一個任務，兩個模型，同一個 Agent
比較兩個模型最乾淨的方法，就是不改變其他任何因素。所以我們正是這樣做：相同的長線任務、相同的 agent、相同的工具。我們把 GLM-5.1 和 GLM-5.2 放進 Eigent 的 單 agent harness，看它們各自如何規劃、研究、驗證並交付成果。
這項工作是真正的分析師任務，而不是玩具式基準測試：
研究 AI 基礎設施堆疊中的 26 間公司——由晶片設計和半導體製造，一直到承載前沿 AI 的雲平台和數據中心——然後建立一份互動式報告。
像這樣的長線任務，才是真正拉開模型差距的地方。它不是一次聰明的回答，而是在長時間運行中串連起來的數十個小決策：規劃要多深入、信任多少來源、何時停止研究，以及在宣告完成前要驗證到什麼程度。
Prompt
我們在 單 agent 模式下，向兩次運行發送了相同的 prompt：
對 AI 基礎設施生態系中的 26 間公司進行深入研究——這是整個 AI 價值鏈中最確定的主線。涵蓋以下 6 個子行業（每個子行業挑選具代表性的公司，從大型領導者到較小玩家）：
- AI 數據中心（運算基礎設施／建設擴張）
- GPU／AI 晶片（訓練與推理矽晶片、ASIC、IP）
- 伺服器、網絡與光學模組（交換機、NIC、光互連）
- 電力、液冷與儲能（電源、熱管理、能源管理）
- AI 雲端／算力平台（超大規模雲服務商、GPU 雲、算力租賃平台）
- 支援生態系（HBM／先進封裝、晶圓代工、連接器及其他關鍵零件）
每間公司需研究：公司名稱、子行業、總部／國家；核心產品及其在 AI 鏈中的具體角色；上市或私人公司（如已上市，列出股票代號＋交易所；如屬私人公司，註明最新估值／融資輪次）；市值或估值規模（用於排名）；其在生態系中的定位與護城河（1–2 句）；主要客戶／競爭對手。
在每個子行業內，按由大至小排序，並以由上而下的方式構建整體內容：從完整硬件生態全景到每間單獨公司。
**輸出：**首先生成結構化的 ai_infra_data.json，包含全部 26 間公司、6 個子行業分類、上市／私人標誌，以及跨公司比較矩陣。然後根據該 JSON 生成一份精緻、互動式的 HTML 報告——包括生態系全景圖、行業區塊、公司卡片、上市與私人顏色編碼、市值排名圖表，以及可排序／可篩選的比較表。先驗證研究資料的準確性（上市狀態、股票代號、估值——採用最新數據，並引用來源），然後再生成報告。
準備執行 — GLM-5.2 規劃得更深入
在任何一個模型碰到網頁之前，第一個分歧就已經出現：在規劃上。
GLM-5.1 把工作拆成 4 個步驟。GLM-5.2 則把相同的 brief 擴展成 6 個步驟——而且值得注意的是，它把 「驗證準確性」 單獨列為一項專門任務，而不是順手做一下就算。這就是一位謹慎分析師對任務的切分方式：先研究，再證明研究結果，然後才開始構建。
相同指令。不同的是，對這項任務應該投入多少嚴謹度的判斷。
研究 — 兩倍來源
規劃之後，兩次研究運行就明顯不同了。
- GLM-5.1： 約 40 個來源
- GLM-5.2： 約 82 個來源——大約是 2 倍研究量
而且不只是 更多 頁面，而是 分布得更好 的頁面。GLM-5.1 很大程度依賴單一數據網站；GLM-5.2 則交叉核對每個數字，來源涵蓋 財經新聞、公司文件及私人市場數據庫：Reuters、Bloomberg、Crunchbase、TechCrunch 等等。
單一來源不足夠。對於估值、股票代號和上市狀態，GLM-5.2 將單一數字視為需要驗證的假設——而不是可以直接抄寫的事實。
GLM-5.2 不只是回答得更快；它挖得更深，從兩倍的頁面中提取資訊，逐一驗證每個數字。
先驗證，再完成
由於 GLM-5.2 將驗證獨立成一個步驟，它真的有去做——在把資料寫入報告前，再次核對上市狀態、股票代號及估值是否符合最新數據。結果是一份能證明自己工作過程的報告，而不是單純聲稱已完成。
結果 — 更深入的資料、真實引用
同一個任務。兩份完全不同的交付成果。
GLM-5.2 產出的是：
- 更豐富的 資料結構，具備專門的 護城河分析、融資細節，以及完整來源列表——每一項聲明都可追溯至來源。
- 最終報告在資料和結構兩方面都比 GLM-5.1 的版本 幾乎豐富 2 倍。
- 輸出以 完全可部署、互動式網站 的形式交付——不只是靜態 HTML 頁面：包括生態系全景圖、行業區塊、上市與私人顏色編碼、市值排名圖表，以及可排序／可篩選的比較表。
GLM-5.1 交付了一份穩妥且正確的報告。GLM-5.2 交付的是一份你可以直接呈交投資委員會的報告。
為什麼這很重要
在短任務中，兩個能力相近的模型看起來幾乎一樣。但在 長線任務 中，差異會累積放大。GLM-5.2 每多讀一個來源、每多核對一個數字，以及把驗證設為首要步驟的決定，最終都疊加成一個可量化地更好的結果。
harness 是一樣的。工具是一样的。唯一的變數是模型——而這正正令這個比較，成為觀察 GLM-5.2 如何在長時間運行中推理的公平方式：
更多來源。更精準的判斷。一份能證明自己工作過程的報告。
你也可以自己跑一次
Eigent 讓你可以在同一個單 agent harness 背後更換模型，因此你可以在自己的任務上重現這個比較：
- 前往 Settings → Models，選擇或新增你要測試的模型（GLM-5.1、GLM-5.2，或任何支援 function calling 的模型）。
- 將任務切換為 single-agent mode。
- 貼上上面的深度研究 prompt（或你自己的長線 brief）。
- 每個模型各執行一次，然後並排比較計劃、來源數量和最終報告。
下一步可以試什麼
重新執行相同 brief，但要求每個估值至少有 3 個獨立來源，並標記任何來源出現分歧的公司。
將公司範圍由 26 間擴展到 50 間，並在比較矩陣中加入「供應鏈依賴」欄位。
以 PDF 形式生成最終報告的一頁式執行摘要，並附上市值排名圖表的簡報。
以同一任務讓 GLM-5.2 與另一個模型對比，並產出差異報告：它們在哪些地方一致、哪些地方不一致，以及哪一個的資料來源更好。
提升結果的小貼士
- 把驗證說清楚。 要求模型「先驗證準確性，再開始構建」，會明顯改變其行為——GLM-5.2 就把這句話變成了自己的一個規劃步驟。
- 在 schema 中要求引用。 每間公司都要有
sources欄位，能強迫模型做可追溯研究，而不是自信地猜測。 - 把資料與呈現分開。 先生成
ai_infra_data.json再生成 HTML，能令報告可重建，且事實可審核。 - 長線推理請使用單 agent 模式。 它能把完整任務上下文交給同一個模型，這正是你在比較模型如何規劃及自我修正長時間任務時最需要的。
