最近在搭一个Agent测试框架，顺手拿GLM-5.3-Flash和DeepSee…

最近在搭一个Agent测试框架，顺手拿GLM-5.3-Flash和DeepSeek-V4.1-Flash跑了三组任务，结果挺有意思的。 先说代码审查这个环节。我给了两个模型同样的代码库，让它们分别做review。GLM用了27分钟，读了35个文件，做了27次搜索，提出了10个问题。DeepSeek花了45分钟，跑了55个shell命令，提了23个问题。 从数量上看DeepSeek找得多，但关键是准确性。两个模型大概都有60%的准确率，也就是说DeepSeek既找到了更多真问题，也制造了更多假问题。不过决定胜负的是：GLM发现的最大问题是正确的，而DeepSeek发现的最大问题是错误的。 然后是移动端UI审查。这个环节DeepSeek赢了。它发现了一个bug，会导致消息队列时composer组件完全不可用。GLM明明看到了这个组件，但问了错误的问题就跳过了。不过有个细节：我的prompt明确要求两个模型关注"外观和体验"，GLM看了14张截图，DeepSeek一张都没看。 最后是改进计划。GLM给出了33条改进建议，每条都有规模评估和优先级排序。DeepSeek只给了14条，虽然有几条挖得更深，但对UI和性能几乎没提。两个模型的思路也不同：GLM倾向于找那些已经半成品但没接好的功能，DeepSeek则更量化，建议先建立度量体系再动手。 综合来看，GLM 5.3 Flash以2:1胜出。它的判断更均衡，速度快1.3到1.7倍，而且能识别出自己工具链的问题。DeepSeek v4.1 Flash感觉更"锐利"，但也更容易在自己刚测量过的事情上犯错。 如果你也在搭Agent框架做代码审查，这两个模型各有特点，可以根据具体场景选择。我个人日常用GLM更多一些。