六月的 AI 圈，註定不平靜。
一邊是 OpenAI 低調上線的 GPT-5.6，在 ChatGPT Pro 後台悄然現身，沒有盛大發布會，卻憑藉 150 萬 token 上下文、3D 生成與瀏覽器自動化能力，在開發者圈引發騷動。
另一邊是智譜 AI 發布的 GLM-5.2，以 MIT 開源協議全開放，號稱在 SWE-bench Pro 程式能力測試中超越 GPT-5.5，讓「開源趕超閉源」的討論再次升溫。
兩款模型，兩條路徑，同一個六月。這不僅是技術參數的較勁，更是兩種商業模式的正面交鋒。
GPT-5.6 偷跑上線：從語言模型到可執行 Agent 的躍進
GPT-5.6 的現身方式很低調。多位 ChatGPT Pro 用戶在後台發現了這個未命名的新模型，經過社群驗證，確認就是傳聞中的 GPT-5.6。
這次升級的重點，已經不再是「聊得更像人」，而是「做得更多事」。
從洩露的測試反饋來看，GPT-5.6 具備三項關鍵能力：視覺複刻、SVG 3D 對象生成、以及 Playwright 瀏覽器自動化。簡單來說，它不再只是一個給建議的對話框，而是一個能真的動起來的執行者。
想像一下：你給它一張設計稿，它能直接還原成可執行的網頁程式；你描述一個 3D 模型，它能生成可以在瀏覽器裡旋轉縮放的 SVG 物件；你告訴它「去幫我訂一張下週去東京的機票」，它能自動打開瀏覽器、點擊、輸入、完成整個流程。
這背後是 OpenAI 的戰略轉向——從「語言模型」邁向「可執行 Agent」。奧特曼要的不是一個更會聊天的機器人，而是一個能接管你所有數位生存空間的超級智能體。
上下文窗口也擴展到了 150 萬 token，相比 GPT-5.5 的 105 萬提升了 43%。這意味著你可以一次性丟給它一整個程式碼庫、一本書、甚至一個專案的全部文件，它都能完整理解並處理。
但閉源模型的問題也很明顯：你永遠不知道它的能力邊界在哪裡，所有升級都由廠商決定，價格也是他們說了算。
GLM-5.2 開源登場：MIT 協議帶來的商業自由度
幾乎在同一時間，智譜 AI 扔出了另一顆炸彈——GLM-5.2 正式發布並開源。
這不是那種「開源但跑不動」的噱頭。模型權重、推理程式碼、部署文件全數擺在 GitHub 和 Hugging Face 上，而且採用最寬鬆的 MIT 許可證。
MIT 協議意味著什麼？簡單來說：你可以免費商用、可以修改、可以閉源衍生，幾乎沒有任何限制，只要在副本中保留原始版權聲明即可。
對於企業來說，這是一張商業應用的黃金通行證。不用擔心授權費用，不用害怕法律風險，拿過來就能用，甚至可以包裝成自己的產品賣。
GLM-5.2 的參數也很有看點：744B 總參數的 MoE 架構，100 萬 token 上下文窗口，最大輸出 128K token。特別是在長程任務和程式生成方面，表現相當突出。
更有意思的是，發布當天，GLM-5.2 就完成了與華為昇騰、平頭哥、摩爾線程、寒武紀等多個國產算力平台的適配。這意味著，不論你用的是什麼硬體，基本上都能跑起來。
開源帶來的不只是免費，更是可控。你可以把模型部署在自己的伺服器上，數據不用出域，不用擔心外洩；你可以根據業務需求微調模型，打造專屬版本；你甚至可以參與社區開發，一起推動模型進化。
但開源模型也有它的問題：部署門檻高、需要專業團隊維護、更新速度通常比閉源慢。對於中小團隊來說，「免費」的代價可能是更高的維護成本。
程式能力對決：SWE-bench 數據背後的真實差距
說了這麼多，兩款模型的真實能力到底誰強誰弱？
我們來看最有說服力的指標——SWE-bench Pro 程式能力測試。這是一個專門用來評估 AI 解決真實軟體工程問題的基準測試，難度很高，能真實反映模型的程式能力。
根據 Artificial Analysis Intelligence Index v4.1 的測評數據，GLM-5.2 以 62.1% 的成績超越了 GPT-5.5 的 58.6%。這個數字很有意思——開源模型在特定任務上，已經開始超越閉源模型了。
但先別急著下結論。
首先，GPT-5.6 剛剛上線，還沒有正式的 SWE-bench 成績。從洩露的測試反饋來看，它的程式推理能力應該比 GPT-5.5 有明顯提升，最終成績很可能會再次拉開差距。
其次，基準測試成績不等於實際體驗。SWE-bench 測的是「解決特定類型問題的能力」，但真實開發場景要複雜得多——理解業務邏輯、與團隊協作、處理遺留程式碼、除錯優化，這些都不是一個分數能完全涵蓋的。
再說，GLM-5.2 的 62.1% 是在特定配置下跑出來的成績。實際使用中，你能不能發揮出它的全部實力，還要看你的硬體配置、提示詞品質、以及使用場景。
比較公允的說法是：在純程式生成這個維度上，開源模型已經追到了閉源模型的腳後跟，差距正在快速縮小。但在綜合能力、多模態體驗、生態整合這些方面，閉源模型依然有明顯優勢。
開發者實戰建議：不同場景下的模型選擇策略
講了這麼多技術細節，對普通開發者來說，最實際的問題永遠是：我該選哪一個？
答案很簡單：看場景。
如果你是個人開發者或小團隊，做的是通用型應用，比如聊天機器人、內容生成、客服系統，那閉源模型依然是性價比最高的選擇。不用管部署、不用管維護、不用管升級，付費就能用，把精力專注在業務邏輯上。GPT-5.6 這類模型的綜合體驗，目前還是開源難以比擬的。
如果你是中大型企業，對數據隱私有嚴格要求，或者需要深度定製模型能力，那開源模型值得認真考慮。GLM-5.2 這種 MIT 協議的模型，可以直接部署在內部環境，數據完全可控，還能根據業務場景微調。長期來看，成本可能比大量調用閉源 API 更低。
如果你做的是邊緣設備、離線應用，或者對延遲有極高要求，那開源幾乎是唯一選擇。你可以把模型量化、壓縮，部署到各種設備上，不用依賴網路連接。
當然，最理想的方案往往是「混合策略」——核心敏感業務用開源模型自建，通用場景用閉源 API 補位。這樣既能保證數據安全，又能享受閉源模型的先進能力。
有一點很重要：不要陷入「參數崇拜」。模型大不大、分數高不高，跟你能不能用好它，是兩回事。提示詞工程、工作流設計、業務理解，這些「軟實力」往往比模型本身更影響最終效果。
六月的這場交鋒，只是一個開始。
閉源模型在加速進化，從「聊天」走向「做事」；開源模型在快速追趕，從「能用」走向「好用」。兩條路徑彼此競爭、互相啟發，最終受益的，是每一個開發者和使用者。
不用急著選邊站。保持開放的心態，了解各自的優勢和限制，根據實際需求做出選擇，才是這個 AI 時代最理性的姿態。
畢竟，工具從來不是目的，解決問題才是。
留言