Un utilisateur a testé GLM 5.2 sur une tâche complexe d'implémentation de vision par ordinateur (CV) multi-fichiers pour évaluer ses capacités de niveau production au-delà des scores aux benchmarks. Le modèle a réussi à construire un studio CV basé sur le navigateur impliquant la détection d'objets, le suivi persistant et un backend FastAPI, démontrant une planification architecturale solide et une cohérence.
- Il a généré un document de planification qui a anticipé les bugs de contamination du canevas et conçu un proxy vidéo same-origin avant d'écrire le code.
- Les contrats JSON entre le tracker frontend, le panneau de rapport et l'invite système backend sont restés cohérents sur plusieurs tours d'éditions.
- Le modèle a effectué une auto-vérification en exécutant des builds de production et en vérifiant les routes backend après les modifications plutôt que de déclarer le succès immédiatement.
- Il a fait des compromis techniques raisonnables sans être sollicité, comme choisir Mobilenet_v2 pour la précision CPU et WASM pour la portabilité.
Le test met en évidence la force de GLM 5.2 en codage et en utilisation d'outils, bien qu'il reste uniquement textuel et soit inférieur aux modèles de pointe dans les tâches de mathématiques pures et non-anglaises.