上个月智谱AI发布GLM-5V-Turbo的时候，我第一反应是”又来一个蹭热度的”。
国产大模型现在卷到什么程度？几乎每周都有新模型发布，”超越GPT”、”对标Claude”这种说辞已经快成标配了。所以当智谱说他们的新模型能”看截图写代码”时，我其实没太当回事。
直到有个做前端的朋友在群里发了一张截图：他拿手机拍了张外卖App的界面扔进GLM-5V-Turbo，十几秒之后，模型吐出了一段React代码，跑起来居然跟原界面有八九分像。我当时就坐不住了。
我花了一周时间，用这个模型拆了十几个页面——从简单的登录表单到复杂的后台仪表盘——有些结果确实让我惊了，有些则让我觉得”还差点意思”。今天就说说真实体验，好就是好，拉就是拉，不吹不黑。
“视觉即代码”不是营销话术，这次是真能打
先说最让我意外的一点：GLM-5V-Turbo不是在GPT-4o或者Claude那套”看图+写代码”的基础上加了个壳。它从预训练阶段就把视觉和代码能力焊在一起了，这跟市面上的大多数多模态模型有本质区别。
大多数多模态模型是怎么做的？拿一个文本模型，上面粘一个视觉编码器，训练它”看图说话”。问题是写代码需要精确理解元素的位置关系、层级结构、间距和颜色值，这些细节在传统的视觉编码里很容易丢失。
智谱的做法是自研了CogViT编码器，再加上一个GLM-0.5B的解码器做跨模态对齐。用大白话说就是：模型真的在”看”像素，而不是在”猜”你给了它什么图片。官方说它在行业基准上拿了94.8分，我不太迷信跑分，但实测确实能感觉到区别。
我试的第一个场景是淘宝的商品详情页。截了一张iPhone 16 Pro Max的购买页面，包含商品图、标题、价格、规格选择和”立即购买”按钮。GLM-5V-Turbo生成的HTML/CSS代码打开之后，布局还原度目测在85%以上，价格区间、颜色选项、按钮这些关键元素都对了，商品图也留了占位。
要知道，淘宝这种页面结构相当复杂——动态价格、多规格联动、倒计时组件——而模型只用了一帧截图就理解了大半。如果让我手写这个页面，至少得半小时起步。
但别急着把前端团队裁了，它有两个硬伤
好了，夸完了，说点不好听的。
第一，它擅长的是”视觉还原”，不是”交互逻辑”。
如果你给它的是一张静态设计稿，它能把像素级还原做得相当漂亮。但一旦涉及到状态切换——比如弹窗关闭后的页面变化、表单提交成功后的跳转——它就有点懵了。我试了一个带多步骤的表单（注册→验证→填写资料→完成），它生成的代码只处理了第一步的UI，后面的逻辑全没接上。
这其实不难理解：一张截图只能表达一个状态，而现代Web应用的核心是状态机。你不能指望设计师扔给你一张首页就让你写出完整的前端工程，GLM-5V-Turbo也是同样道理。它在”截图→静态页面”这个环节很强，但在”截图→完整交互”上，离替代人类还有距离。
第二，生成代码的质量在你预期之上，但不在生产标准之下——好吧，这话说得有点绕。直接说结论：它生成的代码可以直接在个人项目、内部工具、原型演示里用，但我不建议直接用在面向用户的生产环境。主要是因为代码风格比较”教科书”——变量名很规范，结构很清晰，但缺少有经验的开发者会加的边界处理、错误捕获和性能优化。
举个例子：生成的React组件没有做memo优化，也没有处理加载状态和空状态。这在演示时没问题，但在生产环境里，用户可能会看到白屏或者加载卡顿。
不过话说回来，这个价要什么自行车。GLM-5V-Turbo的API价格大概是Claude的十分之一，极速版速度能跑100+ tokens/秒。对于中小企业来说，用这个模型来自动生成后台管理页面的原型，或者批量生成活动落地页，性价比是碾压级的。
GLM-5V-Turbo vs 可灵：国产AI的两个极端
写完代码层面的体验，我忍不住想说一说5月份另一个值得关注的事——可灵（Kling）估值飙到200亿美元，正要分拆独立上市。
不说投资的事，单说产品逻辑。可灵走的是跟GLM-5V-Turbo完全相反的路：一个把视频生成能力做到极致然后独立出去，一个把视觉理解能力嵌入代码生态，两种路线都有道理。
可灵3.0现在已经支持原生4K直出，这在视频生成领域是第一家做到的。ARR从年初的3亿美元涨到4月的5亿美元，全球用户破6000万，生成视频总数超6亿条。这个增长速度说明一件事：AI视频的付费意愿比AI写代码强得多。
为什么？因为视频做的不好看不影响核心功能，但代码写错了直接影响业务。企业愿意为”降本”买单（少雇几个剪辑师），但不太愿意为”增效”大幅加预算（AI代码还需要人审查）。这反映在定价上就很明显：可灵已经在赚真金白银了，而GLM-5V-Turbo还在靠低价抢市场。
这不是说GLM-5V-Turbo不好——它的技术路线我认为更有长期价值——但至少现阶段，普通用户对”AI帮我做视频”的需求远远大于”AI帮我写代码”。这个现实所有做AI工具的人都得看清楚。
另外两个值得关注的小细节
除了GLM-5V-Turbo和可灵，5月份还有两件事我觉得跟普通用户关系更大：
一是豆包接入Seedance 2.0视频生成模型。 豆包现在MAU已经3.45亿了，在这个体量上接入视频生成，等于让视频AI能力一下子触达了3亿多人。而且豆包跟抖音的生态联动是天然的——生成视频可以直接剪映编辑、抖音发布。如果你做短视频运营，现在”豆包一键出片”已经不是噱头，是真能用。
二是千问和豆包双双杀入618电商大战。 阿里直接把千问跟淘宝40亿商品池打通，你对着手机说”我想买个500块以内的蓝牙耳机，续航要长”，AI帮你选好、比价、放购物车。豆包那边更激进，直接”一句话购物”——你说”帮我下单上次那款面膜”，它就给你买了。这事儿细想挺吓人的，AI已经开始替你做消费决策了。是便利还是风险？我觉得因人而异，但这个趋势不可逆。
具体怎么用千问和豆包做购物决策，我写过一篇详细的豆包完全使用指南，里面讲了怎么调教它帮你挑东西。还有DeepSeek V4的实用技巧，跟这些工具搭配起来效果更好。
说几句大实话
2026年5月，国产AI到了一个有意思的节点。
一方面是技术上真的很能打了——GLM-5V-Turbo在视觉编程这个细分赛道已经对齐甚至局部超过Claude；可灵在视频生成领域直接做到全球估值第一。另一方面，这些能力离”普通人随便用”还有距离。你让一个不懂代码的人用GLM-5V-Turbo？他大概率不知道怎么把生成的代码跑起来。你让一个不懂剪辑的人用可灵？素材从哪里来，怎么调参数，怎么配乐——这都需要学习成本。
我的建议很直白：
- 如果你是开发者，GLM-5V-Turbo值得花时间试。用它生成原型和后台页面，效率至少翻倍。但跑生产代码还是老实做code review。
- 如果你是内容创作者，可灵和豆包的视频功能是现在ROI最高的工具组合。投入一周学习，产出效率能提升3-5倍。
- 如果你是普通用户，先学会用豆包和千问的购物助手。618快到了，今年你可能真不需要自己比价了。
5月份还有更多AI动态值得聊——Kimi的长文处理、DeepSeek深度对比、通义千问的全面评测——感兴趣的话可以翻翻站里之前的文章。国产AI这场仗还远没打完，但5月这一轮，确实是转折点。
好了，说得够多了。用不用，怎么用，你自己试试就知道了。
🔗 GLM-5V-Turbo：https://bigmodel.cn
🔗 可灵Kling：https://klingai.com
🔗 豆包：https://www.doubao.com