一位同时订阅 Claude、GPT 及国产 GLM 的开发者分享实战体会：在常规的线性开发任务中，国产大模型 GLM 5.1 已能较好满足需求。然而，在修复一款 iOS 相机应用中棘手的美颜算法 Bug 时，即使经过多轮尝试，GPT-4 和 GLM 5.1 均未能给出完美方案，最终 Claude Opus 一次性解决了问题。这一案例生动揭示了当前大模型的现状：虽然在普通场景下差距缩小，但在高难度、强逻辑的“攻坚”时刻，顶尖模型依然具备难以撼动的技术壁垒。
原文链接：V2EX 分享发现
一位同时订阅 Claude、GPT 及国产 GLM 的开发者分享实战体会：在常规的线性开发任务中，国产大模型 GLM 5.1 已能较好满足需求。然而，在修复一款 iOS 相机应用中棘手的美颜算法 Bug 时，即使经过多轮尝试，GPT-4 和 GLM 5.1 均未能给出完美方案，最终 Claude Opus 一次性解决了问题。这一案例生动揭示了当前大模型的现状：虽然在普通场景下差距缩小，但在高难度、强逻辑的“攻坚”时刻，顶尖模型依然具备难以撼动的技术壁垒。
原文链接：V2EX 分享发现
