在评估 Agent 栈，建议在自己的生产级任务上、用同一个 Harness 跑两个模型——Harness 是常量，差异才看得清。