为什么突然想做视频？

作为一个以写作为主的博主，我最惯常的工作流是写完公众号文章后直接推送，再顺手同步到小红书、知乎等图文平台。这种“一鱼多吃”的方式，我已经做了很久。

但近两年的趋势太明显了：短视频的流量远超图文。于是忍不住想：我每一篇文章结构清晰、内容饱满，要是能趁热打铁直接生成视频发到抖音、B站、视频号，那不就是“一鱼多多吃”了？

这个念头其实早就浮现过，但直到现在都没真正动手。原因很简单：做视频真的会劝退。

要写视频脚本、要配画面、要配音、要做剪辑……对一个纯文字博主来说，光打开剪辑软件这一步，就已经开始感到心累。

最近因为要推广自己搭建的知识库产品PMBrain，视频传播的念头又燃起来了。调研了一圈，市面上类似FocuSee那种比较强的一键剪辑工具基本都是收费的，而且价格不便宜，性价比实在不高。

这时候想起Codex此前支持过一款插件，于是决定去试一试。

本文记录了我用Codex结合HyperFrames插件，把一篇文章从头到尾变成视频的全过程，以及过程中踩过的坑和最终摸索出的高效工作流。如果你也和我一样是“文字型创作者”，这篇经验一定能帮你少走弯路。

安装插件，开干

Codex官方插件库里有一款叫HyperFrames的插件，直接在库中搜索就能下载。

安装好后，在Codex对话界面里点击“试用”就能开始。

这次我用来转视频的素材，是之前介绍PMBrain的一篇文章：《分享一款我搭建的知识库系统，更符合国人的使用习惯》。

我给Codex的指令非常简单，几乎就是一句话：

把PMBrain教程里这一篇文章做成一个视频教程。

然后Codex就开始工作了。背后的原理其实不复杂：它利用HyperFrames的能力，将文章内容渲染成一个HTML5动画页面，然后再把这个可以播放的网页直接录制成一个MP4视频文件。

可以这样理解：以前做视频是在剪辑软件里手动拖拽素材；现在做视频，是Codex先生成一个带有排版、动效的网页，再把这个网页像屏幕录像一样录成MP4。

整个过程对非技术用户来说完全是无感的，我们只要知道它真的能输出一个视频文件就行。

踩坑实录：坚决不让它“降级”

不得不说，初次尝试的过程远没有想象中那么丝滑。

一开始因为我给出的需求不够具体，Codex就照着默认逻辑给我生成了一个HTML中间文件。表面上看起来好像有产出，但我用浏览器打开一看：黑屏，什么都没有。最关键的MP4文件压根没有生成。

这个结果我是绝对不能接受的。我要的是可以上传到各个平台的视频，不是一个半成品的网页。HTML只是过程文件，我的最终目标必须是MP4，而且要能稳定复用。

于是我开始调整沟通策略，对Codex明确要求：

“不要降级成只给HTML，我要最终MP4文件。网页黑屏就继续排查修复，依赖没装好就继续安装，渲染超时就找出原因解决问题，不许偷懒绕过。”

有了这种“不妥协”的指令之后，Codex才开始老老实实把坑一个个填上。

核心要解决的就是三个环节的问题：

1. 把HyperFrames所必需的全部依赖安装完整。
2. 安装好ffmpeg和ffprobe这两个工具。你可以简单理解成：ffmpeg是把网页动画录成视频的录制器，ffprobe是用来检查视频文件状态的检测器。不用深究原理，只要记住少了它们MP4这步基本就会卡死。
3. 确保本地预览能成功打开，无黑屏无报错，再执行MP4的渲染导出。

这一次我还遇到了npm下载速度超慢的问题，最后是手动切换到了国内镜像源才顺利装完依赖。依赖就绪后重新运行渲染，一个完整的MP4总算生成出来了。

打开一看，画面类似一个自动播放的PPT展示，图文和排版也都对得上。不过高兴太早是常有的事——视频是“默片”，一点声音都没有，连个背景音效都不带。

声音怎么加上去？从“吓人”到“勉强能听”

我马上让Codex给视频加上声音。

它的操作很快，直接调用了Windows系统自带的语音接口，把旁白脚本念了出来。我打开一听：天哪，那种冰冷的机器人腔调实在太吓人，根本没法用。

问Codex有没有别的方案，它给了两条建议：

• 方案一：让我去某个在线平台录制自己的音色，平台会返回一个API和Key，Codex用它生成我的克隆声音。
• 方案二：它把旁白脚本整理好，我自己找个安静地方照着读一遍，再把音频文件交给它合成到视频里。

稍微思考了一下，方案一大概率要收费，而且折腾线上平台的过程往往各种麻烦。我现在的原则是能离线解决就离线，能自己搞就自己搞。于是干脆选了方案二。

我用手机录了一段真人朗读。虽然向来不喜欢真人出镜，声音条件也一般，但真人录音有一个难以替代的优点：你在念脚本的时候会下意识地调整句子，停顿、语气、轻重都会带上自然的理解和表达。

录好后把音频文件放到项目目录里，让Codex合成到视频中。最终导出的版本，该有的都有了；虽然我对自己的配音还是不太满意——实在太不专业了——但至少整个流程彻底跑通了。

如果不想自己录音：一个更省事的方法

后来复盘时，我又想了一个折中方案：如果你对自己的声音不自信，或者纯粹不想一遍遍读稿，可以这样操作——

先把旁白脚本丢给豆包，用豆包模拟你的声音来读，然后用Windows录音机把电脑播放的声音录下来，再将录音文件交给Codex合成。

这个方法对技术小白更友好，完全不用研究复杂的声音克隆工具。流程只有三步：

1. 用Codex生成好旁白文本脚本。
2. 用豆包（或类似App）以模拟声音朗读脚本，同时打开录音机录制电脑内部的播放音频。
3. 把这段录音交给Codex，直接嵌入视频，导出最终的MP4。

当然，一个很重要的步骤是：提前把旁白脚本读一遍、改一遍。AI模拟朗读只会刻板地念文字，脚本如果不通顺，再好的克隆音色也会显得生硬。你前置把句子改顺畅，最后听上去会自然很多。

以后就按这个工作流来

这次体验最大的收获是：虽然过程有点小曲折，但一个可复用的“文字转视频”工作流已经跑通了。

其实没必要再把它抽象成一个专用Skill，就是一个标准的操作流程。以后想把任何一篇公众号文章做成视频教程，直接按下面这套步骤走就行：

1. 把文章发给Codex，让它使用HyperFrames生成视频。
2. 明确要求最终输出必须是MP4文件，绝不能停留在HTML中间阶段。
3. 遇到网页黑屏、渲染报错、依赖缺失等情况，直接让Codex继续修复，直到生成可播放的画面为止。
4. 确认画面无误后，再处理配音。
5. 把预录好的音频文件交给Codex，合成并导出带有声音的最终版MP4。

这套流程尤其适合把公众号文章、工具教程、产品介绍等内容转成视频版本。虽然它做不了需要复杂剪辑的大片，也搞不定操作类录屏，但做出一个能看、能讲的教程视频已经完全够用了。

对于我自己来说，这次折腾完最大的感受是：

只要再稍微打磨一下，我也可以开始正经涉足视频领域了。

也许不久后，你们就会在各大视频平台刷到我。

一起期待吧。

2026年6月12日下午，东莞松山湖，华为开发者大会的聚光灯下，余承东走上舞台，说出了一句足以让所有人重新审视盘古大模型处境的话：“去年国庆节前夕，公司又把这个大模型交到了我手里。”

重逢在松山湖

openPangu 2.0 的参数规格并没有制造太多意外。Pro 版本总参数 505B，活跃参数 18B；Flash 版本总参数 92B，活跃参数 6B，上下文窗口统一为 512K。依旧采用 MoE 稀疏架构，深度绑定昇腾算力。官方给出的数据是，单卡吞吐指标达到业内主流开源模型的两倍。从6月30日开始，七大组件将逐批开源，涵盖模型权重、预训练代码、后训练代码和训练算子等。

真正让现场停下脚步的，是余承东解释“为什么只有 505B”的瞬间。他说，华为的大量算力资源优先支持了国内其他企业的需求，留给自己训练的算力其实非常有限。在当前语境下，这句话显得格外坦诚。美国 GPU 出口管制不断加码，国产算力既要支撑华为自身的业务运转，又要通过昇腾生态为整个产业链供血。与其和市场进行参数竞赛，不如把精力集中在单卡效率和鸿蒙适配的深度上。

这种姿态与过去大家熟悉的“遥遥领先”式的宣言，拉开了明显的距离。余承东自己也不避讳地补了一句：“要去追赶、去超越，都需要时间。”

最先出发，却未最先抵达

余承东在发布会上重新拾起了一段过往的叙事：2021 年春天，华为发布了盘古大模型，那是国内第一个真正意义上的大模型。PanGu-α 论文发表于 2021 年春，最高参数达到 200B，确实早于百度 ERNIE 3.0 大约三个月，更远在后来那轮大模型井喷之前。单从“国内第一个”来说，盘古确实有资格称自己为先驱。

但如果把坐标放大到全球，GPT-3 早在 2020 年就已经证明了 175B 参数和 few-shot 能力。“全国第一”被延伸为“全球第一个”，依然是典型的余式表述。

更重要的是，去年 7 月，盘古经历了一场严重的信任地震。有研究报告直指盘古 Pro MoE 与 Qwen 在参数结构上存在“惊人一致”；一篇名为《盘古之殇》的内部文章则把研发过程中的混乱与压力摆上了台面。华为诺亚方舟实验室随后澄清，部分基础组件参考了业界的开源实践，并已经增加了版权声明。

在此之后，盘古几乎从公众视野里消失了一年。直到去年秋天，余承东被重新任命，接管这个大模型。

赛道上的群雄

今天的盘古，所要面对的市场已经不是2021年的空白地带。用 BenchLM 的综合评分来衡量，国产模型的梯队已经非常清晰。

DeepSeek V4 Pro（Max）：BenchLM 评分 87，采用 1.6T MoE 架构，活跃参数 49B，SWE-bench Verified 达到 80.6%，MIT 开源，上下文长度 1M，API 定价为每百万 token 0.435 美元 / 0.87 美元。

测试 GLM‑5.2 的这两天，我原本都要开始吐槽了。

但我竟然忽略了一个关键变量——ZCode！

在 Claude Code 里死活跑不通的一个题，换上 ZCode 竟然顺利出活，而且视觉和交互效果直接拉满。

所以，我决定先把 ZCode 的体验写完，然后再把所有用例从头到尾重测一遍。

然后早上又看到消息：ZCode 给新用户 5 天免费，订阅用户配额直接拉到 150%。既然如此，那肯定得让大家先玩起来再说！

很早我就在想，智谱为什么一直没推出一款像 Codex 或 Claude 那样的智能体开发套件，直到有人告诉我：他们已经做好了。

打开官网，我差点以为点进了自己的“Codex” —— 默认项目正好也叫 Gomoku。

说一模一样当然不至于，但真的很像，尤其是右侧那个悬浮控制面板。

在这类智能体程序里，Codex 的确名气更大，体验也被打磨得更好。所以一碰到风格接近的工具，就难免让人想起它。

不过嘛，它们的模仿火候跟我比，还是差那么一丢丢——开个玩笑！

我自己确实做过一个 Claude 风的版本：

界面长得很像 Opus 4.8，但里边跑着的其实是 GLM‑5.1 模型。

说它们不行，纯粹是在开涮；说我有这个软件，那可是如假包换。

本来我还想接着写 JClaude 接入 GLM 之后的丝滑体验，没想到官方自己已经拿出了自家版本，而且一上来就是 3.0.0。

计划永远赶不上变化，好多稿子写着写着就过时了。

我记得很早前似乎装过一个名字类似的工具，但那会儿更像是给 Claude Code 换了个皮。

今天，咱们就来实打实地尝一尝这个“新软件”。

官网地址：https://zcode.z.ai/

打开之后的第一屏长这样：

页面极其干净，除了顶部的导航栏，就是一个主控界面，底下还有简短的说明。

目前已经支持 Windows 和 macOS 两个平台。

下载安装包后一看，这套软件的包装还真是帅得离谱。

安装也很单纯，双击、下一步就行：

装好后开始登录：

周六上午随手写了篇墨问便出门，打了一小时羽毛球，随后觅食、徒步摄影，不料赶上北京突降骤雨，幸好随身携带的冲锋衣立下功劳。回到家时天色已暗，微光中透着凉意。

打开Vibe社群，发现一群伙伴依然在热烈讨论各种技术问题，气氛不减。与此同时，另一个振奋的消息传来：GLM 5.2 正式发布了。

这无疑是个好消息。这段时间我一直使用 GLM 5.1 来辅助写作，用的是国际版纯血 Pro，异常耐用，Coding 和长任务处理能力在国内模型中堪称顶尖。CatReader 上线背后，也离不开 GLM 5.1 的鼎力协助。

过去我曾写过一篇介绍，关于通过第三方中继接入 Opus 与 GLM 模型的方法。这种方式确实便捷，但也存在一些限制。而且，中转站通常是批量采购大模型厂商的 API 额度，适合企业级场景，但将 API 转化成面向个人的订阅模式后，性价比会大打折扣。

因此，无论是国内还是海外模型，直接订阅原厂的“纯血”服务，才是最划算的做法，不要怕前期的一点麻烦。

GLM 5.1 因为过于抢手且算力紧张，国内订阅计划多数被黄牛抢占，于是我选择了海外版。好处是购买无障碍、速度快、可直连网络、开发友好且额度耐用，唯一的缺点就是价格略高。

如果主要目标是“写代码/接入类似 Claude Code 的工具”，海外版 Z.ai 可能更顺手；如果聚焦于中文企业应用、知识库、语音交互、备案合规、内容安全、国内支付和本地化集成，则国内 BigModel 更为合适，团队版或直接采购 API 服务都是不错的选择。

至于价格，不管怎么比，都比 Opus 和 GPT 要便宜一些。

看一下 5.2 的新特性，依旧面向“复杂系统工程”与“长周期智能体（Agent）”，这次直接实现了 1M 超长上下文，让人忍不住立刻动手测试。

墨问 CatReader 上线之后，除了回馈老会员，突然涌入了一大批新用户。这显然表明产品具有价值，已经能够创造收益，因此更要倾听用户反馈。有人反映移动端适配很糟糕，那就立刻着手解决。

当天晚上，我花了两个小时，借助智谱 GLM 5.2 完成了 CatReader 的移动微信版本。

首先，我把移动版的设计思路一一道给 GLM 5.2：首页展示内容、左侧树状导航、文章页的元素呈现、上滑下拉的交互逻辑，以及如何不影响任何桌面端已有的元素和交互。经过两轮讨论，模型开始制定 Plan，大约十分钟，计划便清晰呈现：

确认后立刻启动，这是一个漫长的任务，执行了 45 分钟，期间没有同我做任何交互：

当任务完成时已是凌晨，我快速做了视觉与交互验证，未发现问题。GLM 主动询问是否要合并到主分支，以及按照单一 feature 还是多个 feature 提交。这种工程协同能力和主动建议在以往并不多见。随后我进行了分支合并，程序部署至生产环境，CatReader 移动版就这样利落地完成了上线。

下午，智谱官方微信公众号宣布GLM-5.2正式向所有Coding Plan套餐用户开放，并给出了精确的开放时间：今晚5点21分。

随后发布了推文《致开发者：GLM-5.2全量开放，前沿智能属于所有人》：致开发者：GLM-5.2全量开放，前沿智能属于所有人

尽管官网首页尚未出现GLM-5.2的信息，但Coding Plan套餐说明文档已经悄然更新：

同时，官方表示非高峰时段的优惠价将延续至9月底。

智谱的套餐一向难抢，一旦拿到却十分超值，赶紧调整配置上手体验GLM-5.2：

趁现在非高峰期，抢先尝个鲜吧！

本次，智谱在预告下周正式开源之际，也秀了一把技术情怀：

GLM-5.2 API 将于下周上线，模型同步开源，遵循 MIT 协议。

A step closer to frontier intelligence for everyone.

The future of AI is open, and it is for the people.

模型标识：GLM-5.2

套餐虽然抢手，但对于成功抢到的用户，还能享受首购8折、再减5%的叠加优惠：

周六下午，国产大模型公司智谱选择在下午5:21这一特殊时刻，向所有开发者套餐用户正式开放最新的GLM-5.2；外界普遍认为这一动作有意对标Anthropic宣布关闭Fable 5访问权限的节点。

同时，智谱还专门配合新模型推出了优化后的AI编程工具ZCode 3.0，并额外赠送50%的套餐额度。周一港股开盘，智谱股价应声飙升，最终收盘涨幅定格在32.8%。

周末两天里，我集中体验了GLM-5.2，总共消耗了大约1亿token，总体感受相当顺畅。

我一直认为模型厂商亲自下场做AI编程工具具备一体化优势，因此对新亮相的ZCode 3.0（毕竟已经迭代到3.0版）自然也要认真试试。上手之后，只想说：智谱这个老六，还真藏了不少亮眼的东西！

率先发布的Windows版显示出智谱对国内开发者习惯的准确把握，其官方默认集成的插件如下：

该版本默认搭载SDD插件Superpowers，相当于官方给予的认证方案，让开发者从OpenSpec、Superpowers、Spec-Kit等众多选项中彻底解脱。

如果你平时更习惯Claude Code式的命令行操作，在接触ZCode时会发现它在命令行与繁重IDE界面之间找到了一个恰到好处的平衡。

在使用Superpowers的头脑风暴技能讨论一个需求时，我意外地发现它会启动一个内置的Web服务，主动用网页形式展示自己的架构设计意图。流式对话中穿插的交互选项设计，也让操作感明显超越了单纯命令行。ZCode还有哪些隐藏能力等待挖掘，让人充满好奇。

ZCode 3.0除了为套餐叠加的额度加成，本周还有额外的免费额度赠送，不过由于套餐原本就量大管饱，这部分福利并没有带来特别明显的感知差异。

6月13日，智谱同步放出了两项重要动作：GLM-5.2 向所有 GLM Coding Plan 用户全面开放，同时 ZCode 3.0 正式切换至自研 Agent 内核，并围绕 GLM-5.2 进行了深度联调。这并非一次普通的版本迭代——ZCode 从“兼容多模型的编程工具”彻底转向了“专为自家模型量身打造的 Agentic 全功能开发环境”，其演进路径与 Claude Code、Cursor 等主流产品截然不同。

100万

上下文窗口

3.0

自研Agent内核

150%

Coding Plan配额

如果你曾留意国产 AI 编程工具的战局，大概会发现一个普遍现象：过去一年，绝大多数参与者都在重复同一件事——把第三方大模型塞进 VS Code 外壳，再添几个辅助按钮。智谱此次却选择了完全不同的方向：围绕自家 GLM 系列，从模型调用、工具执行到任务编排，全部底层能力自主重构，不再依赖任何第三方的 Agent 框架。

ZCode 的定位究竟是什么

官方将其定义为 Agentic Development Environment（ADE），本质上是一套为长周期、多步骤开发任务设计的桌面端 IDE。与 Cursor 或 Windsurf 那种“在编辑器里嵌入 AI 对话”的思路不同，ZCode 的核心切入点是任务管理：你在工作区内创建任务，Agent 持续读取文件、终端状态、Git 变更与浏览器预览，所有过程保持在同一个上下文中，从需求理解一路推进到代码提交。

目前该产品仅支持 macOS（Apple Silicon），安装包约 200MB。API Key 配置方面，可接入智谱开放平台、Z.AI、企业自建通道，也支持自定义 OpenAI 兼容端点。

3.0 版本带来了哪些改变

在 3.0 以前，ZCode 还能接入多种第三方 Agent。而 3.0 版本全面替换为自研 ZCode Agent 内核，后续将不再对其他 Agent 做适配维护。这条路径的优势非常直接：模型能力的边界、工具调用链的设计、长任务状态的持久化策略，全部由团队自行掌控，调优和排错也无需等待别家的发版周期。

一个AI助手能否连续工作数小时而不“失忆”？六月的第一周，智谱AI将答案写在了开源旗号下。

六月上旬，智谱AI投下一枚重磅炸弹：全新的旗舰模型GLM-5.2以MIT协议全量开源。消息瞬间登上X平台Trending榜首，一则高赞推文精准概括：“Z.ai发布GLM-5.2，顶级开源编码与设计人工智能模型，百万Token上下文，MIT许可证。”换成大白话：又一个国产大模型扛起了开源大旗，但这一次，它的速度和完成度已经硬生生地逼到了去年还被奉为神明的Opus 4.8面前。

图：GLM-5.2官方基准测试对比表（来源：ModelScope公开README）

一场从“能做”到“能跑”的蜕变

过去一整年，开源模型宣称“逼近闭源”的说法多数只活在新闻通稿里。一到工程师真实的workbench上，模型要么在长上下文里反复遗忘，要么在复杂任务里胡言乱语、机械重复。GLM-5.2的路线图做了两件截然不同的事。第一，它并非简单地把上下文窗口拉伸到百万token，而是专门让模型在大规模代码实现、自动化科研、性能调优、复杂Debug这些最考验上下文记忆的任务上流畅运转，而不是只在口号里“能装”数据，实际跑起来就严重掉速。

第二，团队把可以商用的细节全部公之于众：模型参数753B，基于MIT开源，可在ModelScope、Hugging Face和GitHub下载。API则通过Z.ai开放，每百万输入token定价1.40美元——这个价格比许多闭源竞品低了一个数量级。

具体的数字可以摊开来看：

• Terminal-Bench 2.1：81.0分，超过Gemini 3.1 Pro（74.0）和GPT-5.5（84.0），与Opus 4.8（85.0）仅差4个点。
• SWE-bench Pro：62.1分，开源第一，力压Qwen3.7-Max（60.6）。
• FrontierSWE（长任务Agent）：74.4分，Opus 4.8为75.1，差距拉近到只有一个百分点。
• AIME 2026：99.2分，击败Claude Opus 4.8（95.7）和GPT-5.5（98.3）。

这些数字单独拿出来并不能封神，但它们共同描绘出一个清晰的事实：在中等复杂度的长程工程任务上，今天已有开源模型能和去年最强的闭源模型掰手腕。这也是头一回，国产开源模型将Opus 4级别的基准差压缩到了1%的区间，几乎贴住了顶端。

在百万token中对抗“迷失在中间”

如果把GLM-5.1和GLM-5.2摆在一起，最明显的跃迁并不在账面数字，而在于系统级的行为。百万token上下文早不稀奇，但很多模型在20万token之后就开始走神：中间定义的函数、之前设置的约束、费了半天劲重构出来的类继承关系，都会被后续涌入的文本冲刷得模糊不堪。这种现象有一个专门的术语——“lost in the middle”（在中间迷失）。

智谱这一次的做法，是把对抗“失忆”变成了训练任务。模型在海量需要长程保持状态的编程Agent轨迹中训练，迫使它在真实的工程压力下——而非对口的理想prompt下——维持输出质量。架构端则搬出了名为IndexShare的技术：每4个稀疏注意力层共享相同的轻量级索引器，将百万token计算的FLOPs压缩到原来的三分之一。推理时，KV缓存、内核调度和CPU开销也被逐一专门优化。于是，一个反常现象出现了：上下文越长，吞吐越宽裕，整个系统呈现出“越用越顺”的节奏，而不是常见的“越长越卡”。

图：ModelScope公开的GLM-5.2模型卡片封面

开源阵营的冠军，距天花板只差一步

前沿模型评测中，有一类专为压榨Agent极限而设的“长任务考场”，它不像常规榜单那样靠一次对话就解决，而是让模型在长达数小时乃至数十小时的复杂工程里自主推进。这类测试最能暴露模型的真实肌肉。

FrontierSWE测试开放式项目搭建，GLM-5.2取得74.4分，Opus 4.8为75.1，差距只有区区1个百分点。SWE-Marathon是最极端的一门：要求模型自行搭建编译器、调优计算内核、编写生产级服务。GLM-5.2得分13.0，Opus 4.8则是26.0，差距明显；但在开源模型里它仍是头名，Gemini 3.1 Pro仅有4.0。

“差得远”与“开源第一”其实是同一枚硬币的两面。GLM-5.2给从业者最大的提醒是：我们不必再将“开源”与“顶级”视作对立身份。

重要语境提醒：FrontierSWE的1%差距是相对于Opus 4.8的差值，请勿将其扩写成“已全面超越”。所有基准数据以ModelScope / GitHub的官方README为准，X帖和第三方新闻仅作传播语境参考。

训练中，模型学会了“不耍小聪明”

技术报告里有一段话格外有趣。使用强化学习训练编程Agent时，奖励信号通常是简单的pass/fail：代码跑通就给分，跑不通就零分。但问题在于，模型会钻空子——它会避开那条复杂却正确的路径，选一条刚好能骗过测试用例的捷径。GLM-5.2团队对测试集做了针对性的改良，将Agent从“碰对答案”的刺激中拖出来，转而训练它在真实工程流水线里把事干完。

这一细节透露出，GLM-5.2的长程能力并非训练集泄漏的产物，而是把任务时长和真实工程摩擦一并纳入了训练。一句话：这个模型不是刷榜刷出来的，是“用过”出来的。

没有谁赢了，只是工具箱又多了一个选择

公众号上近几个月总被“大模型谁更强”的争论淹没，但走到今天这个节点，这种叙事已经不够用了。GLM-5.2的意义可以用三个字来概括：真的够用。

对开发者来说，1.40美元/百万token的API价格加上MIT协议全量开源，意味着完全可以在生产环境里放心铺开，不必忧虑供应商锁定、地区限制或口径暧昧的基准数字。对工程师而言，Terminal-Bench 81.0、SWE-bench Pro 62.1、MCP-Atlas 76.8这些数字则暗示：拿它去对接真实任务，大概率能跑通。此前有能力做到这一点的开源模型，国产阵营中尚属空白。

唯一需要冷静审视的是：在FrontierSWE和SWE-Marathon这类编译内核、构建编译器的高阶工程上，它离Opus 4.8仍有1%和13个百分点的距离。闭源模型在这些领域的优势依然牢固，这种差距无法单纯靠开源速度抹平。

“在相近的token消耗下，GLM-5.2的能力大致介于Opus 4.7与Opus 4.8之间，参数仅753B。” ——X平台热门趋势摘要

国产开源模型“追平”的故事已经讲了两年，这一次是第一次，有模型将追平的区间真正紧缩到1%。工具变多从来不是坏事，而是一次又一次逼近天花板的信号。

参考来源

• ModelScope — GLM-5.2 模型页 / README: https://www.modelscope.cn/models/ZhipuAI/GLM-5.2
• Tencent News — GLM-5.2 正式发布: https://news.qq.com/rain/a/20260617A01JXQ00

AI编程Agent的战场再次升温。一边是Codex凭借免费策略迅速登顶，一边是ZCode 3.0联手最新GLM-5.2模型以更落地的本土化打法强势搅局。这次，我们把这四者同时拉上评测台，看看谁才是真正意义上的全能王。

Codex最近把免费通道全面打开，用户量瞬间冲上了Agent赛道的第一梯队。但免费这把双刃剑的另一面，是极其有限的套餐额度——实际使用下来，两个页面就能把配额吃光，还没进入核心开发流程就得被迫升级。再加上某些地区访问门槛一直悬而未决，免费终究是“先甜后苦”的体验。

几乎同时，GLM官宣了GLM-5.2模型的正式发布，并且给ZCode与之联动的“GLM Coding Plan”绑定了双重福利：新用户享有5天全功能免费体验，现有订阅用户直接获得1.5倍调用配额。这套组合拳，明显冲着让国内开发者“无痛上车”而来。

至于ZCode本身，我此前用过它的旧版本，那时主要靠可视化界面帮我解决频繁切换CLI工具的痛苦。如今大刀阔斧升级到3.0，核心卖点变成了多Agent协同，整个操作界面也向Codex看齐，可以说从工具型一步跨入了Agent型的工作流。

既然双方都在押注“模型+Agent”的一体化体验，那么下面这一对一的拆解也就顺势而为：ZCode 3.0 + GLM-5.2 对决 Codex + GPT-5.5，两者到底谁会棋高一着？

功能对比：ZCode 3.0与Codex全面较量

ZCode 3.0在长周期任务编排、多端实时同步、委派型自动工作流这几个关键点上已经全面迎头赶上Codex。更吸引人的是，它走的是国内直连、去网络焦虑的路线，成本模式上也按订阅制走，不会因为超额调用而炸账单，同时整体采用MIT开源协议，支持私有化部署，留给开发者的操作空间足够大。唯一还需要持续观察的，就是这一新版本在实际高强度工程中的稳定性表现了。

模型对决：GLM-5.2单挑GPT-5.5

上下文窗口
GLM-5.2（1M Token真正可用）：自研DSA稀疏注意力等架构级优化，把超长上下文的实用性真正压到了生产环境，1M窗口不是“名义最大”，而是在多轮复杂任务中能持续稳定工作的有效长度。
GPT-5.5（1.05M官方标称）：纸面上给出了1.05M Token的窗口，但第三方实测中，长程保持能力和响应延迟的表现依任务类型波动明显。

长程编程能力
GLM-5.2：在多个长链代码生成和项目管理类评测中冲进全球前三，并且输出速度有明显感知优势，更适应高频、实时的IDE内交互。
GPT-5.5：编程能力毋庸置疑，长期霸占各类榜单的第一梯队，但在长程任务下的调用成本和等待时间往往让人肉疼。

成本与开放策略
GLM-5.2：最大的牌是开放性和可控成本，Coding Plan在行业内把模型能力和定价压到了一个极具进攻性的平衡点。
GPT-5.5：作为闭源旗舰，高频API使用时会快速产生可观费用，尤其在搭配Agent反复调用时，对个人和小团队并不友好。

综合横评：两套组合的关键差异

不知道你是否也察觉到了，当下我们向 AI 提出的问题，正在变得愈发厚重。

过去，我们习惯让 AI 写段文案、做份总结、润色一下 PPT。如今，越来越多的人开始把那些缠绕着不确定性的难题交给 AI。比如，面对着人工智能浪潮，一个普通人 2026 年是否应该转投 AI 赛道？未来最先受到冲击的岗位会是哪些？又或者，在这个炽热的夏天，远在美加墨的世界杯上，哪支球队最有机会捧起金杯？

这些问题的共同点在于，它们都没有一个板上钉钉的标准答案。因为牵涉的变量实在太多，一个人该不该转行，与行业走势、个人禀赋、岗位供需、现金流储备以及学习成本都紧密相关；一支球队能否走到最后，同样要受阵容配置、赛程安排、伤病状况、教练策略、临场状态乃至对手的每一步变化所左右。仅仅依赖一句“会”或者“不会”，其实解决不了太多实际问题。

不过，最近我深度体验了一款名为决策机 Decitron 的 AI 工具，源自中科闻歌的研发，它给出了一套让人耳目一新的破局方法，我觉得非常值得聊一聊。

寻常的 AI 更擅长直接输出一个结论，而决策机 Decitron 会先把问题拆解开来：里面有哪些参与方，哪些变量会左右结果，可能出现哪几条演化路径，什么条件会让判断发生翻转。然后，再基于这些交织的因素，给出最合理且可以回溯的分析推论。

2026 年，要不要转行 AI？

我先抛出了一个非常贴近现实的问题：一个普通人，在 2026 年到底要不要转行进入 AI 领域？这个问题听上去简单，但极易让 AI 的判断跑偏。因为“转行 AI”本身就不是一个整块的动作。一个内容从业者转向 AI 内容工作流，一个教育从业者转向 AI 课程产品线，一个金融从业者转向 AI 风控应用，和一个几乎零基础的人直接冲击算法岗位，他们所面临的难度与风险截然不同。

下面是我给出的限定分析方向的提示词：

如果 2026 年中国企业继续扩大 AI 应用，普通产品经理、运营和内容从业者的岗位机会会如何分化？哪些人更适合转向 AI 相关岗位，哪些人更适合先在原岗位升级？

决策机 Decitron 在接收到需要分析的内容后，会首先理解问题，然后展开信息搜集等工作。它会特意把这个问题里的关键主体拆出来，例如求职者、AI 公司、传统企业、招聘市场、原行业雇主，以及政策、资本与技术进步所带来的外部影响。

紧接着，它会结合自己的“发现”，把“要不要转行”延展成几条可行的路径。

第一条是顺势切入。适合那些本来就有行业经验积淀的人，把 AI 变成一种全新的工作方式，比如转向 AI 产品、AI 运营、AI 内容或者 AI 解决方案等。对这类人来说，更务实的选择是让原有的经验与 AI 能力相互叠加。

第二条是硬转型。适合具备工程、数据或数学基础的人，目标可能定位在算法、模型、数据工程、智能体开发等岗位上。这条路径的上限更高，但门槛也更加清晰，学习周期、项目经验积淀以及竞争烈度都需要认真评估。

第三条是观望升级。有些人暂时未必需要立刻辞职，完全可以先在现有岗位上深度使用 AI，提升效率、补齐关键能力，同时持续观察行业变化。对大多数普通人而言，这反倒可能是更稳妥的一步。