智谱8月底在国际数据挖掘与知识发现大会（KDD）上发布了新一代自主研发的新旗舰模型（GLM-4-Plus、GLM-4V-Plus、CogView-3-Plus），此次更新覆盖了语言理解、图像生成、视频理解等多个方面，并达到了国际第一梯队的水平。

本次发布较之前有以下更新：

作为智谱最新一代基座大模型GLM-4-Plus，通过多种方式构造出了海量高质量数据，并利用 PPO等多项技术，有效提升了模型推理、指令遵循等方面的表现，并能够更好地反映人类偏好。从benchmark上看，与 GPT-4o 等第一梯队模型差距很小。

既然，官方说的这么好，那咱们就一定要去尝尝鲜，这些模型在智谱的开放平台（ bigmodel.cn ）就能体验。

咱也不让它写文章，做数学题了，这些网上很多文章都有介绍，咱们就让它做一次程序员，试试它的编程能力，顺便体验一下sdk的易用性。

我给它出了一道很常见的面试算法题“字符串全排列”，它很干脆的给出了结果，经过笔者验证，回答正确，看起来这些曾被大家“wow”的能力，在当下已经成为了基本功。这里有一个小细节，笔者在提示词里增加了不用解释这样的描述，GLM-4-Plus没有啰嗦解释，这说明指令遵从能力还可以，这一点对于LLM应用开发很重要。

from zhipuai import ZhipuAIclient = ZhipuAI(api_key="...")def ai_programmer(task):prompt = f"作为一个经验丰富的程序员，请帮我完成以下任务：{task},仅返回代码，不用解释"response = client.chat.completions.create(model="glm-4-plus",messages=[{"role": "user","content": prompt}],)return response.choices[0].messagetask = "写一个Python函数，实现字符串abc的全排列"result = ai_programmer(task)print(result.content)# ```python# def permute_abc(s):#if len(s) == 1:#return [s]#permutations = []#for i, char in enumerate(s):#remaining = s[:i] + s[i+1:]#for p in permute_abc(remaining):#permutations.append(char + p)#return permutations# def all_permutations_abc():#return permute_abc('abc')# ```

当然，这个难度不大，很多模型都能做到，那我们调高难度，我拿了前两天ChatGPT及Cursor逆向工程压缩特效js的代码测试了GLM-4-Plus（延伸阅读：用ChatGPT逆向工程压缩后的Js代码，表现惊艳）。

glm-4-plus理解了代码，并给出了详细的解释。

接着，我让它对原代码进行了重构，使其变得更易读。

就从代码风格，变量、方法命名看，glm-4-plus表现的比chatGPT还要好，能够准确的起名和注释。但最后评价好不好，还得实测，笔者照例把它放到了v0chat上，按照同样的方式，让它调用glm-4-plus生成的组件，看看能不能还原预期的效果。

令人欣喜的是，超乎我的预期的是它一次性的就运行了起来，笔者同时还测试了一些国产模型，他们很遗憾并没能运行起来，也就无法对比实现的效果。看过之前文章的读者应该能发现，从实现的还原度来看，glm-4-plus与gpt-4o模型和claude-3.5-sonanet性能还有一些差距。这也反映当下一个事实，国内大模型这一年进步明显，但尚存差距，我们还得继续追赶。

总结

AI的世界每天都在变化，而智谱BigModel的发布，无疑是给了我们中国开发者一个大大的惊喜。无论是想做聊天机器人、图像处理还是视频分析，只要有创意，都可以尝试使用它们实现想法，而不用遗憾用不上领先模型的遗憾，这也能进一步激发LLM应用生态的繁荣。

本文转载自​​，作者：