让模型盯着界面写断言:GLM-5.3-Flash 在 UI 回归测试里替掉了哪几步人工

本文聚焦GLM-5.3-Flash在UI回归测试中替代人工编写视觉断言的实践,核心机制为‘截图→结构化断言清单→可执行几何检查→基线比对’。模型替代了人工盯图识别缺陷、翻译模糊描述为可判定条件、编写检查代码三步,但保留人工裁决diff环节。关键技术点包括:原生多模态能力支撑文字溢出/图片裁切/元素遮挡三类判据;采用DOM几何量(非像素diff)构建抗漂移基线;通过prompt工程约束输出格式,规避脑补与模糊表述;在飞算JavaAI平台实现四阶段分工与缓存优化,实测token消耗系数0.15×支撑高频CI集成。

让模型盯着界面写断言:GLM-5.3-Flash 在 UI 回归测试里替掉了哪几步人工

我们组的发版回归,卡在一件特别不技术的事上:功能单测全绿,可按钮在窄屏里叠到一块、德文文案把卡片撑破、运营换的封面图把人脸裁掉半张。这类缺陷没人写得出断言,因为「看着不对」四个字进不了 CI,只能每轮拉个人盯着截图一张张过。我把这一轮拆开数了数,要人做的其实是四步:盯着截图找出哪几处不对、把「不对」翻译成能判死的条件、把这些条件写成检查代码、每轮比对完再人工裁决哪些 diff 是真问题。GLM-5.3-Flash 让我意外的不是它照着设计稿生成页面——那是另外一篇文章讲的事——而是它能盯着一张渲染截图,替我把前三步做掉,第四步原样留回我手里。这篇就摊开讲「哪几步被替掉、哪一步死活不能放」,以及 0.15× 的实收倍率怎么让「每轮都跑一遍视觉断言」在账上站得住。写给你,如果你也是那个既写前端、又得给 CI 收拾视觉烂摊子的人。

先把价签摆正:0.15× 是额度系数,2026-08-26 是发布日

聊成本前我先把最容易算错的一格钉死,不然后面全乱。飞算JavaAI 这边 GLM-5.3-Flash 是原价 1.0× → 实收 0.15×;拿同系列做对照,GLM-5.2 是 2.0× → 0.6×,GLM-5.3 是 2.0× → 1.3×(历史资料里还写过 1.6×)。这三行我只在本文做相对比较,谁比谁省、梯度多陡,一眼能读出来。可有个坑必须当场说清:倍率是 token 额度消耗系数,不是货币金额。飞算JavaAI 官方文档写得很直白,专家模型「按 5 倍系数消耗 token 额度」,专业版是 1 亿 Tokens/月这种额度口径。所以 0.15× 不能拿去和下面的 ¥0.8、¥2.8 相乘算成实付金额,它们压根不在同一个坐标系里。平台 1.0x 的货币含义未公开,这句我摆在最前面,后面但凡聊成本都只按相对比较来。

官方定价有两组口径,禁止混算。BigModel / SiliconFlow 国内站是人民币按量价:输入 ¥0.8 / 百万、输出 ¥2.8 / 百万、缓存命中 ¥0.23 / 百万。SiliconFlow 国际站(截至 2026-09-04)与 Z.ai 国际版是美元按量价:输入 $0.15 / 百万、输出 $0.50 / 百万、缓存命中 $0.03 / 百万(AA 记成 $0.026)。两组比例并不严格对应汇率,是不同渠道各自的定价表,我分开抄、不做换算。另有渠道价(spicyapi 记 $0.1275 / $0.425 / $0.0255)、限时促销 50% off 至 2026-09-09($0.075 / $0.015 / $0.25)、工具稿写 ¥2.7 输出与官方 ¥2.8 的 0.1 元差,这些我都当背景事实摆着,不当基准用。GLM Coding Plan 三档 Lite ¥118/月($18)、Pro ¥538/月($80)、Max ¥1,078/月($168),Flash 的 credit 乘数分别 2.3 / 0.56 / 8,官方称可用额度约为 5.3 的 3 倍,GLM-4.7 的请求自动路由到 Flash。价格我只作客观事实一笔带过,不替谁做购买建议。

时间线也得对上,免得把快照串了。2026-08-26 上线并开源,SiliconFlow 模型页那个 Create on Aug 27 是平台上架日,不是发布日。发布前它以 Ox-Alpha(中文社区叫「牛来」)在 OpenCode / OpenRouter 匿名测试,成了当周最受欢迎模型;10 万张国产芯片承载的是服务,官方没说拿它训练。HF 仓库的 chat-template 在 2026-09-04、10-14、10-15 都改过,依赖精确模板行为得 pin revision。还有一条容易被当成「当前有效」的旧快照:2026-11-04 客户端里 Flash 是 0.08×(订阅优先标记)、5.3 是 0.69×、5.2 是 0.79×,当时 Hy4 还挂着 0.00× 限时免费。同一个 0.15×,在本文这张表里是最便宜的实收档,换个快照可能表示「折扣后系数」或「订阅优先」,含义能反过来,具体以客户端实时显示为准。

底牌复核:这一格只列和「看图写断言」有关的规格

规格表我照事实卡片抄,但只挑和本篇主线相关的项。我要的不是「它多能写页面」,是「它凭什么能盯着一张渲染结果,把看见的问题翻成可执行条件」。

项事实口径 / 出处
发布时间2026-08-26 上线并开源SiliconFlow 上架日为 Aug 27
参数结构320B 总参 / 18B 激活 MoE(320B-A18B);HF API 报 321,323,031,390Z.ai 博客、百度智能云
层数 / 配置45 层(34 层线性注意力 + 11 层稀疏注意力);隐藏 4096、64 头、288 专家、每 token 选 8、词表 154,880、FP8(E4M3)百度智能云、Fello AI
架构首次GLM 系列首次稀疏 + 线性注意力混合:线性管局部依赖,稀疏借轻量索引器召回全局Z.ai 博客、中国证券网
mHC流形约束超连接 Manifold-Constrained Hyper-Connections,提升 Scaling 效率Z.ai 博客
IndexPool索引器 4 个 key / 缓存向量加权池化压成 1 个,专降 1M 下索引器时延与内存Z.ai 博客
预训练语料30T token 多模态预训练语料中国证券网
效率收益相对 GLM-5.3:注意力计算量降 3.01× / 3.0×、KV Cache 降 4.44× / 4.4×;官方自述 KV Cache 仍略高于 Kimi-K3 与 DeepSeek-V4-FlashZ.ai 博客
上下文 / 最大输出1M(1,048,576)= 1.04M ≈ 1049K;上游 128K 输出(另有 131,072 / 131K);默认 max_tokens 32,768BigModel 定价页,见口径冲突
输入模态BigModel「图片、视频、文件、文本」;百度云「文本、图像」;SiliconFlow 模型页仅 image input;spicyapi 端点拒绝 audio 与 file parts以具体端点实测为准
思考控制reasoning_effort = low / high / max,默认 max;reasoning_content 与 content 分离readaitime、百度云
开源许可MIT,HF zai-org/GLM-5.3-Flash day one 放出,任务类型 image-text-to-textFello AI
推理框架SGLang、vLLM、TokenSpeed、Transformers、KTransformers、Unslothreadaitime

表里三个数得多说两句。18B 激活配 320B 总参,加上混合注意力与 IndexPool,才是 1M 上下文「敢用」而不只是「参数表上有」的原因;稀疏与线性注意力第一次在 GLM 里合到一起,这个组合决定了它便宜在输入侧,而不是每个成品都便宜。真正和本篇挂钩的是「原生多模态」这一维:官方把视觉能力集成进基座,模型自主判断什么时候该「观察」渲染结果,文档渲染自检能主动查文字溢出、图片裁切、元素遮挡、图表错误、视觉风格不一致。这三类正是我这篇要写成断言的缺陷,等于模型出厂就带着「看见它们」的眼睛。同系列里能把这双眼睛用上的只有 Flash,GLM-5.3 与 5.2 是纯文本旗舰。至于「生成 → 渲染 → 观察 → 找差异 → 改 → 再验证」那套自己改自己的做法,属于生成侧,本篇不碰;我只借这双眼睛做验证侧的断言,方向是反的:不是让它改页面,是让它把「页面哪里会坏」写成机器能跑的条件。SiliconFlow 那个只给一张相机参考图从零搭 3D 相机、以及用 build123d 从零件照片复现 CAD 的案例,我拿来只作一句旁证——它确实能盯着渲染结果逐项比对,别的细节这里不展开。

读基准得把官方自报和第三方独立摁在两张表里

我读基准有个死规矩:厂商自报一张表,第三方独立一张表,中间不画等号。这一节我按规矩走,但只把跑分当背景摆,重点留给后面的工程机制。

厂商自报(Z.ai 发布博客 / 发布图表,max effort)

基准GLM-5.2GLM-5.3-Flashharness / 对照
DeepSWE v1.146.263.4领先 Opus 4.8 的 58.0、DS-V4-Vision-Exp 的 59.3;落后 GPT-5.6 Terra 的 69.6、Gemini 3.7 Flash 的 65.3
AutomationBench v1.0.626.248.8领先 Opus 4.8 的 41.0、DS-V4-Vision-Exp 的 38.8
Terminal-Bench 2.181.084.3略低于 Opus 4.8 的 85.0、GPT-5.6 Terra 的 87.4
Toolathlon Verified59.978.4领先 Opus 4.8 的 76.2
NL2Repo48.956.3官方图表
GDPVal-AA v215081773(榜首)领先 DS-V4-Vision-Exp 1675、Opus 4.8 1582
Z.ai Code Bench v1.0(私有)—29.0 @ maxrun on Claude Code 2.1.207,Opus 4.8 = 29.5;厂商在自家评测比竞品,非独立、非匹配 effort
AA Intelligence Index v4.1.1—57 @ $0.045/任务(折扣价)厂商引用

官方总结是「全面超越参数量高出一倍的 GLM-5.2,定价却仅为后者的 1/10」。硅基流动那篇稿件另给了个广为流传的数:AA 综合智能指数 42 分,与 Claude Opus 4.8 (max) 持平。注意,这张表每一行都是 Z.ai 在自己 harness、自己 effort 下报的,竞品分数同样出自它的图表。

第三方独立(不与自报混算)

项数值机构 / harness / 快照
AA Intelligence Index v4.3.2(2026-09-28)41.8(max effort)AA 自己页面;v4.3.2 含 10 项(AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、TB 4.0、SciCode、HLE、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1)
AA Intelligence Index v4.242(Flash)vs GLM-5.3 的 45AA;Flash 在 TB v4.0、SciCode 及多项专业工作指标上落后 5.3,长上下文持平
Terminal-Bench v4 榜单32.8%对比 GLM-5.3 41.9%、DSV4.1-Flash 26.8%、Kimi-K3 12.6%
独立规格佐证320B/18B、1,000,000 上下文、MIT、开放权重、08-26 发布AA 独立记录(规格范围,非分数)
每任务成本Flash $0.25 vs GLM-5.3 $2.01AA 当前方法学
生成运营成本约 58 output tok/s、TTFT 1.55s、约 36s 到首个 answer token;约 69,000 output tok/任务含约 47,000 推理 tokAA

分栏不是为了好看,是这里根本没有一场公平对打。OrcaRouter 写得很干脆,「没有旗鼓相当的正面对决」——没人公开发表过 Flash 对上 Opus 4.8 / GPT-6 Sol / Grok 4.7、在共享 harness、明示 effort 下的测试;Z.ai 是自家用最高 effort 去比竞品的默认值。Fello AI 那句「There is no independent evaluation of GLM 5.3 Flash yet」也是同一个意思。所以 63.4、84.3、78.4 这些数,我拿来读「厂商认为它强在哪」,不拿来当「我的 CI 里能复现多少」。版本号更不能横比:TB 2.1 的 84.3(自报)和 TB 4.0 榜单的 32.8% 是两套任务分布,拿 84.3 去减 41.9 推出「Flash 更强」纯属自己骗自己。AA 那个 42 是通用智能指数,版本还在 57(v4.1.1)/ 42(v4.2)/ 41.8(v4.3.2)之间跳,toolporto 干脆提醒「AA 57 是通用智能指数,应视为能力下限而非编程-agent 结论」。我不把 AA 42 当绝对能力结论,它是参考坐标,不是能力判决。本篇要验的能力只有一条:它看一张渲染截图,能不能稳定产出可执行的断言清单。这件事没有任何一张跑分表能替我回答,得自己跑。

主线机制:截图 → 断言清单 → 可执行检查 → 基线比对

图注:截图到可执行断言的四步流程图

这四步是本篇的骨头,我一步步拆。它和「生成页面再自己修」那条路最大的区别在于落点:那条路最终改的是页面,这条路最终产出的是断言清单和一份基线,页面动不动由 CI 说了算,模型全程不碰代码库。

第一步,截图进窗。 我把待测页面在几个固定视口(我自己定的 375 / 768 / 1440 三个宽度)渲染成截图,连同组件选择器和项目约定一起喂进去。这里必须显式传 reasoning_effort,默认 max 是最贵档,用它跑每轮 CI 等于按最贵的方式用一台便宜机器。端点也得先实测:BigModel 列「图片、视频、文件、文本」,SiliconFlow 模型页仅 image input,spicyapi 端点明确拒绝 audio 与 file parts,接入前按具体端点确认它收图,别假定都能收。

第二步,把「看着不对」翻成断言清单。 这是模型真正替我干掉的活。我要求它只输出结构化清单,不写「建议优化」「看起来有点挤」这种没法执行的话,每条必须落到一个选择器和一个可判定的条件。它出厂带的文档渲染自检正好覆盖文字溢出、图片裁切、元素遮挡三类,我把这三类做成清单里的 kind 字段。

第三步,可执行检查。 清单里的每条 kind 对应一段几何判定,用 Playwright 在真实 DOM 上取量,不靠像素比图。为什么不用整图像素 diff,后面实测和误区两节会讲清楚:字体抗锯齿、亚像素渲染一变,像素 diff 全是误报。

第四步,基线比对。 把人工确认过的清单固化成 visual_baseline.json,每轮 CI 跑一遍,只把「与基线不一致」的项推给人。

三类视觉缺陷的判据我单独列张表,全是能当场判死的条件,阈值是我在项目里自己定的工程值,不是官方参数:

缺陷类型怎么算「溢出 / 裁切 / 遮挡」可判定判据常见误报
文字溢出文本节点内容宽超出容器可见宽,且无省略兜底scrollWidth > clientWidth + 容差 且 text-overflow != ellipsis 且无 title本就设计了跑马灯 / 折叠,被当成溢出
图片裁切容器宽高比与图片固有比例不一致,关键区域被 object-fit: cover 切掉容器 ratio 与图片固有 ratio 偏差超容差,或关键区域落在被裁范围故意做的封面裁切,本就允许
元素遮挡目标被更高层叠上下文盖住,点不到也看不见中心点 elementFromPoint 命中的不是目标本身或其子节点;或可见面积占比低于阈值浮层、Toast 这类设计上就该临时盖住的元素

分工我钉成一句话,后面所有表格和脚本都围着它转:模型写断言、CI 跑断言、人只看 diff。模型干的是「看」和「翻」,把眼睛能发现的问题变成机器能判的条件;CI 干的是每轮稳定重跑;人从「盯整张截图」退到「裁决一份 diff 清单」。标题里那句「替掉哪几步人工」,机制上替掉的正是前三步里的看、翻、写,剩下裁决这一步我死死攥着。

功能 → 场景映射:八个场景,每个都写清「为什么适配」和「凭什么判」

图注:三类视觉缺陷判据与基线比对矩阵

我把日常会进回归的活铺成矩阵,判据一律写成能当场判的条件,不写「结合业务实际」这种滑头话。八格有个共同前提:产物是「用户能看见的东西」,且缺陷只能看出来、读代码猜不出来。

场景为什么适配判据
多语言 / 长文案的文字溢出回归德文、俄文、阿拉伯文长度飘忽,纯靠人眼比对设计稿根本覆盖不全,视觉自检能查溢出每种 locale 各跑一遍 375 宽;溢出判据命中即入 diff,不做主观「看着还行」
商品图 / 头像 / 封面的图片裁切回归运营换图后人脸、主体被 object-fit: cover 切掉,只有看图能发现容器与图片固有宽高比偏差超容差;关键区域(人脸框 / 主体框)不得落在裁切范围
浮层 / 吸顶 / 弹窗的元素遮挡回归z-index 与层叠上下文一变,按钮点不到,功能单测全绿也照样废中心点命中测试必须拿到目标本身;可见面积占比不低于阈值
响应式断点(375 / 768 / 1440)回归窄屏挤行、宽屏留白错乱是重灾区,且能固定视口做基线三个宽度各存一份基线;任一宽度 diff 非空就让 CI 红
表单错误态 / 校验提示溢出回归错误文案一长就撑破容器或盖住相邻字段,属于典型「看得见」缺陷触发每条校验规则后跑溢出与遮挡两类判据;错误态单独存基线
图表 / 大屏标签重叠回归数据点密集时坐标轴标签叠字,只能看渲染结果相邻标签包围盒相交即判重叠;标签文本溢出同文字溢出判据
深浅主题 / 字号缩放后的溢出回归切换主题或放大字号后文案溢出、对比度塌掉,靠代码读不出来主题各一份基线;字号档位各跑一次溢出判据
PDF / 导出文档的渲染回归交付物是正式文件,排版即质量,官方渲染自检本就覆盖这类导出后逐页跑三类判据;文字溢出与元素遮挡零容忍

头三格是主场。 文字溢出、图片裁切、元素遮挡,正好对上官方文档渲染自检里那三类,也是我实测里返工最多的三处。判据的共性我写成一条:能用 DOM 几何量判死的,绝不退回像素比图;模型负责把「这处不对」指到具体选择器,我负责把选择器钉进清单。

第四格到第七格是同一套判据换个入口。 响应式断点、表单错误态、图表标签、深浅主题,看着是四类活,落到脚本里都是「在某种状态下跑一遍三类判据、和对应基线比」。它们适配 Flash 的理由也一样:单次价值低、可并行、错了能被客观判据当场抓住,正是 0.15× 该待的位置。SiliconFlow 列出的候选里那句「带自动检查的低风险任务起步(单测、linter、schema 校验、截图比对、沙箱执行)」,我照搬成筛子:凡是有客观裁判的,我派得爽快。

第八格是我刻意留的边界。 PDF / 导出文档的渲染自检,官方是拿它当「生成后主动检查溢出 / 裁切 / 遮挡」的能力说的;我这里把它反过来用——不让模型生成文档,只让它对着已有导出件写断言。方向一变,就从生成侧闭环滑到了验证侧,正好和第一批那篇错开。

明显不适配的场景:这六类活我一律不派它

不适配场景为什么换谁 / 怎么办
需要理解业务语义正确性的断言金额算错、状态流转错、权限漏判,截图上完全看不出来,模型盯图只会给出「看着正常」交给单测 / 契约测试 / 领域断言,不进视觉回归
事实性判断 / 图文一致性校验幻觉率高于旗舰、会脑补图中不存在的物体;图文冲突时倾向信文本不信图多次采样求一致、先让模型列「看到了哪些元素」、把图中关键文字抽出来当证据
无基线、每版 UI 都变的探索页没有 golden 可比,模型写出的断言无处落地,diff 全是噪声先人工定一版基线,或干脆不做视觉回归
像素级精确设计还原的「拍板」能看图不等于看图准,模型偏「直给」爱下绝对判断,拍板会翻车设计稿还原交给人工签核,或回到生成侧流程
一次性生成整份超长断言集且不容截断默认 max_tokens 32,768 远低于 128K / 131K,存在安静截断、返回格式良好的半截答案先实测上限,或分组件分批生成、逐批验收
无 CI / 无客观裁判、靠模型自验自收模型写断言又自己判通过,等于把「发现问题」和「承担后果」合并了必须外接 CI 跑断言 + 人工看 diff,模型不碰裁决

第一类我吃过亏。有张结算页金额被折扣规则算错了,视觉断言全绿——因为字没溢出、图没裁、按钮没挡,可数错了。那次之后我把「语义正确性」彻底划出这套流水线,视觉回归只管「看得见」。第四类最容易被「它能看图」这个印象带偏:能看图不等于看图准,优快云 实测里 Flash 把黑色双肩包识别成摄像机、图写 199 元而 prompt 写「不超过 99 元」时它顺着文本说谎,这种倾向让它不适合当最终裁判。第二、三、五、六类不用多解释,SiliconFlow 自己就把不可逆操作列进「保留显式人工审批」,而安静截断那条坑是 OrcaRouter 点名的「未文档化长度处安静截断并返回格式良好的半截答案」——半截答案还排版工整,你不逐项核根本发现不了。

实测:一张订单卡片,我把断言清单返工了三次

挑个真活从头走一遍。上周我给「订单卡片组件」补 i18n 回归:要覆盖长文案溢出、封面图裁切、右上角浮动徽标遮挡三件事。目标很朴素——把开头那四步人工里能省的省掉,且别让 CI 天天误报。这一步我事前把「生成 → 反馈 → 返工 → 再优化」的落脚点定死:每一轮必须能落一份可 diff 的产物,模型一句「已优化」不算交差。

第一版,糊了。 我把 375 宽的截图和组件代码一起喂进去,让它列断言清单,它回了一堆「价格标签不应太挤」「封面图展示要完整」「徽标不要压住内容」——读着都对,没一条能进 CI。「太挤」「完整」「压住」全是模糊词,判不了死。这是第一处返工,反馈是「清单没法执行」,优化是我把 prompt 改成硬约束:每条断言必须给 selector + kind + 一个可量化条件,禁止任何形容词,拿不准的标【需人工确认】而不是自己填。改完再要,清单总算落到 text-overflow: ellipsis、object-fit 比值、elementFromPoint 命中这几类具体条件上。

第二版,它脑补了。 清单里冒出一条「返现标签 .cashback-tag 不得溢出」,可我这张卡片根本没有这个元素——它把参考图里另一版的样式「看」进来了。这正是事实卡片里那个陷阱:图文冲突时倾向信文本、会脑补图中不存在的物体。第二处返工,反馈是「断言指向了不存在的元素」,优化是我把「先列假设」提到最前:先让它把从截图里读到的元素、文字、层级逐条列出来,我签字确认后才放行写断言,那条 .cashback-tag 当场被我划掉。顺带补了一条纪律:图中关键文字单独抽出来当证据,不让它在写断言阶段重新「理解」一遍。

第三版,基线漂了。 我一开始用整图像素 diff 做基线,同一份代码在两台构建机上跑,字体抗锯齿差了一个像素,CI 连红三天,全是误报。这是第三处返工,也是最值钱的一处:反馈是「像素 diff 抗不住环境漂移」,优化是我把基线从「截图」换成「结构化几何量」——scrollWidth / clientWidth、容器宽高比、elementFromPoint 命中结果这些数字,配上我自己定的 2px 容差。几何量不随抗锯齿变,误报当场没了。这一步返工逼出来的,正是代码实战那节的脚本。

三处返工串起来,恰好是「生成 → 反馈 → 再优化」的一圈:模糊断言 → 反馈「进不了 CI」→ 优化「硬约束 + 禁形容词」;脑补元素 → 反馈「指向不存在的节点」→ 优化「先列假设再签字」;像素误报 → 反馈「环境漂移」→ 优化「结构化几何基线 + 容差」。回头数开头那四步人工:盯截图找差异、把差异翻成判据、把判据写成检查——这三步模型替掉了;第四步「裁决 diff 是真问题还是误报」我一步没让,仍是人看那份清单签字。标题里「替掉哪几步人工」,答案就是这三步,一步都没多放。 0.15× 在这里才真正显出价值:这份断言清单是小输入小输出、判据模板能走缓存,每轮 CI 跑一遍不再是奢侈动作;换成旗舰档,天天跑的成本会让我重新去赌「这周应该没事」。

代码实战:把三类缺陷写成能进 CI 的断言

上面第三处返工逼我写了个小运行器,放在 frontend-ci/ 目录里。它不是框架,是把「模型写清单、CI 跑断言、人看 diff」这套分工固化下来的草稿,能直接读懂、能改。阈值都是我在项目里定的工程值,不是官方参数,注释里我特意标了这一句。

# visual_assert.py —— UI 回归:把截图里的三类视觉缺陷转成可执行断言
# 放在 frontend-ci/ 目录,page 由 Playwright 注入,CI 用退出码判断红绿
# 分工口径:GLM-5.3-Flash 写断言清单,CI 跑断言,人只看 diff(不重跑肉眼比对)
# 注意:下面所有容差是我自己定的工程阈值,非官方参数、非任何基准分
import json

BASELINE = "visual_baseline.json"  # 人工确认过的断言清单 + 几何基线,逐字节固化

# 三类视觉缺陷的可判定判据,全部落在 DOM 几何量上,不用整图像素 diff:
# 1) 文字溢出:内容宽超可见宽,且没有 ellipsis / title 兜底
# 2) 图片裁切:容器宽高比偏离图片固有比例超过容差
# 3) 元素遮挡:中心点命中测试拿不到目标元素
JS_GEOMETRY = """
(sel) => {
  const el = document.querySelector(sel);
  if (!el) return null;                       // 选择器不存在:疑似基线漂移
  const r  = el.getBoundingClientRect();
  const cs = getComputedStyle(el);
  // elementFromPoint 做命中测试:中心点返回的不是它自己,就是被遮挡
  const hit = document.elementFromPoint(r.left + r.width / 2, r.top + r.height / 2);
  return {
    scrollW: el.scrollWidth, clientW: el.clientWidth,
    ellipsis: cs.textOverflow === 'ellipsis',
    boxW: r.width, boxH: r.height,
    covered: hit !== el && !el.contains(hit)
  };
}
"""

OVERFLOW_TOL = 2      # 我定的文字溢出容差:2px,抗亚像素渲染抖动
RATIO_TOL    = 0.05   # 我定的宽高比容差:5%

def check_overflow(g):
    # 判据:内容宽不超可见宽 + 容差,或已有 ellipsis 兜底,两者居一即通过
    return g["scrollW"] <= g["clientW"] + OVERFLOW_TOL or g["ellipsis"]

def check_crop(g, expect_ratio):
    # 判据:容器宽高比与图片固有比例偏差在容差内
    ratio = g["boxW"] / g["boxH"] if g["boxH"] else 0
    return abs(ratio - expect_ratio) <= RATIO_TOL

def check_cover(g):
    # 判据:中心点能命中目标本身或其子节点
    return not g["covered"]

def run(page, assertions):
    # 只把「与基线不一致」的项推给人,其余不刷屏,这是降噪的关键
    diffs = []
    for a in assertions:
        g = page.evaluate(JS_GEOMETRY, a["selector"])
        if g is None:
            diffs.append({"selector": a["selector"], "reason": "元素缺失(疑似基线漂移)"})
            continue
        kind = a["kind"]
        if kind == "overflow":
            ok = check_overflow(g)
        elif kind == "crop":
            ok = check_crop(g, a["expect_ratio"])
        else:
            ok = check_cover(g)
        if not ok:
            diffs.append({"selector": a["selector"], "kind": kind, "geometry": g})
    return diffs

if __name__ == "__main__":
    with open(BASELINE, encoding="utf-8") as f:
        baseline = json.load(f)
    page = None  # type: ignore  # 由 CI 里的 Playwright 注入
    diffs = run(page, baseline["assertions"])
    # 有 diff 就让 CI 红,人只裁决这份清单,不必再盯整张截图
    print(json.dumps(diffs, ensure_ascii=False, indent=2))
    raise SystemExit(1 if diffs else 0)

脚本里几处注释是给未来的我留的疤:BASELINE 那份清单必须人工签过字才固化,模型自己生成的不能当基线;OVERFLOW_TOL 和 RATIO_TOL 是我拿两台构建机试出来的,不是抄来的;run 只回 diffs 不回全量,是为了让人真的「只看 diff」而不是被刷屏逼回肉眼比对。真跑的时候,我把模型产出的清单先过一遍「先列假设」的自检,确认选择器都存在,才写进 visual_baseline.json。这段代码不算生产级,但它把「我凭感觉觉得页面没坏」变成了「三类判据各判一次、退出码说了算」。

在飞算JavaAI 里落地:四阶段 × 档位,外加三段可复用 prompt

把上面的分工固化成飞算JavaAI 四阶段的表。档位按「谁出判断 / 谁出断言 / 谁验收」填,思考档只写 low / high / max 三档,不写虚名。

阶段建议档位派谁思考档验收人 / 裁判
需求分析轻量档 GLM-5.3-Flash(0.15×)Flash 盯截图列三类缺陷类型与候选选择器,人工清单假设high人工逐条确认「看到了哪些元素」
前后端设计深度档 GLM-5.3(1.3×)定判据框架 + Flash 补界面态5.3 定基线格式与 CI 契约,Flash 把界面态翻成断言max / high人工签核 visual_baseline.json
前端开发轻量档 GLM-5.3-Flash(0.15×)Flash 写断言清单、跑渲染自检、按反馈返工high三类判据、结构化几何比对、CI 退出码
后端开发深度档 GLM-5.3(1.3×)出骨架 + Flash 落实现5.3 定 CI 运行器与断言数据结构,Flash 写几十条断言与单测max / high编译、单测、linter、CI 红绿

读法我说一句:需求分析阶段 Flash 便宜又能看图,正好用来把「哪些视觉缺陷要进回归」盘成清单,可它列的假设必须人签字;设计阶段涉及基线格式与 CI 契约,升到 5.3 出骨架,可见的界面态仍交 Flash;前端开发整段是 Flash 主场,写清单、跑自检、按反馈返工;后端开发反过来,5.3 定运行器数据结构,Flash 只写已定范围内的断言与单测。四格我都留了「客观裁判」一列,因为 Flash 单次价值低到不该让人逐行盯,得有编译、单测、几何比对替我把关。智谱自己的口径就是「Flash for cost and modality, flagship for coding depth」,我照着这个分层填的。

三段 prompt 我按分析型 / 实现型 / 自检型分开存,复制就能用,都写成 ```text 不掺代码。

分析型(钉死角色,只列缺陷不写检查):

你是 UI 回归分析员,只做定位与分类,不写任何检查代码、不改页面。
输入:一张 375px 宽的渲染截图 + 组件选择器清单 + 项目约定。
第一步:逐条列出你从图里读到的元素、文字、层级;无法确定的一律标【假设】,不要自行填值。
第二步:把可能出现的视觉缺陷归到「文字溢出 / 图片裁切 / 元素遮挡」三类,各写一条可判定条件。
约束:禁止「太挤 / 完整 / 压住 / 看着不对」等模糊词;每条给 selector + kind + 一个可量化条件。
拿不准的标【需人工确认】,不替我下结论。图中关键文字单独抽出来当证据,写断言阶段不得重新理解。

实现型(限定范围,只要已确认清单里的实现):

只把上一轮人工签过字的断言清单翻成可执行检查,不改动清单之外的任何文件。
每条断言输出:selector、kind(overflow / crop / cover)、判定函数、阈值(注明是自定义工程值)。
基线用结构化几何量(scrollWidth / clientWidth、容器宽高比、elementFromPoint 命中),不用整图像素 diff。
只把与基线不一致的项输出为 diff,CI 用退出码控制红绿;清单逐条落一段,不要用「已修复」这类结论句带过。

自检型(专抓模糊断言、脑补元素与基线漂移):

复查上一轮断言清单,逐项回答,不许下绝对判断:
1) 是否存在形容词或模糊判据?有就逐条标【不可执行】,不要替它改。
2) 每条 selector 是否都指向图里确实存在的元素?列出你「看到」的元素清单供核对,疑似脑补的标【疑似不存在】。
3) 输出是否完整?若末尾像被截断,直接写「疑似安静截断」,不要补全。
4) 基线是否用了整图像素 diff?是则标【环境漂移风险】,建议改结构化几何量。

成本与倍率:0.15× 为什么让「每轮截图比对」在账上成立

再算一遍账,只算相对的。¥0.23/M 的缓存命中大约是输入价 ¥0.8/M 的 28.75%,所以把判据模板、项目约定、选择器规范做成稳定前缀走缓存,是这台机器上 ROI 最高的降本手段——代码实战那节的 BASELINE 和固定 prompt 前缀就是逐字节不动复用的。真正让「每轮都跑视觉断言」成立的,是这类任务恰好落在 Flash 最省的形状上:输入是一张截图加一份稳定模板、输出是一份几十条的结构化清单,小输入小输出、可并行、有客观裁判。AA 当前方法学给的每任务成本是 Flash $0.25 vs GLM-5.3 $2.01,这个差距配上「0.15× 实收 + 缓存命中」才撑得住每天几十轮;单看一次调用省多少没意义,得看「请求数 × token 数 × 重试率」这三项乘在一起。我把清单分批生成、模板走缓存,重试率才按得住。

倍率那栏始终只作相对比较。平台 1.0x 的货币含义未公开,0.15× 是 token 额度消耗系数,不能与 ¥0.8 / ¥2.8 换算成实付金额。还有三个分数别合并:官方说定价是 GLM-5.3 的 1/10、限时折扣内 1/20、BigModel 页另写价格仅 1/40(对的是 Opus 4.8),参照系分别是「对 5.3 定价」「折扣期内对 5.3」「对 Opus 4.8 定价」,拼成一个折扣率就是错的。限时促销 50% off 至 2026-09-09 已经过期,我不拿它当当前有效价。同一 0.15× 在不同快照里还可能是 0.08× 的订阅优先标记,以客户端实际显示为准。一句话收这节:便宜的是输入侧与缓存命中,不是每成品成本;把稳定前缀伺候好、把断言做成小输入小输出,比纠结倍率小数点有用得多。

选型 SOP:什么时候派 Flash 写断言,什么时候干脆别派

我把判断压成一条能当场走的顺序。第一问:缺陷是不是「只能看出来」的(溢出 / 裁切 / 遮挡)?是,进候选;不是(金额、状态、权限这类语义错),直接划给单测。第二问:这一处有没有稳定基线可比?有,才派;探索页每版都变,先别做视觉回归。第三问:判据能不能用 DOM 几何量判死?能,才派;退回像素比图的,先改基线格式。第四问:改动会不会逼近 32,768 的默认上限、或要一次生成整份超长清单?会,就分批、先实测上限。第五问:接入端点的模态实测过没有?没测过就按 BigModel / SiliconFlow / spicyapi 各自的口径分别验,别假定都收图。五问走完,派谁、配什么思考档、谁验收,基本就定了。

反直觉的误区我攒了七个,都是自己踩过或差点踩的:

误区一:UI 回归就是整图截图 diff。 我第三处返工全赔在这上面。字体抗锯齿、亚像素渲染一变,两台构建机像素就对不上,CI 连红三天。改成结构化几何量(scrollWidth / clientWidth、宽高比、elementFromPoint 命中)加容差,误报当场没了。

误区二:模型能看图,就能写准断言。 第一版它回的全是「价格标签不应太挤」这种没法执行的模糊词,第二版还脑补出一个根本不存在的 .cashback-tag。能看图不等于看图准,先列假设、签了字再写断言,这两道闸门省不得。

误区三:断言越多越安全。 模糊断言是 CI 噪声之源。一条判不死的条件带来的误报,比漏一条真缺陷更耗人——它会把「人只看 diff」逼回「人重新盯整张截图」,等于白做。

误区四:0.15× 就是便宜,多开并发跑得更快。 它是 token 额度系数不是货币,不能和 ¥0.8 / ¥2.8 相乘;本地 DGX Spark 实测 128K 首 token 193.4 秒,并发 8 路时每请求掉到 3.3 tok/s。平台 1.0x 的货币含义未公开,只作相对比较。

误区五:AA 42 与 Opus 4.8 max 持平,所以编程能力持平。 42 是通用智能指数,版本在 57(v4.1.1)/ 42(v4.2)/ 41.8(v4.3.2)之间跳,两次修订、两套任务集,不是模型分数变动;toolporto 说该把它视为能力下限而非编程-agent 结论。它是参考坐标,不是能力判决。

误区六:这套就是「生成 → 渲染 → 观察 → 改」那套的又一遍。 方向是反的。那条路最终改页面,是生成侧;这条路最终产出断言清单和基线,页面动不动由 CI 说了算,模型全程不碰代码库,是验证侧。把两者当一个东西,就会误以为模型还得自己改页面,分工立刻乱。

误区七:生成即可交付整份断言集。 默认 max_tokens 32,768 远低于 128K / 131K,OrcaRouter 提醒会「安静截断并返回格式良好的半截答案」。半截清单还排版工整,不逐项核根本发现不了。整份清单必须分批生成、逐批验收。

结论:谁出判断、谁出实现、谁做验收

这圈跑下来,分工反而清楚了。判断由人加 GLM-5.3 出:哪些视觉缺陷该进回归、基线用几何量还是像素、图文冲突和脑补元素怎么拦,这些错了代价最高,不交给便宜档拍板。实现(写断言、跑自检、按反馈返工)交给 GLM-5.3-Flash:三类判据、几十条断言、界面态清单,量大、单次价值低、有客观裁判,正是 0.15× 该待的位置。验收交给 CI 和人:几何比对、退出码、编译、单测替我把大部分关,图文冲突、语义正确性、不可逆操作这几处留显式人工闸门。Flash 替掉的是「人肉盯截图、把不对翻成判据、把判据写成检查」那前三步,不是省掉判断,也不是省掉验收——第四步裁决 diff,始终在我手里。

留个我还想不明白的问题在这儿:当三类视觉缺陷都能被几何判据稳定自动判之后,人工闸门该往哪挪?我现在把「先列假设、签字放行」和「裁决 diff」死死攥在手里,可要是哪天模型连「图里到底有哪些元素」都能稳定列对,这道签字是不是也该后移一格、只在 diff 非空时才叫人?这个我还没试出可靠答案,先记着。

数据来源与说明:官方、第三方、社区、实测分开列,口径冲突单列

数字全部照抄 facts/GLM-5.3-Flash.md,未查到公开资料的一律写「以官网 / 客户端实际显示为准」,没有自行推算、插值或跨快照混引。文中 375 / 768 / 1440 视口、2px 容差、5% 宽高比容差,是我在本机项目里自己定的工程阈值,属操作流程,不是官方参数或基准分。下面按来源性质分组,正文提到的第三方结论都能在这张清单里找到对应条目。

官方一手:Z.ai 博客《GLM-5.3-Flash: Frontier Intelligence, Flash Cost》 https://z.ai/blog/glm-5.3-flash ;Z.ai 官方文档《GLM-5.3-Flash/FlashX》 https://docs.z.ai/guides/vlm/glm-5.3-flash ;BigModel 定价页 https://bigmodel.cn/pricing ;智谱官方《GLM-5.3:前沿编程能力与涌现的网络安全能力》 https://www.zhipuai.cn/zh/research/162 ;中国证券网《10 万张国产卡撑起智谱新模型线上流量》 https://www.cnstock.com/commonDetail/777762 ;百度智能云模型介绍 https://cloud.baidu.cn/doc/AIHC/s/Lmtlnpqv9 ;GMT EIGHT https://gmt8press.com/content/detail/424804 ;读懂AI时代 https://www.readaitime.com/news/2026-10-15/wcow5xjh 。

第三方独立 / 评测机构:OrcaRouter《Ox Alpha: The Complete Spec Sheet》 https://www.orcarouter.ai/blog/ox-alpha ;OrcaRouter《MiniMax M3.1 Flash vs GLM-5.3-Flash》 https://www.orcarouter.ai/blog/minimax-m3-1-flash-vs-glm-5-3-flash ;Syntax Dispatch《GLM-5.3-Flash Review》 https://www.syntaxdispatch.com/blog/glm-5-3-flash-review ;Toolporto《GLM-5.3-Flash Review》 https://toolporto.com/reviews/glm-5-3-flash ;Fello AI https://felloai.com/glm-5-3-flash/ ;Aivoax https://aivoax.com/en/models/glm-5-3-flash ;SpicyAPI https://spicyapi.ai/reviews/glm-5-3-flash ;AlexTech https://www.alextech.ai/en/news/glm-53-dominates-shell-tasks-leaving-other-open-models-behind ;iFAST / Artificial Analysis https://www.ifastgm.com.hk/igm-hk/en/insights/articles/401541 ;DataCamp 中文 https://www.datacamp.com/zh/blog/glm-5-3-flash ;agentpedia https://agentpedia.codes/blog/glm-5-3-flash-ox-alpha-guide 。

厂商动态 / 媒体交叉:硅基流动(3D 相机、AA 42、人民币价) https://blog.youkuaiyun.com/SiliconFlow/article/details/168117469 ;SiliconFlow 博客《Architecture, Pricing and Multimodal Limits》 https://www.siliconflow.com/blog/glm-5-3-flash-architecture-pricing ;SiliconFlow 模型页 https://www.siliconflow.com/models/glm-5-3-flash ;觉醒学院 https://www.jxxy.net/ai/articles/glm-flash-multimodal/ 。

社区 / 实测:优快云 实测《GLM-5.3-Flash 实测:1/40 成本实现多模态应用》(图文冲突、脑补双肩包、合同金额抽取 97%) https://blog.youkuaiyun.com/weixin_32501329/article/details/164579805 ;今日头条《每秒 16token,128K 照样跑》(DGX Spark 128K 首 token 193.4 秒、并发 8 路 3.3 tok/s、自托管量化) https://www.toutiao.com/article/7705082523398734355/ 。文中「我」的订单卡片断言、三处返工、visual_assert.py 运行器,属本机实操记录,非厂商或第三方结论。

飞算JavaAI 侧:产品文档(倍率 = token 额度系数、专业版 1 亿 Tokens/月) https://www.feisuanyz.com/docs/languages/others/productInfo.html ;模型折扣公告 https://www.10100.com/article/151971524 ;优快云 CalEx_Tech 17 行模型表 https://blog.youkuaiyun.com/CalEx_Tech 。

口径冲突单列

  1. AA 智能指数三个版本(本型号最严重):57(Z.ai 引用 v4.1.1,@$0.045/任务)、42(AA v4.2 / 硅基流动稿件,称与 Claude Opus 4.8 max 持平)、41.8(AA 自己 2026-09-28 页面 v4.3.2,max effort)。v4.3.2 含 10 项评估而 v4.1.1 未含,两次修订、两套任务集,不可当作模型分数变动。toolporto 把 57 称作「independent AA 57 score」,与 OrcaRouter「57 是厂商引用、AA 当前页是 41.8」冲突,并列在此。
  2. 厂商自报 vs 第三方:Z.ai Code Bench v1.0 的 29.0 vs Opus 4.8 29.5 是厂商在自家 harness(Claude Code 2.1.207)、max effort 下的自比;OrcaRouter 明确「没有人在共享 harness、明示 effort 下做过 Flash vs Opus 4.8 的公开测试」,Fello AI 称「没有独立评测」。
  3. Terminal-Bench 版本不可横比:TB 2.1 = 84.3(自报)、TB 4.0 榜单 32.8%、GLM-5.3 的 TB 3.0 = 28.3 / TB 4.0 = 41.9% 是不同任务分布;不可用 84.3 与 41.9 相减推出「Flash 更强」。
  4. 定价两套货币:¥0.8 / ¥2.8 / ¥0.23 与 $0.15 / $0.50 / $0.03 口径不同,禁止混算;另有渠道价、限时促销、工具稿 ¥2.7 与官方 ¥2.8 的 0.1 元差。
  5. 1/10、1/20、1/40 参照系不同:分别对 GLM-5.3 定价、限时折扣期内对 GLM-5.3、对 Claude Opus 4.8 定价,不可合并为一个折扣率。
  6. 上下文与最大输出多种写法:1M 有 1,048,576 / 1,000,000 / 1049K / 1.04M;最大输出 128K / 131,072 / 262K / 65,536 / 默认 32,768,按渠道分别标注。
  7. 输入模态端点差异:BigModel「图片、视频、文件、文本」、百度云「文本、图像」、SiliconFlow 仅 image input、spicyapi「audio and file parts are rejected」、OrcaRouter 却写「file and video input」,以具体端点实测为准。
  8. 思考可否关闭:readaitime / 百度云「low/high/max,默认 max」;aivoax「thinking.type 只能 enabled,不能关闭」;SiliconFlow「Enable Thinking Default True」且可切换;另有「clear_thinking 默认 false,需显式传 true 才能复现榜单」。
  9. 平台倍率快照:本文给定 1.0× → 0.15×;2026-11-04 客户端快照为 0.08×(订阅优先),同期存在 0.00× 限时免费档。倍率是 token 额度系数而非货币,不同快照不可互推。
  10. 权重时点与快照版本:8-26 发布 vs SiliconFlow 上架日 Aug 27;国产芯片为服务承载,官方未声称 Flash 在其上训练;HF chat-template 于 2026-09-04、10-14、10-15 有变更,依赖精确模板行为须 pin revision。

未查到公开资料的项:独立幻觉率专项基准数值、官方自己公布的 SWE-bench Verified 分数、飞算JavaAI 1.0× 对应的绝对货币金额、Flash 在国产芯片上「训练」的官方声明——一律以官网为准,不作推断。

评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值