Un usuario probó GLM 5.2 en una tarea compleja de implementación de visión por computadora (CV) con múltiples archivos para evaluar sus capacidades de nivel de producción más allá de las puntuaciones de benchmarks. El modelo construyó con éxito un estudio de CV basado en navegador que involucraba detección de objetos, seguimiento persistente y un backend con FastAPI, demostrando una sólida planificación arquitectónica y consistencia.
- Generó un documento de planificación que abordó preventivamente los errores de tinción del canvas y diseñó un proxy de video same-origin antes de escribir el código.
- Los contratos JSON entre el rastreador frontend, el panel de informes y la instrucción del sistema backend permanecieron consistentes a través de múltiples rondas de ediciones.
- El modelo realizó autoverificación ejecutando builds de producción y verificando las rutas del backend después de los cambios en lugar de declarar el éxito inmediatamente.
- Realizó compensaciones técnicas razonables sin indicaciones, como elegir Mobilenet_v2 para precisión en CPU y WASM para portabilidad.
La prueba destaca la fortaleza de GLM 5.2 en codificación y uso de herramientas, aunque sigue siendo solo de texto y queda atrás de los modelos frontier en matemáticas puras y tareas en idiomas no ingleses.