国产模型线，不是只有两强

ARC-AGI 主办方最新一条成绩单：GLM 5.3 Flash（智谱的模型，账号 @Zai_org）在两个独立推理测试上跑出来——ARC-AGI-2：65.8%、ARC-AGI-1：91.0%；每任务成本 0.04 到 0.09 美元，不到一毛钱。X 图在原帖。

这条数字值得单独拿出来看，是因为 ARC-AGI 这个测试比一般基准更苛刻——它专门用来检验模型能不能解没在训练里见过的题。换句话说，它在考的不是背诵，是真正的逻辑、抽象、组合推理能力。

这也是为什么 GLM 5.3 Flash 的 65.8%/91% 让评测方直接发了官方账号：既强、又便宜，单任务不到一毛钱的成本，让通用推理的实验门槛降到了个人玩得起的程度。

放在本周国产线里看，这条补上了一格。之前几天的国产故事几乎都集中在 DeepSeek 和 Qwen 这两强——Space Bunny 在 OpenRouter 榜单刷成绩、MiMo 被讨论可裁 17% 参数、Kimi 安静做小升级——GLM 一直被排在靠后。

现在 5.3 Flash 把 ARC-AGI-2 拉到 65.8%，等于智谱在最难跑的那一项里，跨过了另外两家之前没跨过的台阶。国产模型线，不是只有两强，第二梯队的差距在被这一类硬推理测试拉平。

落到使用上：0.04 美元/任务，单次推理的边际成本几乎可以忽略。这意味着下次你跑需要长链推理的分析任务，可以把它作为常规选项；之前觉得贵的通用推理场景，现在用 GLM 5.3 Flash 跑一遍再决定要不用更贵的，也是合理的做法——因为单任务便宜，错一次的成本几乎可忽略。

留一格清楚的边界：ARC-AGI 的分数是模型的通用推理能力，不等于它在你的具体业务里好使；65.8% 看起来漂亮，但生产场景对推理能力的需求有不同侧重（链长、格式约束、多轮状态维护等），这些 ARC-AGI 都没测——分数反映的是能力上限的某一面，不是全部。0.04 美元是峰值批量价，单条实时调用很可能不是这个价。能力 + 价格都看官方完整基准再下结论。

给想跟进的人一句落地的：今天就打开 ARC-AGI 官网的榜单和 GLM 的模型卡——看看 65.8% 是怎么测出来的、哪些任务拿了分、哪些没拿；下周找一段真业务里的难任务，让它和 GPT/Claude 各跑一次对比看。每周挑一家国产新版本跑一遍对比，比盯住一家用更划算。