GLM-5.3 与 Claude Fable 5 在 DeepSWE 上的成本、编码与路由对比

在我们对 GLM-5.3 与 Claude Fable 5 在 DeepSWE 上的对比中——该基准测试跨多种任务类型和编程语言考察模型的软件工程能力——两个模型在质量上几乎难以区分。Fable 5 在 pass@1 上领先 0.7 个百分点。它每次 rollout 的成本也高出 5.4 倍，是 DeepSWE 榜单上最昂贵的单一配置。这种组合让真正有趣的问题变得很窄：当准确率相同时，这笔溢价买到了什么？

DeepSWE · 正面交锋

GLM 5.3 与 Claude Fable 5 一览

我们在全部 113 个 DeepSWE 任务上让 GLM-5.3（max）对阵 Claude Fable 5（max），每个任务四次试验，数据来自已发布的逐次试验记录：共 904 次 rollout，每个模型 452 次。两者都属于有纪律、低回归的流派，这正是它们表现如此相似的原因。以下所有数字均来自本次运行，因此可能与其他公开的 GLM-5.3 与 Claude Fable 5 评分卡不同。

DeepSWE 记分板：pass@1 与 pass@k

单次尝试是平局。在 DeepSWE 官方评分下，Fable 5 首次尝试解出 69.7% 的任务，GLM-5.3 解出 69.0%，差距完全在噪声范围内。一旦允许重试，两个模型就拉开了差距，而且是朝着 GLM 有利的方向。两次尝试时 GLM-5.3 以 81.1% 对 77.1% 领先。四次尝试时以 87.6% 对 84.1% 领先。

这个开放模型以极低的成本匹配了 Fable 的首次尝试准确率，而且在允许重试后还保持着更高的上限。无论尝试多少次，为 Fable 多付 5.4 倍都买不到更多覆盖。

成本对比：GLM-5.3 与 Claude Fable 5 定价

每次 rollout 3.99 美元，GLM-5.3 比 Fable 的 21.63 美元低 5.4 倍：每 100 美元解出 17 个任务，而 Fable 只有 3 个。Fable 是榜单上最昂贵的配置，而这一价格并未让 GLM 付出速度代价。GLM-5.3 平均每次 rollout 耗时 35 分钟，Fable 为 34 分钟，大致相当。

token 画像解释了这次运行的形态。GLM-5.3 是更不啰嗦的模型（输出 80k token，Fable 为 114k），尽管它步数更多（124 对 85）。Fable 每步写得更多，GLM 则采取更多且成本更低的步骤。两者都不更快，但只有一个成本只有五分之一。

覆盖与可靠性：GLM-5.3 与 Fable 5 的差异所在

将 pass@1 分解为覆盖（至少解出一次的任务）和可靠性（这些任务上的通过率），两者落在平面上的相近角落，GLM 略远一些。GLM-5.3 的覆盖更高，为 87.6%，Fable 为 84.1%。Fable 每次尝试略更稳定，可靠性为 82.0%，GLM 为 78.8%，并且四发四中的任务更多（56 对 48）。

实际上两者都表现得像有纪律的通才，GLM 用一丝每次尝试的可靠性换取了在整个基准上明显更广的覆盖。

失败模式：每个模型如何出错

这是家族相似性最明显的地方。两个模型都只在 11% 的失败中使现有测试套件回归，远低于 GPT 家族的 20%，因此两者都可以安全接受，无需严格的回归门控。

差异很小。Fable 的大失误占比更高（18% 对 GLM 的 16%），意味着当它出错时，严重错误的频率略高。GLM 以接近失误方式失败的频率略高（61% 对 57%）。总体而言，这两个模型以同样有纪律的方式失败，这正是它们结果如此相关的原因。

按任务类型看各自优势

尽管在 pass@1 上打平，领域分布图并不相同。GLM-5.3 拿下结构化的、解释器风格的工作：查询与配置（88 对 72）、语言与运行时内部机制（83 对 78）、有状态响应式（73 对 64）、并发与持久性（62 对 45），以及程序分析（64 对 56）。并发这一项 17 分的差距，正是 Fable 最弱的领域。

Fable 则以精确契约类领域回应：数据建模与序列化（88 对 79）、构建与运维（71 对 68），以及协议一致性（55 对 44），后者是 GLM 最弱的领域。GLM 赢下五个领域，Fable 赢下三个，而 Fable 在并发上 45% 的成绩是唯一让它完全出局的赛道。

按编程语言看 GLM-5.3 与 Claude Fable 5

Fable 的理由几乎完全建立在一种语言上。它的 Rust 达到 85%，GLM 为 70，15 分的差距是这场对决中单一语言的最大差距。序列化密集型工作正是这一优势的天然搭档。

GLM 则以全场最佳的 JavaScript 回应（90 对 75），在 Go（76 对 71）和 TypeScript（61 对 57）上接近持平。Fable 守住 Python（70 对 66）。除了 Rust 和序列化密集型工作，没有任何一种语言能让 Fable 5.4 倍的溢价换来有意义的准确率优势。

GLM-5.3 与 Claude Fable 5 有多相似？

对于想同时运行两者的人来说，问题在这里。GLM-5.3 与 Fable 的逐任务相关性为 0.65，是本组中所有配对里一致性最高的。两者都解决了 88 个任务。仅 GLM 解决 11 个，仅 Fable 解决 7 个，7 个两者都失败，两个方向上都没有出现四比零的分歧。

它们的并集覆盖了 113 个任务中的 106 个（93.8%），但由于它们成功和失败的任务大体相同，将两者配对带来的多样性，不如将其中任何一个与 GPT 系列模型配对。它们近乎替代品，而当两个模型互为替代时，你保留成本更低的那个。

在两者之间路由：组合策略

如果你确实要同时运行两者，顺序和经济性仍然支持把开源模型放在前端。先运行 GLM-5.3，只有当你的测试套件拒绝答案时才升级到 Fable：每任务 10.74 美元，解决率 81.1%。这比单用 Fable（69.7%）高出十一个百分点，而每任务价格只有 Fable 自身（21.63 美元）的一半。

考虑到 0.65 的相关性，诚实的建议更简单：对大多数工作而言，单用 GLM-5.3 就能捕获 Fable 几乎所有的能力，成本只有五分之一，只有在其 Rust 和序列化专长上才值得升级到 Fable。

这意味着什么

Fable 5 和 GLM-5.3 在首次尝试准确率上是统计意义上的平手，而持平也就到此为止。GLM-5.3 成本低 5.4 倍，在 pass@2、pass@4 和覆盖率上更高，更简洁，在回归上同样自律，并且赢下八个领域中的五个，外加全场最佳的 JavaScript。

Fable 是本次测量中最昂贵的模型，而对阵 GLM 时，它只赢下三个领域，外加真正的 Rust 和序列化优势。由于两者在 0.65 相关性下近乎替代品，同时运行两者几乎没有组合收益。实际立场是：以 GLM-5.3 为默认，Fable 作为针对 Rust 密集型或序列化关键任务的狭窄而昂贵的升级选项。查看新的 GLM 5.3 Flash API。

DeepSWE · 完整结果

GLM 5.3 与 Claude Fable 5，逐项指标对比

113 个 DeepSWE 任务 · 每种配置 4 次试验 · 均以最大努力运行 · 共 904 次 rollout

常见问题

GLM-5.3 比 Claude Fable 5 更好吗？

在 DeepSWE 上，两者首次尝试的成绩在统计上持平：Fable 5 的 pass@1 为 69.7%，GLM-5.3 为 69.0%。此后 GLM-5.3 在各项指标上均胜出，包括 pass@2（81.1% 对 77.1%）、pass@4（87.6% 对 84.1%）以及覆盖率，且每次 rollout 的成本低 5.4 倍。Fable 四战全胜的任务更多（56 对 48），因此在任何单次尝试上都略为稳定。

GLM-5.3 比 Claude Fable 5 便宜多少？

在我们的运行中，以最大努力运行时，GLM-5.3 每次 rollout 成本为 \$3.99，而 Claude Fable 5 为 \$21.63，相差 5.4 倍。按每个已解决任务衡量，GLM-5.3 每 \$100 可解决 17 个任务，而 Fable 为 3 个。

用于编程，GLM-5.3 和 Claude Fable 5 哪个更好？

这取决于语言和任务类型。GLM-5.3 在 JavaScript（90 对 75）、Go（76 对 71）和 TypeScript（61 对 57）上胜出，并在八个任务领域中的五个获胜，包括并发和持久性，以 62 对 45 领先。Claude Fable 5 在 Rust（85 对 70）、Python（70 对 66）以及精确契约领域领先，其中数据建模和序列化以 88 对 79 领先。

我应该在 GLM-5.3 和 Claude Fable 5 之间进行路由吗？

仅建议选择性使用。这两个模型在我们测量过的所有配对中具有最高的逐任务相关性（0.65），因此它们在很大程度上会在相同的任务上成功和失败，其并集覆盖了 113 个任务中的 106 个。GLM 优先的级联确实能以每任务 \$10.74 达到 81.1%，远超仅用 Fable，但对大多数团队而言，更大的收益是直接默认使用 GLM-5.3，并将 Fable 保留给 Rust 密集型或序列化关键型工作。

GLM-5.3 是开放权重吗？

是的。GLM-5.3 是一个开放权重模型，因此可以自托管，或通过 Together AI 等推理提供商提供服务。Claude Fable 5 是一个闭源模型，只能通过 Anthropic 及其合作伙伴使用。

DeepSWE 上的 pass@k 是什么？

pass@k 衡量的是对某个任务的 k 次尝试中是否至少有一次通过隐藏测试套件。pass@1 奖励第一次就做对，更高的 k 则奖励能够在多次尝试后最终找到解决方案的模型。GLM-5.3 的优势随着 k 增大而扩大。

方法与注意事项

• 数据：DeepSWE v1.1 导出，113 个任务 × 每种配置 4 次试验，均以最大努力运行，来自已发布的逐次试验记录。每方 452 次试验。
• 评分：头条通过率使用 DeepSWE 的官方评分（included_in_score，排除基础设施错误）。Fable 因模型路由产生了 16 个基础设施错误，因此其严格将错误计为失败的分数为 67.3，而官方为 69.7。GLM-5.3 有 1 个。
• pass@2、pass@4、覆盖率、并集和相关性使用逐任务通过次数。
• 成本为已发布的逐次试验 cost_usd。Fable 的与轨迹 total_cost_usd 完全一致，而 GLM 的仅为索引值。分析时，GLM-5.3 批次的逐轮轨迹 JSON 不在公共 CDN 上。
• 失败剖析使用已发布的逐测试分数。接近通过意味着在基线保持不变的情况下，至少 80% 的新测试通过。回归意味着某个基线测试被破坏。领域使用基于产物的任务分类法。
• 级联假设验证器根据任务决定升级和独立性。预期准确率在顺序上是对称的，但成本不是，因此先使用成本较低的模型。鉴于 0.65 的相关性，组合收益有限。预言机路由器是逐任务的最佳单次选择，是任何单次路由器的上界。