夜雨聆风最近一个多月，我在追踪一家公司的资本动态。
具体哪家不重要，重要的是过程：这家公司卷入了一系列争议——创始人被禁言、地方国资排查、Pre-IPO融资疑似停滞、A股壳公司连续跌停。信息散落在十几家媒体的报道里，每天还有新进展。
我需要做的工作是：每天搜集新信息、更新时间线、分析因果链、写出系列分析文章。
工具是两个模型并行：GLM-5.2和DeepSeek V4 Pro。同样的信息丢进去，同样的任务各跑一遍。
36天下来，我知道了它们各自的边界在哪。
先说"像人"这件事
在讲36天追踪之前，先聊一个更大的问题：什么叫AI的"人味"。
打开Claude的App Store评论区，有一类评价反复出现--"人味太重了"。
"感觉不像在跟AI说话，像在跟一个有想法的人聊天。"
"GPT给答案，Claude给观点。"
一位台湾用户用了18个月Claude，他说GPT写中文有"翻译腔"，Claude写出来"基本上不用大幅重写"。但他最看重的不是这个。他说GPT容易给"面面俱到的答案"，看起来都对，但深度不够。Claude比较愿意"真的去想"。
夸的不是聪明。聪明是标配。夸的是"像人"。
这种"像人"不是语气词堆出来的。Anthropic有一个团队叫"人格对齐团队"（personality alignment team），由哲学家Amanda Askell领导。他们的工作不是让Claude"更聪明"，而是让Claude"更像一个值得信任的对话对象"。
2026年初，Anthropic公开招聘哲学家。薪资范围$150,000到$400,000。MIT科技评论报道过这件事，说AI公司正在积极招募哲学家和社会科学家，薪资甚至超过很多大学教授的终身教职。
Claude还有一部"宪法"。长约两万三千字，CC0协议开源。里面定义了Claude应遵循的价值观、行为准则和思考方式。不是营销物料，是一份正在执行的技术文档。任何人都可以去读。
一整个团队，几年时间，招哲学家，写宪法。就为了让用户在对话里感受到那个"人味"。
国产模型里有没有人在做类似的事？有。但路径不同。
智谱在GLM-4.7开始引入"交错思考"机制（Interleaved Thinking）。在生成回复之前，模型会先进行一段内部推理--不是直接输出，是先"想一下"。这句话有没有风险？这个结论有没有依据？该不该提醒？
量子位报道过智谱团队的原话："为了让模型更像人，团队从大量小说和剧本中汲取养分。"以前的GLM是个有些死板的理科生，4.7版本之后完成了一次"情商逆袭"。创意写作时不再只会说"在一个阳光明媚的下午"。角色扮演中能更好地维持人设，减少出戏频率。
Anthropic的路径是"自上而下"--先定义价值观（宪法），再招募哲学家（对齐团队），最后在模型层面落地。智谱的路径更"自下而上"--从训练数据（小说和剧本）入手，在后训练阶段用SFT和RL精细调优，让模型在行为层面表现得更像人。
两条路都不是捷径。Anthropic写了两万三千字宪法，智谱从4.7迭代到5.2才让人觉得"情商逆袭"。但方向是一致的--"像人"不是一个功能，是一个系统工程。
理解了这个背景，再看下面36天的实测，你会更清楚GLM-5.2的"人味"从哪来。
它会提醒你之前踩过的坑
36天里让我印象最深的，不是GLM-5.2的推理能力，不是它的中文语感，而是它做了一件最不像机器人的事。
追踪过程中，我们写过一组文章，结果被这家公司法务投诉，5篇文章被下架。这件事过去了将近一个月。
后来有一天我在写新文章，GLM-5.2主动提醒我：注意措辞，之前有5篇被投诉下架，原因是"侵犯名誉/商誉"，建议避免使用某些表述。
我没有问它这件事。它自己关联出来的。
你有没有过这种体验--一个工具用着用着，突然觉得它"认识"你了？不是客服那种"亲，还有什么可以帮您"。是真的知道你上次在哪里摔了一跤，这次在同一个路口拉你一把。
同样的框架、同样的历史上下文，DeepSeek从来不主动提。你不说，它就不提。你当前指令是什么，它就做什么。
GLM-5.2的模式不一样。它在处理当前任务的时候，会主动把历史上下文里相关的风险信息调出来。像一个真人同事会说"诶你小心，上次这个坑踩过"。
技术上能解释。GLM-5.2支持100万token的上下文窗口，大概75万字。之前聊过的背景、约束、踩过的坑，它后面能接住。不是每次对话从零开始。它"记得"我被投诉了5次。
所以当它在新稿子里提醒我"这个措辞可能存在被投诉风险"的时候，它不是在执行一个"检查法律风险"的指令。是它在足够的上下文里，识别出了和我之前被投诉内容相似的模式，然后主动提醒。
我不确定这个能力在benchmark里叫什么。但在日常使用中，这就是"像不像一个真实同事"的分水岭。一个会主动提醒你风险的工具，和一个只回答你当前问题的工具，长期用下来体验差距巨大。
信息整理：GLM分得清"事实"和"推测"
每天的工作起点是把当天搜到的新闻、公告、社交媒体信息丢给模型，让它整理成结构化的时间线条目。
这是看起来最简单的任务，但最能暴露问题。
DeepSeek V4 Pro做这件事的时候，有个反复出现的毛病：它会混入自己的训练数据。比如我让它整理"该公司创始人6月5日被微博禁言"这条信息，它在时间线里写的是"创始人因违反相关法律法规被禁言"。
看起来差不多？但原文只说了"被禁言"，原因写的是"违反相关法律法规"——这是微博官方公告里的措辞。DeepSeek把它内化成了自己的判断，语气从"微博官方公告称"变成了陈述句。
GLM-5.2写的是："微博社区观察员账号公告称，该账号因被投诉'喊话'企业、发布拉踩内容，违反清朗专项行动要求，被多平台联合禁言。"
区别在哪？GLM保留了信息来源（微博官方公告），区分了"谁说的"和"事实是什么"。DeepSeek把来源抹掉了，变成了模型自己的陈述。
这个差异在商业分析里是致命的。你的读者需要知道"这个判断的依据是什么"，如果你的模型把来源吞掉了，读者就没法判断信息的可信度。
36天里，GLM-5.2整理的时间线，每条都带来源标注。DeepSeek大约有15%的条目会丢失来源或混入自己的知识。
因果链分析：GLM会推理，DeepSeek会罗列
追踪到第二周的时候，出了一个关键事件：国务院办公厅在6月5日发布了一份关于私募投资基金监管的指导意见。
同一天，该公司创始人被禁言、地方发改委开始排查、壳公司跌停。
四件事同一天发生，是巧合还是因果？
我让两个模型各自分析。
DeepSeek的分析是：列出了四个事件，分别解释每个事件的意义，然后说"四件事同日发生可能存在关联"。
对不对？对。有用吗？不太有用。它说了"可能有关联"，但没说关联是什么。
GLM-5.2的分析是：国务院文件5日发布，但政策文件内部流转通常提前数周——省级政府接到任务后制定执行方案——省发改委发通知——各地市执行排查。常州的排查通知和文件同日出现，说明排查是文件驱动的，不是孤立事件。禁言和排查同日发生，可能是统一部署的信号。
它还指出：从"市级部署"升级到"省级部署"的信号比排查本身更重要，因为这意味着层级上升。
这个分析的区别在哪？DeepSeek在做"并列陈述"——A发生了，B发生了，C发生了，可能有关。GLM在做"因果推理"——A导致B，B导致C，层级变化意味着什么。
做商业分析的人都知道，"列出事实"和"推理因果"是两个完全不同的能力。前者是整理，后者是分析。GLM在分析这个维度上明显更强。
还有一个案例。后来有内部人士提供了十八组聊天截图，信息非常碎片化。我需要从中推断这家公司的真实权力结构。
GLM-5.2做了什么：它把十八组截图里的关键信息提取出来，交叉比对，然后画了一个推断链条——技术来自供应商A，资金来自地方国资B，资本运作策略来自投资人C，创始人D是执行者而非决策者。每个推断都标注了依据来自哪组截图。
DeepSeek做同样的事，它的推断链条在第三组截图之后就开始断裂——它倾向于用已有信息"补全"逻辑缺口，而不是承认"这部分信息不足，暂不推断"。
这是GLM最让我意外的地方：它知道什么时候该说"信息不足，暂不判断"。
后来查了数据印证这个体感。AA-Omniscience基准测试，GLM-5.2幻觉率28%，GPT-5.5是86%。GPT-5.5的幻觉率是GLM的3倍。在信息不足时坦诚说"不确定"而非编造答案，这个能力在商业分析里值多少钱？不好量化，但至少值一次"没被打脸"。
写作表达：中文语感的差距是真实的
36天追踪的产出是系列文章。同样的分析结论，我让两个模型各写一版开头。
DeepSeek写的："近日，该公司创始人被多个平台禁言，引发市场广泛关注。与此同时，多地地方政府开始排查与该公司的合作情况。这一系列事件揭示了……"
你读完知道发生了什么，但没有任何想读下去的冲动。像新闻通稿。
GLM-5.2写的："六月五日那天发生了四件事。上午，创始人微博被禁言。下午，有媒体确认某市发改委开始排查辖区企业与该公司的合作。同一天，国务院办公厅发布了一份私募基金监管的指导意见。晚上，他正式入主的A股公司开盘涨7%，午后闪崩，收盘跌停。四件事同一天发生，说巧合有点牵强。"
有节奏，有悬念，有判断。不是在"报道"，是在"讲"。
这种语感差异在短文本里不明显，在长文本里非常明显。写3000字的分析文章，DeepSeek写到后半段开始重复前半段的句式和结构。GLM-5.2能保持全篇节奏一致，该快的地方快，该慢的地方慢。
说实话，这个能力我也没找到对应的benchmark。但你让做内容的人来选，一读就知道差距。
逻辑推理：它知道自己什么时候该修正
追踪过程中最烧脑的一件事：判断该公司A股壳公司的质押爆仓风险。
最初的信息是：创始人质押了2.47亿股，质押比例50%。按常规质押率50%反推，平仓线大约在13元附近。股价跌到12.89元那天，我判断"已触发平仓线"。
后来拿到了更完整的数据：实际质押贷款金额11.41亿，质押日市值41.5亿，质押率只有27.5%。按这个比例反推，平仓线在6-7元。之前的判断是错的。
GLM-5.2在这个修正过程中的表现让我印象深刻。我告诉它"质押率不是50%是27.5%"，它的反应是：
1. 承认之前判断有误，明确指出错误原因（基于50%质押率的常规假设，未核实实际质押率）
2. 重新计算平仓线（6-7元）
3. 更新风险评级（从"触发"降到"安全"）
4. 检查这个修正是否影响其他判断（结论：平仓风险降级，但资金链断裂风险上升为首要风险）
整个修正链条清晰、完整，没有"假装之前没说过"的含糊。
DeepSeek在同样的修正任务中，它接受了新数据，更新了平仓线，但没有主动检查"这个修正是否影响其他结论"。它做的是单点修正，GLM做的是链式修正。
这就是"推理"和"应答"的区别。推理是知道一个数据变化会牵动哪些结论，应答是你给什么我改什么。
DeepSeek赢在哪
不是一边倒。
技术理解。 追踪涉及一些技术细节——MoE架构、芯片制程、电机技术路线——DeepSeek的技术背景知识比GLM扎实。分析技术型公司的时候，DeepSeek对底层技术的理解更深。
速度。 非高峰期，DeepSeek响应更快。GLM-5.2每天14:00-18:00高峰期明显变慢。
成本。 DeepSeek V4 Flash的价格比GLM-5.2还低。成本极度敏感的场景，DeepSeek仍然是首选。
但如果你的核心工作是处理文本信息——整理、分析、推理、写作——GLM-5.2的综合体验更好。
GLM-5.2的短板
没有原生多模态。 纯文本模型。看图片要调视觉MCP。追踪过程中涉及到看K线图、股权结构图，GLM-5.2在这块不太靠谱——视觉模型识别了内容，它有时候选择不信任然后自己编一个。跟GPT和Claude的原生多模态有差距。
高峰期慢。 14:00-18:00响应速度明显下降。追突发新闻的时候，等响应的几十秒挺折磨人。
最难的推理不如Claude。 跨多个矛盾信息源做因果链推导，Claude Opus 4.8还领先。如果你的分析依赖这种级别的推理，别全切。
写在最后
这篇文章不是为了拉踩谁。
DeepSeek和GLM都是国产大模型里的尖子生，各自有各自的强项。我写这篇，只是因为用了36天之后，真切感受到了一件事：国产模型在某些场景下，已经可以担主力了。这件事值得被说出来。
过去两年，做商业分析的人习惯了用GPT和Claude。贵，但没得选。国产模型试过几轮，每次都是"看起来行，用起来崩"。
这次不一样了。不是说GLM-5.2完美——它没有多模态、高峰期慢、最难的推理还差一截。但在信息整理、因果分析、中文写作、上下文关联这几个维度上，它确实到了"可以每天用"的程度。而且成本是GPT的十分之一。
这个信号比某个benchmark刷到第一更重要。benchmark是跑分，每天用是体感。跑分可以优化，体感骗不了人。
说实话，作为一个每天跟信息打交道的人，看到国产模型走到这一步，是有些感慨的。两年前我们还在讨论"国产模型跟GPT差多远"，现在讨论的是"哪些场景GLM比GPT更合适"。这个转变，是无数工程师和研究员用真金白银烧出来的。
希望国产大模型在国际舞台上打出一片天地。这不是场面话——当国产模型真正能打的时候，受益的不只是模型厂商，是每一个用AI做事的人。因为竞争意味着降价、意味着迭代、意味着你有更多选择。
我们立志于探索AI浪潮下更健康、更良性的发展思路。希望通过AI技术，给更多企业做实实在在的赋能——不是卖你一个概念，是帮你解决一个问题。也希望通过我们的测试和推广，让更多人用上更好用、更有生产力的AI工具。
如果你也在找合适的AI工具，或者想聊聊你的场景到底该用哪个模型，戳公众号后台「商务合作」，找我们的AI工程师 chopin_yeah。
不卖焦虑，不堆概念。你说你的需求，我给你一个不会翻车的方案。毕竟踩过的坑够多了，帮你绕开几个还是没问题的。
关注「一周商业故事」，持续追踪AI前沿与商业落地
