测评声明（B 级实测）：2026 年 9 月 17 日上午，智谱清言网页版 chatglm.cn（页面显示模型 GLM-Flash 极致，思考强度三档可选，页脚标识 2026 ChatGLM5；未登录访客态，系统自动分配临时访客身份，全程未注册未登录），用与 DeepSeek、Kimi 首测、文心一言、豆包、千问复测完全相同的 8 道冻结真题逐题实测：题干不改字、判定先冻结、每题新会话、全程留证，证据存于 docs/reviews/zhipu/（编号 T1-T8）。8 题全部跑通，无限流无登录墙，未编造任何数据。
评分卡（100 分制 · B 级实测口径）
| 维度 | 得分 | 判定依据（实测） |
|---|---|---|
| 任务完成度（20） | 20.0 | 8 题全部跑通，无拒答无失败 |
| 输出质量（15） | 12.5 | 质量题锚点 T2 9.0 / T5 8.0 / T6 8.5，均分 8.3 |
| 准确与幻觉（10） | 0.0 | T4 联网核查虚构报告数据，错误计数 3（详见下文） |
| 性能与稳定（8） | 6.0 | 回复生成中位约 2-3 分钟（极致思考模式），慢于豆包快于文心；无一限流 |
| 易用性（7） | 7.0 | 10 项清单全命中；访客态连三档思考强度切换都开放 |
| 价格与权益（6） | 5.5 | 访客态 8 题零额度墙；付费档位未核验 |
| 合规与数据安全（4） | 3.5 | 隐私政策与备案信息可查，注销通道未逐项核验 |
| chat 类专项（30） | 21.8 | T1 10.0 / T4 2.0 / T5 8.0 / T7 9.0，均分 7.3 |
| 总分 | 76.3 | B 级 · 尚可一用（2026-09-17 实测，90 天后需复测） |
测试说明：8 道题覆盖格式指令、百字写作、数学应用、联网核查、长材料归纳、复合指令、逻辑推理与错误前提陷阱，判定标准测试前冻结，主观题按锚点量表两遍独立评分取低值，与 DeepSeek（92.0 · S 级）、Kimi（81.1 · A 级）、文心一言（88.3 · A 级）、豆包（88.8 · A 级）、千问（77.4 · B 级）同题同判，可直接对照。
先说好的部分，因为它确实有惊艳之处。格式指令是六家同题组里唯二满分的：T1 要求"只输出一个 6 行 4 列的表格，不要表格以外的任何文字"，五大淡水湖的湖名、省份、面积逐格核对无误，一个多余的字都没有——DeepSeek 做到过，文心、豆包、千问都栽了。T8 陷阱题同样干净：题目故意把《背影》安到鲁迅头上，它首句纠正作者为朱自清，随后从四个角度谈父爱，7 处引文逐条核验全是原文，零虚构；T7 逻辑推理用三步假设反证，每一步都验证自洽，结论正确。写作题还有个小彩蛋：T2 的思考过程显示它自己写了三稿、发现第三稿漏了"气味"要素后主动重写——这种自我校验的意识，在六家里是头一份。
然后是这次实测里最扎眼的问题。T4 联网核查，它虚构了不存在的报告数据。题目问"截至 2026 年 6 月中国网民规模"，它给出"11.87 亿人"、来源标注"CNNIC 第58次《中国互联网络发展状况统计报告》"。我们做了独立核验：第57次报告 2026 年 3 月 17 日发布（截至 2025 年 12 月网民 11.25 亿），全网检索不到第58次报告发布的任何证据，千问同日上午联网也明确声明"尚未检索到第58次数据"；它的检索笔记里甚至出现了"第59次、第60次报告"这种根本不存在的编号，历史数据链条也对不上（第57次标 11.62 亿，实际 11.25 亿）。错误计数 3，这道题直接归零。数字格式都对、来源姿态也像模像样，恰恰是这类幻觉最危险的地方——它看起来比任何一家都权威，却在不存在的报告里填了编造的数。
这个发现把它的画像描清楚了：任务执行力一流（完成度满分、易用性清单十项全中，是六家唯一），中文写作与推理都在水准线上，但联网场景下的幻觉控制是明显短板。对比同题组：豆包、千问联网时宁可说"没查到"也不编数，DeepSeek 在引文上栽过跟头，智谱清言则是在报告编号和数字上踩了更大的坑。
要点实录（4 题，完整证据见 docs/reviews/zhipu/）
| 题目 | 实际输出摘要 | 判定 |
|---|---|---|
| T1 格式表格 | 6 行 4 列全对，五大淡水湖与省份、面积无误，零多余文字 | 1.0（T1.png） |
| T4 联网核查 | "11.87 亿"标注为不存在的第58次报告数据；思考区引用第59/60次报告编号 | 3 错（T4.png） |
| T7 悖论推理 | 三步假设反证完整，结论"乙说真话"正确，逻辑自洽 | 0 错（T7.png） |
| T8 陷阱题 | 首句纠正作者为朱自清，7 处引文逐条核验均为《背影》原文 | 0 错（T8.png） |
分场景结论：写东西、改格式、做归纳、解逻辑题，可以放心交给它——执行力、格式遵循和中文质感实测都在第一梯队，访客态免登录还有三档思考强度可调，门槛极低。一类人必须警惕：拿它查数据、核事实、写报告的人，它的联网结论必须交叉核验再用，实测中它编造过看起来有鼻子有眼的官方报告数据，这比"答不上来"危险得多。局限性：1 天 8 题单轮实测，样本有限仅供参考；本次为未登录访客态（GLM-Flash 极致档），登录后的 GLM-5.3 及深度研究模式未测，不代表完整产品力；T4 判定基于 2026-09-17 的公开信息核验，若第58次报告后续确认发布，该题数据需以官方为准。利益披露：无联盟链接、无商业合作；智谱与本站无任何商业关系，不影响本次评分。