여러분 안녕하세요, 아래에서 GLM 5.2와 DeepSeek-v4-0731의 벤치마크 (benchmark) 결과를 확인하실 수 있습니다. Trail을 이용한 이중 진자 (Double pendulum): Euler vs RK4 적분 (integration) 태스크를 테스트했습니다. 이 태스크를 통해 모델들의 하이브리드 역량인 알고리즘, 수학, 코딩 (coding), 그리고 프론트엔드 (Frontend) 능력을 측정했습니다. 모든 모델에 opencode를 사용하여 코딩을 수행하게 했습니다. 동시에 모든 모델에 최고 수준의 사고 (thinking) 노력을 사용했으며, 점수 산정은 가성비 (Price/Performance) 및 품질 대비 성능 (Quality/Performance) 척도로 진행했습니다.

최종 점수

1. DeepSeek V4 Flash 0731 — 90.0/100
   프롬프트 (Prompt) 준수에서 9.4/10, 기초 물리 정확도에서 10.0/10, RK4 및 타임스텝 (timestep) 관리에서 9.6/10, 검증기 (validator) 및 텔레메트리 (telemetry) 정확도에서 7.2/10, 안정성 및 엣지 케이스 (edge-case) 관리에서 8.7/10, 성능 및 확장성에서 9.4/10, 시각적 품질에서 9.0/10, UI 및 모바일 사용성에서 8.3/10, 아키텍처 (architecture) 및 메모리 관리에서 7.8/10, 낮은 버그 (bug) 위험 측면에서 7.8/10을 기록했습니다.

2. GLM 5.2 — 84.5/100
   프롬프트 (Prompt) 준수에서 9.5/10, 기초 물리 정확도에서 10.0/10, RK4 및 타임스텝 (timestep) 관리에서 8.3/10, 검증기 (validator) 및 텔레메트리 (telemetry) 정확도에서 5.8/10, 안정성 및 엣지 케이스 (edge-case) 관리에서 7.1/10, 성능 및 확장성에서 9.5/10, 시각적 품질에서 7.9/10, UI 및 모바일 사용성에서 9.1/10, 아키텍처 (architecture) 및 메모리 관리에서 8.5/10, 낮은 버그 (bug) 위험 측면에서 6.7/10을 기록했습니다.

결과: DeepSeek V4 Flash 0731이 GLM 5.2보다 5.5점 앞서며 완료되었습니다. GLM은 UI, 모바일 사용성 및 메모리 효율성 측면에서 더 강력합니다. 반면 DeepSeek는 타임스텝 (timestep) 관리, 텔레메트리 (telemetry) 정확도, 시각적 가독성 및 전반적인 신뢰성 면에서 확연히 우세합니다.

종합 우승자: 🎉 DeepSeek V4 Flash 0731. 🎉

• 순수 물리 (physics) 및 RK4: DeepSeek.
• 장기 실행 수치 정확도 (numerical accuracy): DeepSeek.
• 원시 FPS: 실질적으로 무승부.
• 메모리 효율성: DeepSeek.
• UI 및 모바일 디자인: GLM 5.2.
• 시각적 시뮬레이션 품질: DeepSeek.
• 텔레메트리 (telemetry) 정확도: DeepSeek.
• 낮은 FPS에서의 시간 정확도: DeepSeek.
• 프로덕션 (Production)에 더 가까운 기반: DeepSeek.

GLM의 UI 및 트레일 (trail) 아키텍처는 더 현대적입니다. 하지만 누산기 (accumulator) 제한, 잘못된 에너지 베이스라인 (energy baseline), 그리고 보간-불투명도 (interpolation-opacity) 혼동은 직접적인 행동적 결함입니다. 이 세 가지 오류가 수정된다면, GLM은 DeepSeek를 능가할 수 있을 만큼 훌륭한 기반을 제공합니다. 현재 상태로는 DeepSeek가 더 신뢰할 수 있으며 벤치마크의 본래 목적을 더 정확하게 충족합니다.