Together AI 基准对比：同预算下 GLM-5.3 解题数为 Fable 5 五倍

AI 推理与算力服务商 Together AI 近日在 X 平台发布了一组对比数据：在 DeepSWE 智能体软件工程基准测试中，给予 GLM-5.3 与 Fable 5 相同的 100 美元预算，GLM-5.3 完成的任务数量约为 Fable 5 的 5 倍以上。这一数据点凸显了在大模型智能体（agent）场景下，单位预算能解决的问题数量是衡量模型实用性的重要维度。

核心数据：同预算、不同产出

Together AI 在推文中披露的关键数字如下：

• 预算：两个模型各分配 100 美元。
• DeepSWE 任务完成数：GLM-5.3 约完成 17 个任务，Fable 5 仅完成约 3 个任务。
• 效率差距：GLM-5.3 完成的任务量超过 Fable 5 的 5 倍。
• 单次表现：推文特别指出，两者在「第一次尝试」中的表现「几乎相同」，但 GLM-5.3 在多轮或长时任务中展现出了更高的成本效率。

换言之，若仅看单次成功率，两者差距有限；但引入预算约束与多轮迭代后，GLM-5.3 的工程化能力明显领先。

背景：DeepSWE 基准

DeepSWE 是一类聚焦于软件工程任务的智能体评测基准，用于评估模型在多轮交互、工具调用、代码修改与验证等场景下的综合表现。它和 SWE-bench 系列同属「代理式编码」（agentic coding）评测范畴，近年来已成为衡量大模型在真实开发任务中实用价值的重要参照。本次推文强调「同预算解题数」，对应的是智能体框架下 token 调用、工具成本与任务完成率共同决定的经济性指标。

意义与局限

这一对比对正在选型智能体开发平台的团队有一定参考价值：即便两个模型首轮表现接近，单位预算能解决的问题数仍可能拉开数量级差距，从而直接影响生产环境中的部署成本。

不过需要注意以下几点：

• 数据来源单一：目前结果仅由 Together AI 在其 X 账号披露，尚未见到第三方独立复现。
• 「GLM-5.3」与「Fable 5」的具体版本、上下文窗口及工具配置未在推文中给出，读者难以直接对比参数。
• DeepSWE 只是众多智能体基准之一，结果未必可外推到其他编码或通用任务。
• Together AI 本身提供算力与推理服务，存在一定商业推广动机。

需要更全面的判断，建议结合模型官方发布说明、第三方评测社区（如 Hugging Face、SWE-bench 排行榜）以及自有业务场景的复测结果综合评估。