一个320亿参数的“全能生”和一个2840亿参数的“偏科生”，在同一个Agent框架下干活，结果跟你想象的不一样！
2026年8月，AI圈发生了两件大事。先是7月31日，DeepSeek把V4 Flash正式版推上线，一个总参数2840亿、激活才130亿的“小个子”，在Agent基准测试上跑出了让人看不懂的分数。不到一个月，8月26日，智谱把匿名跑了很久的“Ox-Alpha”揭了盖头，正式命名GLM-5.3 Flash，320亿总参数、激活18亿，MIT协议开源，Artificial Analysis Intelligence Index直接拿下57分，和Claude Opus 4.8平起平坐。
两个模型，前后脚发布，都冲着“便宜大碗能干活”来的，都号称要在Agent场景里大干一场。但你真把它们塞进Hermes Agent里跑一跑，事情就没那么美好了。
GLM 5.3 Flash：纸面数据炸裂，落地就开始翻车
先说说GLM 5.3 Flash的硬指标。320亿总参数、18亿激活参数，采用稀疏注意力加线性注意力的混合架构，光这一条就是开源前沿模型里的头一份。跟自家大哥GLM 5.3比，注意力计算量降了3倍，KV缓存降了4.4倍。在Terminal-Bench 2.1上拿了84.3分，压了DeepSeek V4 Flash的82.7分一头。AA综合智能指数57分，跟Claude Opus 4.8持平，比DeepSeek V4 Pro的53分和V4 Flash的52分都高。
价格更是离谱。限时五折的时候，输入每百万Token七分五美元，输出两毛五。就算恢复原价，输入一毛五、输出五毛，还是比DeepSeek V4 Flash最便宜的时候低。智谱自己说的——同样智力，四十分之一价格。
听着是不是觉得GLM赢定了？
但真把它塞进Hermes Agent里干活，画风就变了。
有用户反映，GLM 5.3 Flash在Hermes里连工具调用都磕磕绊绊，得自己打补丁才能跑顺。更麻烦的是，它对Agents.md文件的态度特别随意——你写的是“必须遵守的协议”，它当“仅供参考的建议”。一个Agent框架的核心就是让模型按规矩办事，模型把规矩当耳旁风，这活还怎么干？
还有人试过在Hermes里给GLM 5.3 Flash强调“你是多模态模型，能看图”，结果它照样回复“截图我暂时看不了”。原生多模态的招牌，到了实际场景里自己先不认账。
甚至有人在Codex里用GLM 5.3 Flash改一个H5页面文本框的复制按钮，空转了30分钟烧掉2000万Token。
纸面数据再漂亮，落地全是坑。这就怪了！
DeepSeek V4 Flash：参数少一半，干活稳一半
再看DeepSeek V4 Flash。总参数2840亿，激活130亿，MoE架构，支持100万Token上下文。7月31日上线的正式版，官方说得很实在——“模型结构、尺寸和预览版保持一致，仅重新进行了后训练”。
就靠这一手“重新后训练”，V4 Flash在Terminal Bench 2.1上从61.8分飙到82.7分。DeepSWE从7.3分冲到54.4分，涨了六倍多。在AIME 2026数学测试上拿到95.83%，跟V4 Pro的96.67%在统计上没有显著差异，成本却只有后者的九分之一。
价格方面，输入缓存命中每百万Token两毛，未命中一块，输出两块。比GLM贵一点，但在Agent场景里，这点差价换来的是一套能直接跑的系统。
开发者张泽把DeepSeek V4 Flash接入Hermes做实测：同样任务，V4 Flash加Hermes用了40秒，GPT-5.6 Sol加Codex用了一分47秒。V4 Flash在选择和调用skill的准确度上“总体上还不错，可以根据工具返回结果调整后续步骤”。
更关键的是，Hermes社区把DeepSeek V4 Flash列为推荐默认模型。一个开源Agent框架把哪个模型当默认，说明这个模型在真实场景里经得起折腾。
事情没那么简单！
跑分赢了，干活输了——问题出在哪？
GLM 5.3 Flash和DeepSeek V4 Flash的对比，暴露了一个被很多人忽略的问题：模型评测和实际干活，是两码事。
AA综合智能指数57分 vs 52分，Terminal-Bench 84.3 vs 82.7——这些数字让GLM在纸面上看起来是“更强的那个”。但一个模型在标准化测试里拿高分，不代表它在真实Agent工作流里能稳定输出。
Hermes Agent的工作逻辑是这样的：你给它一个任务，它调用模型，模型需要理解任务、拆解步骤、调用工具、根据反馈调整、最终交付结果。这个链条里每一步都在考验模型的实际工程能力，而不是在选择题里选对答案。
GLM 5.3 Flash的问题恰恰出在这里。它把Agents.md当建议而不是命令，说明它在指令遵循上不够“死板”。在Agent场景里，“死板”恰恰是美德——你让模型按规矩来，它就必须按规矩来，不能有自己的“想法”。工具调用需要打补丁才能跑，说明它的function calling在真实API环境下还不够健壮。多模态能力自己先不认，说明它的视觉能力在特定框架里还没打通。
DeepSeek V4 Flash为什么更稳？因为它从一开始就是冲着Agent场景去的。DeepSeek官方在7月31日的更新里特别提到，Agent能力“大幅增强”。他们甚至组建了专门的Agent Harness团队，挂帅的是在Jane Street干了九年的崔添翼。这不是在做一个通用模型顺便支持Agent，而是在做一个Agent模型。
这就好比两个人考试。一个模拟考每次都高分，但上了考场就紧张；另一个模拟考分数一般，但每次实战都稳。你要招人干活，选哪个？
Hermes Agent的“模型选择题”为什么这么难？
Hermes Agent本身是个很有意思的项目。Nous Research开发的，MIT协议开源，2026年2月上线后迅速拿到超过14万Star。它的核心卖点是“自进化”——能从任务里自动提炼技能、持久记忆用户偏好、跨会话精准回忆。在一台5美元的VPS上就能跑。
但它面临一个根本问题：再好的Agent框架，也得靠模型来干活。而模型的选择，远比想象中复杂。
GLM 5.3 Flash在8月27日就被Hermes Agent v0.20.6正式收录进模型选择器。但收录归收录，能不能好好干活是另一回事。有用户在Hermes的GitHub Issue里报告，GLM 5.3的请求在关闭思考模式时会失败。而Hermes在处理GLM 4.5以上的模型时，如果用户把推理关掉，系统仍然会发送disabled参数。这是一个典型的“框架和模型没对齐”的问题——模型有自己的脾气，框架按自己的习惯来，两边一碰就出bug。
DeepSeek V4 Flash也有自己的问题。有用户报告它在思考模式下会陷入无限推理循环。那些夸DS4 Flash在长代码任务上表现好的用户，往往都说自己把推理模式关掉了。这说明DeepSeek的思考模式在某些场景下还不够成熟，你得摸清楚它的脾气才能用好。
但区别在于，DeepSeek V4 Flash的这些问题是可以绕过去的——关掉思考模式就行。而GLM 5.3 Flash的问题是根本性的——它不把规矩当规矩，这种“性格”问题，靠调参数解决不了。
便宜不是一切，能干活才是
GLM 5.3 Flash的价格确实诱人。四十分之一的价格拿到跟Claude Opus 4.8同级的分数，谁看了不心动？但价格便宜的前提是“同样智力”——如果这个智力在特定场景里发挥不出来，再便宜也是浪费。
DeepSeek V4 Flash贵一点，但贵得有道理。它在Hermes Agent里是推荐默认模型，说明社区用下来觉得它靠谱。它在工具调用上支持得更扎实，Agents.md这类协议文件能老老实实执行。它可能不是纸面上最聪明的那个，但它是那个能把活干完的。
有用户在Hermes的讨论里说得很直白：“GLM 5.3 Flash很好，但如果你是编程新手，用DeepSeek”。新手最需要的不是一个“聪明但得自己调教”的模型，而是一个“笨但听话”的模型——你给它指令，它照做，出了问题你知道是哪里错了。GLM 5.3 Flash那种把协议当建议的风格，新手根本没法debug。
另一个用户说得更狠：“我做了大量评估，DS4F总是赢”。这个“赢”不是在跑分榜上赢，是在真实干活场景里赢。
跑分机器和干活机器的分水岭
GLM 5.3 Flash和DeepSeek V4 Flash的对比，其实揭示了一个更深层的变化：大模型竞争正在从“跑分竞赛”转向“干活竞赛”。
2023年大家在拼通用能力，2024年拼长上下文，2026年的关键词是Agent。Agent能力的核心不是模型在标准化测试里能得多少分，而是它在真实工作流里能不能稳定、可靠地完成任务。
GLM 5.3 Flash在Artificial Analysis Intelligence Index上拿57分，跟Claude Opus 4.8持平。但在Hermes Agent里，它连Agents.md都执行不好。这说明什么？说明现有的评测体系跟真实场景之间存在巨大的鸿沟。一个模型可以在所有标准测试里拿高分，但在实际Agent工作流里处处碰壁。
DeepSeek V4 Flash的AA指数只有52分——比GLM低了5分。但它Herm在es里是推荐默认模型。社区的选择说明了一个残酷的事实：跑分高不一定好用，跑分低不一定难用。
这不是说GLM 5.3 Flash不好。它可能在其他场景里表现优异——比如需要多模态理解的任务，或者不需要严格遵循协议的长文本处理。但在Hermes Agent这种需要模型“听话”的框架里，它确实水土不服。
问题来了：一个模型在标准化测试里拿高分，但在真实场景里频频翻车——我们到底该信哪个？
一个让开发者失眠的细节
DeepSeek V4 Flash在Hermes Agent里跑相同任务用了40秒，GPT-5.6 Sol加Codex用了一分47秒。速度快是好事，但速度快的代价是什么？是输出质量打了折扣。
如果你用DeepSeek V4 Flash写一个上线项目，40秒交付的代码和一分47秒交付的代码，差距有多大？这个差距在什么场景下可以接受，在什么场景下会出大问题？