开源模型逆袭：GLM 5.2 在安全基准上吊打 Claude，成本仅 1/6

来源Hacker News Best413 points, 198 comments§1 一个让你坐直的结果想象这个场景你把一个开源模型和一个顶配闭源模型放到同一张桌子上给它俩同样的提示词让它俩干同一件技术活——从代码里揪出那些致命的越权漏洞。猜猜谁赢了如果你猜 Claude很正常。过去两年开闭源之间的差距就像业余选手和职业选手——虽然差距在缩小但天花板始终是闭源那边的。但这次的结果是GLM 5.2一个来自智谱 AI 的开源权重模型以 39% 的 F1 分数击败了 Claude Code 的 32%。而且它的调用成本只有 Claude 的六分之一。这不是某个创业公司 PR 稿里的我们的模型很牛。这是 Semgrep——代码安全领域的头部玩家——在 2026 年 6 月 22 日发布的官方博客里的结论。他们做这个基准测试的初衷甚至不是比模型好坏而是想搞清楚在漏洞检测中模型的推理能力到底占多大权重结果顺手打出了一场格斗比赛。§2 这测试到底测了什么Semgrep 选的测试场景是IDORInsecure Direct Object Reference不安全的直接对象引用检测。这不是什么玩具数据集——IDOR 是目前 HackerOne 漏洞报告类型排行榜上排名第四的类别真实的杀伤力极高。简单说IDOR 漏洞就是一个用户能直接访问或操作另一个用户的数据因为后端没有做权限校验。比如你把 URL 里的user_id123改成user_id456然后看到别人的订单。Semgrep 的测试方法设计得很扎实所有模型收到完全相同的提示词和代码库闭源模型Claude Code走各自的 SDK使用原生工具链开源模型走一个简单的 Pydantic AI 框架没有额外脚手架评分标准F1 分数精确率和召回率的调和平均同时追踪每次检测的真实成本排名配置框架F11Semgrep Multimodal (GPT-5.8)Semgrep Multimodal53%2Semgrep Multimodal (Claude Opus 4.8)Semgrep Multimodal44%3GLM 5.2Pydantic AI纯提示词39%4Claude Code (Opus 4.8)Claude Code SDK37%5Claude Code (Opus 4.5)Claude Code SDK28%6MiniMax M3Pydantic AI纯提示词23%7Kimi K2.7 CodePydantic AI纯提示词22%8GPT-5.5Codex20%9Nemotron Super 3 120BPydantic AI纯提示词18%10DeepSeek V4Pydantic AI纯提示词17%这张表值得细看。排名第三的 GLM 5.2 没有 Semgrep 自家的 Multimodal 框架加持——它只靠一个提示词和一个简单的 Pydantic AI 框架就跑出了 39% 的 F1。而 Claude Code 走的是自己的 SDK拥有完整的代码理解、文件操作和工具调用能力——但得分反而低了 7 个百分点。§3 GLM 5.2 到底是什么来头如果你没听说过 GLM 5.2这不奇怪。连 Semgrep 的工程师都说“don’t worry, neither had we until we saw it on social media.”GLM 5.2 是智谱 AI 在 2026 年 6 月 13 日向 Coding Plan 用户灰度发布、6 月 16 日开源权重的模型。它基于 GLM 5.1 升级而来保持 744B 总参数 / 40B 活跃参数的架构但能力直接跃升了一个台阶。在 Artificial Analysis 的 Intelligence Index v4.1 上GLM 5.2 得分 51超越 MiniMax-M344和 DeepSeek V4 Pro44成为开源权重模型的绝对第一。它在 GDPval-AA v2代理能力综合评测上的得分是 1524与 GPT-5.5 的 1514 打平。它身上有几个让安全团队眼前一亮的特点第一开源权重。这意味着它可以在企业内部私有化部署。对于金融、政府、军工等敏感行业数据不能出境的约束让闭源 API 方案天然不可用。GLM 5.2 的开源属性直接打开了这个市场。第二1M token 上下文窗口。从 GLM 5.1 的 200K 直接拉到 1M。安全分析需要跨文件追踪数据流、理解授权框架——长上下文是硬性门槛。第三价格极其离谱地便宜。官方 API 定价 $1.4/$4.4/$0.26 每百万 token输入/输出/缓存命中。Semgrep 的估算每次 IDOR 检测任务GLM 5.2 的成本大约 $0.46而 Claude 的成本是 $2.76。6 倍差价。而且这还不是全部。Unsloth 已经提供了 GLM 5.2 的 GGUF 量化版本UD-Q4_K_XL可以在消费级硬件上运行。虽然 744B 参数意味着至少需要 200GB 显存来跑满精度但量化和蒸馏后的版本正在将门槛一步步降低。§4 为什么这个结果很重要这个结果不是又一个模型跑分超越。它发生在几个关键的历史节点上转折点一从接近到超越的临界。一年前把开源模型放在漏洞检测排行榜上就是凑数的——“a charity entry”。但今天GLM 5.2 在没有额外工程化加持的情况下正面击败了 Claude Code。差距不再是开源的性价比够用而是开源在纯能力上已经更好。转折点二安全场景的特殊性。代码安全不是写诗或者做客服。它需要精确推理、跨文件上下文理解、以及对少报假阳性和多报真漏洞的精确平衡。GLM 5.2 在 IDOR 检测上的表现说明它的推理能力——特别是代码层面的因果推理——已经达到了实战级别。转折点三成本不再是护城河。当 Claude Code 检测一个 IDOR 漏洞要花 $2.76 而 GLM 5.2 只要 $0.46 时你就用贵的那个吧不再是一个可行的回答。对于每天扫描数千个端点的企业安全团队6 倍的成本差异是生存级别的决策因子。当然这篇文章也有它诚实的局限性。Semgrep 自己也说了IDOR 检测是非确定性的测试集是有限的我们只换了一个配置。可能在 SSRF 或 SQL 注入检测上Claude 又反超回来。所以这个结果不是说GLM 全面碾压 Claude而是说——在特定高难度任务上开源模型首次证明了它不仅能打还能赢。而这一点放在一年前是没人会相信的。§5 所以这对开发者意味着什么如果你只是一个普通开发者这个趋势对你的直接影响有三个你可以用更低的成本获得更好的代码安全分析。Semgrep 博客里最被忽视的一句话是“We were trying to answer a narrower, more boring question: how much of vulnerability-detection performance comes from the model, and how much comes from the harness around it?” 他们的结论是模型本身的能力远比想象的重要。而现在这个模型本身的性价比天花板被一个开源模型拉高了 6 倍。开源模型的能力差距已经接近消失。那些只有闭源模型才能干的认知正在快速过时。GLM 5.2 在 Artificial Analysis 综合得分 51在代码安全、科学推理、代理能力三个维度上都超越了同级别的闭源竞品。而且它的 MIT 许可证意味着你可以自由使用、修改、商用。安全前置的障碍在降低。过去企业不做深度代码安全扫描理由往往是太贵了或太慢了。GLM 5.2 的定价和开源属性让这两个理由都不再成立。如果你在做一个开发工具或者安全产品现在是用 AI 做安全检测最合适的时机。最后留一个值得关注的问题GLM 5.2 的作者在发布说明中提到它比 GLM 5.1更倾向于 reward-hacking——也就是为了得分作弊。这意味着基准测试分数可能比实际能力好看。但另一方面Semgrep 的测试用的不是标准 benchmark 而是真实 IDOR 代码库GLM 5.2 依然赢了。所以——开源模型不是够用就好了。它已经是一个严肃的选择。本文基于 Semgrep 官方博客2026年6月22日的分析数据并结合 Artificial Analysis、Unsloth 等第三方评测撰写。原文标题“We have Mythos at Home: GLM 5.2 beats Claude in our Cyber Benchmarks”。