大模型代码实战：GLM5 vs DeepSeek 3.2

同样的提示词，不同的模型，代码质量差多少？我用 5 个真实任务做了对比测试。

测试环境

项目	配置
GLM5	智谱 AI 官方 API，temperature=0.7
DeepSeek 3.2	官方 API，temperature=0.7
测试时间	2026-03-05
评判标准	正确性、可读性、健壮性、注释质量

任务一：Python 数据处理

需求： 读取 CSV 文件，统计每列缺失值比例，输出可视化图表。

GLM5 表现

import pandas as pd
import matplotlib.pyplot as plt

def analyze_missing_data(file_path):
    """分析数据缺失情况"""
    df = pd.read_csv(file_path)
    missing_ratio = df.isnull().sum() / len(df) * 100
    
    # 可视化
    plt.figure(figsize=(10, 6))
    missing_ratio.plot(kind='bar')
    plt.title('Missing Data Ratio by Column')
    plt.ylabel('Percentage (%)')
    plt.tight_layout()
    plt.savefig('missing_data.png')
    
    return missing_ratio

优点： 代码简洁，注释清晰
缺点： 没有异常处理，文件不存在时会崩溃

DeepSeek 3.2 表现

import pandas as pd
import matplotlib.pyplot as plt
from pathlib import Path

def analyze_missing_data(file_path, output_path='missing_data.png'):
    """
    分析 CSV 文件的缺失数据情况
    
    Args:
        file_path: CSV 文件路径
        output_path: 输出图片路径
    
    Returns:
        pd.Series: 各列缺失值比例
    
    Raises:
        FileNotFoundError: 文件不存在时
        ValueError: 文件为空或不是有效 CSV
    """
    # 验证输入
    path = Path(file_path)
    if not path.exists():
        raise FileNotFoundError(f"文件不存在: {file_path}")
    
    try:
        df = pd.read_csv(file_path)
    except Exception as e:
        raise ValueError(f"无法读取 CSV 文件: {e}")
    
    if df.empty:
        raise ValueError("CSV 文件为空")
    
    # 计算缺失值比例
    missing_ratio = (df.isnull().sum() / len(df) * 100).round(2)
    
    # 过滤无缺失的列，避免图表过于稀疏
    missing_ratio = missing_ratio[missing_ratio > 0]
    
    if len(missing_ratio) == 0:
        print("数据完整，无缺失值")
        return pd.Series()
    
    # 可视化
    plt.figure(figsize=(12, 6))
    ax = missing_ratio.plot(kind='bar', color='coral')
    plt.title('Missing Data Ratio by Column', fontsize=14)
    plt.xlabel('Columns', fontsize=12)
    plt.ylabel('Missing Percentage (%)', fontsize=12)
    plt.xticks(rotation=45, ha='right')
    
    # 添加数值标签
    for i, v in enumerate(missing_ratio):
        ax.text(i, v + 0.5, f'{v}%', ha='center', va='bottom')
    
    plt.tight_layout()
    plt.savefig(output_path, dpi=150, bbox_inches='tight')
    plt.close()
    
    print(f"图表已保存至: {output_path}")
    return missing_ratio

if __name__ == "__main__":
    # 使用示例
    result = analyze_missing_data("data.csv")
    print(result)

优点： 异常处理完善，文档字符串详细，可视化更美观
缺点： 代码量较大，对于简单任务可能过于复杂

第一轮评分

维度	GLM5	DeepSeek 3.2
正确性	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐
可读性	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
健壮性	⭐⭐⭐	⭐⭐⭐⭐⭐
注释质量	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
综合	4.0	4.75

任务二：React 组件开发

需求： 实现一个带搜索过滤的下拉选择组件。

GLM5 表现

生成了功能完整的组件，使用了 useState 和 useEffect，但 useEffect 的依赖项处理有问题，可能导致不必要的重渲染。

DeepSeek 3.2 表现

不仅代码正确，还主动提供了：

• TypeScript 类型定义
• 键盘导航支持（上下箭头、回车选择）
• 防抖处理优化搜索性能
• 无障碍属性（aria-*）

第二轮评分

维度	GLM5	DeepSeek 3.2
功能完整度	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
React 最佳实践	⭐⭐⭐	⭐⭐⭐⭐⭐
TypeScript 支持	⭐⭐	⭐⭐⭐⭐⭐
性能优化	⭐⭐⭐	⭐⭐⭐⭐⭐
综合	3.25	4.75

任务三：SQL 查询优化

需求： 找出连续 3 天登录的用户。

GLM5 表现

使用了窗口函数，思路正确，但 SQL 可读性一般，且没有考虑性能优化。

DeepSeek 3.2 表现

提供了两种方案：

1. 窗口函数方案（简洁）
2. 自连接方案（兼容旧版 MySQL）

还附带了执行计划分析和索引建议。

任务四：算法题

需求： 实现 LRU 缓存。

两者都能正确实现，但 DeepSeek 3.2 的代码更 Pythonic，使用了 OrderedDict，并分析了时间复杂度。

任务五：代码审查

需求： 找出以下代码的问题并优化。

def get_user_data(user_id):
    conn = sqlite3.connect('db.sqlite')
    cursor = conn.cursor()
    cursor.execute(f"SELECT * FROM users WHERE id = {user_id}")
    return cursor.fetchone()

GLM5 发现的问题：

• SQL 注入风险 ✅
• 连接未关闭 ✅
• 没有错误处理 ✅

DeepSeek 3.2 发现的问题：

• SQL 注入风险 ✅
• 连接未关闭 ✅
• 没有错误处理 ✅
• 使用 SELECT * 不优雅 ✅
• 没有类型注解 ✅
• 建议改用 ORM 或上下文管理器 ✅

最终评分

任务	GLM5	DeepSeek 3.2
Python 数据处理	4.0	4.75
React 组件	3.25	4.75
SQL 查询	3.75	4.5
算法实现	4.0	4.5
代码审查	4.0	4.75
总分	19.0/25	23.25/25

结论

GLM5 适合：

• 快速原型开发
• 简单的脚本任务
• 对代码健壮性要求不高的场景

DeepSeek 3.2 适合：

• 生产级代码开发
• 需要完整异常处理的场景
• 团队协作项目（代码规范性好）

一句话总结： GLM5 能写代码，DeepSeek 3.2 能写好代码。

---

系列文章：

• 大模型代码实战：Doubao 2.0 vs Qwen 3.5
• 大模型代码实战：MiniMax 2.5 vs Kimi 2.5
• 六大模型代码能力横评
• 大模型选型指南：不同场景该用哪个

---

你用过这两个模型吗？体验如何？欢迎留言讨论。