GLM-5.3和Kimi K3该怎么选？

这周新模型出得太猛了，一天出来好几个，我连挨个点开试一下的时间都不够，脑子确实有点转不动了。

这次 GLM-5.3 出来，最值得看的其实是它和 Kimi K3 放在一起比。

这两个模型个头差很多：

GLM-5.3 的“底子”大概是 7430 亿的参数，但实际干活时只调用其中 400 亿左右。Kimi K3 总共有 2.8 万亿的参数，实际调用 1040 亿。

换句话说，Kimi K3 的“总储备”差不多是 GLM-5.3 的四倍，照理说应该碾压才对。但神奇的是，在写代码和当智能助手这类任务上，两个模型打成了平手。

具体来看官方给出的几个测试成绩：

第一个测试（模拟命令行操作），GLM-5.3 是 28.3 分，Kimi K3 是 17.4 分
第二个测试（长周期编程项目），GLM-5.3 是 66.9 分，Kimi K3 是 67.5 分，略高一点点
第三个测试（自动化流程任务），GLM-5.3 是 48.2 分，Kimi K3 是 46.7 分

GLM-5.3 在操作命令和自动化这块更厉害，Kimi K3 在需要长时间跑的大型编程任务上还稍微占点优势。

另外还有个很明显的变化，就是网络安全这块。

在网络安全相关的测试里，GLM-5.3 拿了 84.5 分，Kimi K3 是 80.0 分；另一个更硬核的安全测试里，GLM-5.3 直接 54.4 比 32.2，领先了一大截。所以 Z.ai 这次直接把“网络安全防御”写进了 GLM-5.3 的定位里，不是没道理的。

最后一点值得说的是，GLM-5.3 这次没有换更大的“底子”。

官方的意思就是，这次主要是在原来的基础上把训练做得更精细、更深入。对比上一个版本，命令行测试从 4.6 分直接涨到 28.3 分，编程项目测试从 46.2 涨到 66.9，进步非常明显。

Kimi K3 走的是“堆料”路线——用更大的模型、更新的结构、加上原生多模态能力来往上冲；GLM-5.3 走的是“挖潜”路线——在现有的底子上把专项能力打磨到极致。

这两条路哪个更好，比单纯看谁分数高几分有意思多了。