GLM vs Gemini 3.1 Pro は当サイトで最も一方的な比較であり、しかもオープンウェイト側に傾いています。19の公表評価のうち GLM-5.2 が15項目を獲得し、コーディングと長時間タスクの項目はすべて制しています。Gemini 3.1 Pro の勝ちは、知識重視の推論ベンチマークという狭い帯に集中しています。
この構図は取り繕わずにそのまま述べる価値があります。両者は最適化している対象が異なるということです。すべての数値はモデル開発元が公表した結果をそのまま転載したもので、glmmodel.com はこれらの評価を実施していません。勝敗チップは公表値に対する算術です。
GLM-5.2 は Gemini 3.1 Pro を相手に公表19項目中15項目を獲得し、コーディングのブロックは完勝です。FrontierSWE Dominance が74.4 対 39.6、DeepSWE が46.2 対 10.0、ProgramBench が63.7 対 39.5、NL2Repo が48.9 対 33.4、SWE-bench Pro が62.1 対 54.2、Terminal-Bench 2.1 が81.0 対 74.0。Gemini 3.1 Pro の4勝は HLE（45.0 対 40.5）、GPQA-Diamond（94.3 対 91.2）、HMMT Nov. 2025 が0.4ポイント差、Tool-Decathlon が0.6ポイント差です。ソフトウェア開発が仕事なら公表データは明確にGLMモデルを指し、幅広い学術的知識が必要ならGemini に分があります。
他のクローズドウェイトとの比較と同様、構造的な違いは所有権にあります。GLM-5.2 は1,000,000トークンのウィンドウと、標準的なオープン推論スタックで動く MIT ライセンスのウェイトを公表しています。Gemini 3.1 Pro はホスト型のプロプライエタリモデルで、その文脈上限は当サイトが依拠する公表比較対象の外にあるため、表では推定せずその旨を記載しています。
| 項目 | GLM-5.2 | Gemini 3.1 Pro |
|---|---|---|
| 文脈ウィンドウ | 1,000,000 トークン | 未公表 |
| オープン性 | オープンウェイト | クローズドAPI |
| ライセンス | MIT ライセンス | プロプライエタリ |
| 推論強度の制御 | 明示的 — Non-Thinking、High、Max | 暗黙的 |
| セルフホスティング | 可 — transformers、vLLM、SGLang、xLLM、ktransformers | 不可 — ホスト型APIのみ |
コーディングと長時間タスクのブロックには多くの説明は要りません。9項目すべてで GLM-5.2 が勝ち、いくつかは20ポイント以上の差です。推論とエージェントのブロックは本当に混戦です。Gemini は幅広い学術知識が問われる HLE と GPQA-Diamond でリードし、HMMT Nov. 2025 と Tool-Decathlon をコンマ数ポイント差で制します。GLM-5.2 は AIME 2026、HMMT Feb. 2026、CritPt、IMOAnswerBench、ツールありの HLE、MCP-Atlas のエージェントセットを取ります。この分かれ方は恣意的ではなく筋が通っています。幅広い事実知識を一度の応答で想起し適用させるベンチマークは Gemini 3.1 Pro に有利、計画し、実行し、ツール出力を読み、何ターンにもわたって修正させるベンチマークは GLM-5.2 に有利で、軌跡が長いほど差は広がります。勝ち数を合計するより、自分の仕事がこの2つの形のどちらに近いかを見極めるほうがずっと有用です。
| ベンチマーク | GLM-5.2 | Gemini 3.1 Pro | 勝者 |
|---|---|---|---|
| コーディングと長時間タスク | |||
| FrontierSWE Dominance | 74.4 | 39.6 | GLM-5.2 |
| PostTrainBench | 34.3 | 21.6 | GLM-5.2 |
| SWE-Marathon | 13.0 | 4.0 | GLM-5.2 |
| SWE-bench Pro | 62.1 | 54.2 | GLM-5.2 |
| NL2Repo | 48.9 | 33.4 | GLM-5.2 |
| ProgramBench | 63.7 | 39.5 | GLM-5.2 |
| DeepSWE | 46.2 | 10.0 | GLM-5.2 |
| Terminal-Bench 2.1 (Terminus-2) | 81.0 | 74.0 | GLM-5.2 |
| Terminal-Bench 2.1 (best harness) | 82.7 | 70.7 | GLM-5.2 |
| 推論とエージェント | |||
| MCP-Atlas (public set) | 76.8 | 69.2 | GLM-5.2 |
| Tool-Decathlon | 48.2 | 48.8 | Gemini 3.1 Pro |
| HLE | 40.5 | 45.0 | Gemini 3.1 Pro |
| HLE w/ Tools | 54.7 | 51.4 | GLM-5.2 |
| AIME 2026 | 99.2 | 98.2 | GLM-5.2 |
| HMMT Nov. 2025 | 94.4 | 94.8 | Gemini 3.1 Pro |
| HMMT Feb. 2026 | 92.5 | 87.3 | GLM-5.2 |
| CritPt | 20.9 | 17.7 | GLM-5.2 |
| IMOAnswerBench | 91.0 | 81.0 | GLM-5.2 |
| GPQA-Diamond | 91.2 | 94.3 | Gemini 3.1 Pro |
* フルセットでのスコア。
このページの数値はすべてモデル開発元が公表した結果です。glmmodel.com はそれを掲載しているだけで、これらの評価を自ら実施してはいません。
17件のGLMベンチマークをすべて詳しく見る →この公表データでは、ソフトウェア開発は僅差の話ではありません。コーディングと長時間タスクの項目はすべて、しかも多くは大差でGLMモデルが取り、さらに1,000,000トークンの文脈ウィンドウとオープンウェイトが加わります。エージェント用途でも MCP-Atlas 公開セットを76.8 対 69.2 でリードしています。
Gemini 3.1 Pro の優位は本物ですが、範囲は狭いものです。HLE で45.0 対 40.5、GPQA-Diamond で94.3 対 91.2 とリードしており、いずれも長い軌跡での実行力ではなく、幅広い大学院レベルの事実知識を評価するベンチマークです。それを求めているなら、この表ではより強いモデルです。
GLMモデルのベンチマークを読んだら、実際のモデルを動かしてみてください。上のプレイグラウンドは無料で、何の登録も必要ありません。より本格的なAIツールが必要なら、パートナーの無料プランをどうぞ。