【CEO-Bench】MiniMax-M3 vs GLM-5.2

输入“/”快速插入内容

【CEO-Bench】MiniMax-M3 vs GLM-5.2

用户4606

7月10日修改

💡

核心结论：

•
两个实测模型均破产。M3 第 227 天，终局 -$82；GLM-5.2 第 307 天，终局 -$89。存活天数处于论文中游模型的正常区间；与头部模型（Opus 4.8 终局 $2,780 万）存在量级差距；​

•
M3 败于开局资本配置——第 0 天用 50% 资金购买市场情报，此后经营质量尚可，但始终缺乏资金应对竞争冲击；​

•
GLM-5.2 主要败于执行缺失——预测与诊断全场最准，但识别出唯一可行的企业收入线后，189 天未采取任何行动。​

能力对比：

•
GLM-5.2 强于状态感知与校准（44 次现金预测 41 次误差小于 7%），弱于将结论转化为行动；​

•
M3 强于实验与迭代（主动 A/B、快速回滚、沉淀教训），弱于记忆管理与重大决策。​

报告说明:

•

CEO-Bench 是 Princeton 提出的长程经营模拟评测（https://arxiv.org/abs/2606.18543）——让模型扮演一家 AI SaaS 创业公司的 CEO，拿 $100 万启动资金经营 3647 天，终局现金即得分。

•
本报告基于实测的两个模型：MiniMax-M3、GLM-5.2，生成日期 2026-07-07。​

一、总成绩排行

模型

数据来源

最佳终局现金

破产情况

备注

Claude Opus 4.8

论文

$2778万

3 跑 0 破产

全场第一,主动探索多策略

GPT-5.5

论文

$2130万

3 跑 2 破产

最佳 run 极强,方差大

Claude Opus 4.7

论文

$39万

3 跑 0 破产

保守守成,不增长但不死

⭐ GLM-5.2

我们实测

-$89

day 307 破产

thinking: enabled + reasoning_effort: high

⭐ MiniMax-M3

我们实测

-$82

day 227 破产

thinking：adaptive + reasoning_split: True；思维链每轮回传

口径差异：

① 论文数字是官方 500 天赛制、每模型 3 跑取最优；我们实测是 3647 天设置、每模型仅 1 跑，对比仅供参考使用（时间越长，难度变化越低，对被测模型更友好）。​

② 表中只有标黄的两行是我们亲手跑的，其余为论文报告值，其中M3特意采用了推荐的思考模式，即每轮持续保留之前的思考内容，来保障后续思考的触发稳定性。​

③ 两家实测模型的存活天数（227/307 天）落在论文中游破产梯队区间（GLM-5.1 平均 215 天），不是异常翻车，是这一档模型的标准表现。​

画板

二、这个 Bench 里，Agent 能做什么

Agent 拿到一个 bash 沙箱，通过 Python API 调 30+ 个经营工具、用 SQL 查 19 张业务表（流水、客户、工单、广告归因……）。每周操作次数不限，提交决策理由 + 现金预测后时间前进 7 天。​

杠杆

具体操作

意义与后果

定价

三档套餐定价、存量/新客促销、模型用量额度

•
客户按"价格越高、要求质量越高"的曲线当场判断买不买；不买就永久流失。​

•
模型配额设太低会激怒重度用户上社媒骂街​

模型档位

每档套餐用 T1-T5 的 AI 模型

•
质量的乘法器(0.6×~1.1×)：用量小时升档几乎免费，是早期性价比最高的按钮；​

•
降档省小钱但立刻杀转化​

5 渠道 × 26 客群的精细投放矩阵

•
只负责带人到门口，进不进门看质量和价格；​

•
质量不达标时投广告 = 花钱请人看你出丑（每个流失 lead 还收 $0.5）​

日常研发 dev

每日投入，全局或定向某客群

•
日常研发是"慢慢养质量"，它有边际递减：前面的钱最有用，后面越投越不值，一年大概最多涨 +0.25 左右质量分。​

•
而且质量像健身,不像存款:持续投才能维持,一停就会慢慢掉。​

•
全局研发的成果会被竞争对手"偷师"一定的比例——你的每一分公开进步都会累积进对手的储备，在它下次发布时变成全市场客户的期望上调。​

•
但也可以选择"定向研发"：只服务目标客群，效率是普通研发的 5 倍，效果不蒸发，而且不进对手的抄袭池。​

R&D 大项目

20 档，$16.7 万~$2500 万一次性

•
唯一能突破 dev 天花板的质量跳跃(+0.04~+8.0),但付全款、等随机工期、收益随机​

客服 ops

每日投入，可定向到单个客户

•
工单解决速度+宕机概率；​

•
没有投入，会引爆"工单积压→社媒骂声→全客群获客变慢"的声誉问题​

服务器容量

8 档，$85~$7.5万/天

•
超载会宕机，买多了纯浪费——少数能纯靠算数做对的决策​

市场调研

$2.5 万/次抽卡(30% 中奖)发现隐藏客群；

可以进一步付费，升级已知客群情报精度；

•
情报本身不产生收入，是"用救命钱还是用利润买地图"的纪律考验​

【CEO-Bench】MiniMax-M3 vs GLM-5.2​

【CEO-Bench】MiniMax-M3 vs GLM-5.2