Um usuário testou o GLM 5.2 em uma tarefa complexa de implementação de visão computacional (CV) com múltiplos arquivos para avaliar suas capacidades de nível de produção além das pontuações de benchmarks. O modelo construiu com sucesso um estúdio de CV baseado em navegador envolvendo detecção de objetos, rastreamento persistente e um backend FastAPI, demonstrando forte planejamento arquitetural e consistência.

  • Ele gerou um documento de planejamento que abordou preventivamente bugs de contaminação do canvas e projetou um proxy de vídeo same-origin antes de escrever o código.
  • Os contratos JSON entre o rastreador frontend, o painel de relatórios e o system prompt do backend permaneceram consistentes ao longo de múltiplas rodadas de edições.
  • O modelo realizou autoverificação executando builds de produção e verificando as rotas do backend após as alterações, em vez de declarar sucesso imediatamente.
  • Ele fez compensações técnicas razoáveis sem prompts, como escolher Mobilenet_v2 para precisão na CPU e WASM para portabilidade.

O teste destaca a força do GLM 5.2 em codificação e uso de ferramentas, embora permaneça apenas de texto e fique atrás dos modelos frontier em matemática pura e tarefas em idiomas não ingleses.