GLM-5.2词链推理排第29：分数翻倍背后的效率暗礁

Image

GLM-5.2 在最近一次词链评测中拿到 1834 分，位列全部 139 个模型中的第 29 名。这个位置多少有些尴尬：相比上一代 GLM-5 仅 987 分，进步幅度相当可观，可在整个榜单里依然够不到第一集团，更不用说与 DeepSeek-V4、Kimi 等竞品正面竞争。

  • 排名：29 / 139
  • 分数跃升：GLM-5（987）→ GLM-5.2-high（1834）
  • Token 消耗对比：Kimi-K2.5（≈19k） vs GLM-5.2（≈32k）

LisanBench 考的并非复杂数学，而是一种特殊的词链推理

第一次看到“LisanBench”这个名称，很容易联想到高等数学或代码生成，实际规则却很纯粹：给出一个英文单词作为起点，模型每一步只能插入、替换或删除一个字母，不断生成不重复的有效词汇，尽可能拉长链条。每一步都必须保证新词真实存在，并且不能重复使用之前的单词，更不能走进死胡同。每个起点词会被测试 3 次，最终在 50 个不同起点上统计总分和难度加权分。

举个例子，如果起点是 love，一条可能的链条可以是：

  • 插入 r → lover
  • 替换 l 为 c → cover
  • 删除 r → cove
  • 再删 e → cov（如果字典中没有 cov，这一步就算无效）

一句话总结：LisanBench 检测的不是知识储备，而是规则执行、词汇广度、路径规划、记忆去重与持续执行这五项基础能力的综合在线表现。

成绩单看涨幅喜人，但排名与效率不足同样真实

榜单上，GLM-5.2-high 的 Path Length 达到 1834.67，比前代 GLM-5 的 986.83 增长了近一倍。单从纵向提升看，这无疑是一次实实在在的阶段性突破。

但当把视线拉到横向，第 29 名在 139 个模型里仅属中等偏上。榜首被 Anthropic 的 Opus 4.7（xhigh）以 14408 分占据，紧随其后的 GPT-5.5（medium）、Gemini 3.1 Pro、Grok 4 等组成领跑阵营。DeepSeek-V3.2 Speciale（thinking）排名第 9，Difficulty-Weighted 达到 1510；DeepSeek-V4 Pro（high）位列 18，而 Kimi-K2.5（thinking）正好排在第 28 名。也就是说，GLM-5.2 与同圈的 Kimi-K2.5 互有胜负，但还不具备压制这些直接对手的实力。

一个常见的解读误区，是把榜单总分当作唯一否决项的稻草人。LisanBench 官方在 About 页面明确说明：该测试擅长发现模型在“规则执行 + 规划 + 记忆 + 坚持”这类基础能力上的短板，却不能覆盖代码推理、数学推导、多轮工具调用、创意写作等大量常见场景。仅凭这一扇窗口去框定整栋建筑，结论必然失真。

更值得关注的不是排名，而是 Token 效率

榜单同时披露了 Reasoning Efficiency 数据，即模型在产生相同分数时所耗费的输出 token。GLM-5.2 大约消耗了 32k token，而 Kimi-K2.5 仅用约 19k，GPT-5-medium 和 Gemini 3 Flash 则介于两者之间。

这意味着，为了拿到当前的得分，GLM-5.2 每一步都需要更多中间思考，信息密度偏低。对于习惯将模型嵌入内部工作流的团队来说，这个效率差极容易转化为真实的成本差距：同样的结果，GLM 可能比 Kimi 贵出近一倍，响应延迟也更高。

判断： 如果你最在意推理成本，LisanBench 的 Efficiency 散点图远比总排名更有参考价值。

普通用户与 Builder 是否该关心这个榜单？

LisanBench 最适合两类角色：一是模型选型初期做快速筛除的决策者，二是对推理消耗极度敏感的团队。如果你只是用它来写文章概要、润色邮件、整理资料，GLM-5.2 排第 29 的事实几乎不会带来显著影响——更切身的反而是模型能不能稳定支撑长上下文、API 延迟表现如何、中文场景词汇量够不够丰富。

Builder 则可以把 LisanBench 看作一次基础能力体检：如果模型在规则跟踪和记忆去重上只能拿到中位分数，将来在构建 Agent 或执行长链任务时，就需要额外加入审计层来兜住风险。

  • 适合：做模型初筛、对比 token 效率、检验基础推理稳定性
  • 适合：关心推理成本与长期 token 消耗的团队
  • 不适合：仅凭单一榜单决定选型；测试不覆盖代码、数学、工具调用
  • 不适合：无法直接推演到中文场景，只能视作英语词链能力的切片

总结

单看 LisanBench，GLM-5.2 的进步是实打实的，但两重短板同样明显：在竞争梯队中的中位排名，以及在同等分数区间里偏高的 token 消耗。如果你正在为团队拟定模型供应商短名单，不妨优先把 DeepSeek-V4、Kimi-K2.5、Gemini 3 系列放进对比池，GLM-5.2 可作为第三梯队后补继续观察。

SOURCES
LisanBench Leaderboard lisanbench.com
LisanBench About lisanbench.com/about