Ne treba vam GPT-Image2, DeepSeek V4/GLM-5.1 + draw.io je sasvim dovoljan.

April u svetu velikih modela je zaista bio veoma dinamičan.

Prvo je početkom aprila objavljen GLM-5.1;

zatim Claude Opus 4.7 (mada pomalo oslabljen, ali i dalje prilično jak u kodiranju);

potom GPT-5.5, čija je recepcija direktno preokrenula utisak o Opusu 4.7;

i konačno DeepSeek V4, objavljen 24. aprila, koji je još jednom pokazao snagu kineskog otvorenog modela.

Kroz 7 slučajeva, sa istim podsticajnim upitima, sveobuhvatno ću uporediti GLM-5.1 i DeepSeek V4, pokrivajući full-stack razvoj, tehničke arhitektonske dijagrame, RAG pitanja i vizualizaciju podataka, nastojeći da u potpunosti prikažem osnovne mogućnosti oba modela.

Prvo dve slike za poređenje: gore je iz GLM-5.1, dole iz DeepSeek V4, nosilac je draw.io. Meni se lično veoma sviđa, a uobičajeno formatiranje članaka završavam pomoću GLM-a ili DeepSeek-a, kvalitet je veoma visok.

Ovaj tehnički stil crtanja mi se više sviđa od GPT-Image2.

Ceo tekst je prilično obiman, vežite sigurnosne pojaseve, krećemo!!

01,Neka izađu oba takmičara

GLM-5.1 ističe se na dugim zadacima, može da radi neprekidno osam sati, sam ispravlja bagove usput, sam menja strategiju, sam popravlja greške i na kraju isporučuje rezultat inženjerskog nivoa. Na SWE-bench Pro osvojio je najviši rezultat na svetu, a njegove sposobnosti u kodiranju zaista su u prvoj ligi.

Ranije sam pomoću GLM-5.1 od nule dovršio Agent za generisanje AI pametnih biografija, sposobnosti su neosporne. Otvorenog koda je na GitHub-u.

[Snimak ekrana]

DeepSeek V4, Pro verzija ima 1.6T parametara (49B aktivnih), podržava kontekstni prozor od milion tokena, iskustvo korišćenja je bolje od Sonnet 4.5, a kvalitet isporuke je blizak Opus 4.6 u ne-razmišljajućem režimu.

Ranije sam pomoću DeepSeek V4 dodao PaiCongmingu funkciju više razgovora, back-end je u redu, ali front-end ima puno prostora za napredak.

Agent alat koji koristim je Claude Code, a donji model prebacujem preko sopstvenog PaiSwitch-a.

Veoma je zgodno.

Zatim ću prvo pokrenuti GLM-5.1, pa prebaciti na DeepSeek V4, i pokazati vam stvarne rezultate oba modela. Ko želi da vedi kako se slažu ova dva modela, sada može da uživa ~~ ~ ~ ~ ~

Modele sam već konfigurisao, samo kliknem za prebacivanje.

Setite se da nakon pokretanja Claude Code-a unesete /status za potvrdu.

02,Sajt za učenje mahjonga

Prvi slučaj je zanimljiv — napravimo sajt za učenje mahjonga.

Referencirao sam lepo urađen vizuelni vodič za mahjong sajt themahjong.guide, dizajn je ugodan za oko, koristi card layout za prikaz različitih tipova pločica, boje su sveže, interakcija tečna.

Hajde da vidimo da li oba modela mogu da postignu takav nivo.

Podsticajni upit je sledeći:

Napravi mi sajt za učenje mahjonga, zahtevi su sledeći:

1. Ukupni stil: referenciraj vizuelni dizajn themahjong.guide, koristi card layout, boje treba da imaju kineske elemente (cinober-crvena, tamnozelena, zlatni akcenti), ukupno čisto i sveže
2. Struktura stranice:
   - Gornji navigacioni bar: logo + četiri sekcije (osnove za početnike / katalog pločica / brza referenca fanova / praktične tehnike)
   - Hero zona: veliki naslov "Vizuelni vodič za mahjong", uz slogan, pozadina sa apstraktnim teksturama mahjong pločica
   - Katalog pločica: nacrtaj lice mahjong pločica pomoću CSS-a (wan, tiao, tong po 1-9, sever istok jug zapad centar izdati belo), na hover prikaži ime i izgovor pločice
   - Brza referenca fanova: uobičajeni fanovi (ping hu, peng peng hu, qing yi se, qi dui, guo shi wu shuang itd.) prikazani karticama, svaka kartica sadrži ime fana, broj bodova, primer seta pločica, referencu stope pobede
   - Dno: jednostavan "nasumično deljenje" interaktivni modul, klik na dugme nasumično generiše ruku od 13 pločica
3. Tehnički zahtevi: čist HTML + CSS + JavaScript, realizacija u jednoj datoteci, bez spoljnih biblioteka
4. Detalji interakcije: kartice imaju mikro-animaciju na hover, pojavljuje se efekt postepenog ulaska pri skrolovanju, ukupan osećaj mora biti kvalitetan

Pokriva dizajn rasporeda, vizuelni stil, prikaz podataka i efekte interakcije, što ozbiljno testira sveobuhvatne sposobnosti modela.

GLM-5.1 performanse

GLM-5.1 je brzo završio.

Ukupan raspored je uredan, kineske boje dobro pogodi, kombinacija cinober-crvene i tamnozelene prijatna je za oko.

Lice mahjong pločica nacrtano je CSS-om, kineski znaci na wan pločicama renderovani su jasno, tiao pločice simuliraju bambusove cevi, tong pločice simuliraju krugove. Hover animacija daje blago podizanje i pojačavanje senke, a raspored kartica za fanove je prilično kompaktan.

Bez ijednog dodatnog podsticajnog upita i bez ispravki (bez vučenja karata, u jednom potezu), ovaj rezultat je prevazišao moja očekivanja.

Modul za nasumično deljenje radi normalno, jednim klikom zaista izvuče 13 pločica, uz jednostavnu animaciju okretanja karata.

DeepSeek V4 performanse

Dobro, prebacimo donji model Claude Code-a na DeepSeek V4.

Potpuno isti podsticajni upit.

DeepSeek V4 je krenuo nešto drugačijim putem. Njegove boje teže tamnoj paleti, koristi tamnozelenu kao osnovu, zlatnu kao akcent, pa ukupno deluje kao atmosfera kockarnice.

Ono što je šteta je što lice pločica nije skeumorfno, mnoge su zamenjene brojevima, pa je potrebno drugo podešavanje.

03,draw.io tehnički arhitektonski dijagrami

Drugi slučaj testira sposobnost modela da generišu draw.io crteže.

Uobičajeno slike u mojim člancima nastaju upravo ovako.

Obratite pažnju da sam ovde već konfigurisao oba modela.

Pripremio sam četiri grupe podsticajnih upita, sve u vezi sa arhitektonskim dijagramima AI tehnologije.

Prva grupa: dijagram toka principa ReAct

Nacrtaj dijagram toka principa ReAct (Reasoning + Acting), zahtevi:

1. Prikaži kompletnu ReAct petlju: korisnički unos → Thought (rezonovanje) → Action (poziv alata) → Observation (posmatranje rezultata) → provera da li je završeno → ako jeste, ispiši konačan odgovor, ako nije, vrati se na Thought
2. Razlikuj bojama: Thought u plavoj paleti, Action u narandžastoj paleti, Observation u zelenoj paleti
3. Pored svakog čvora dodaj konkretan primer
4. Ukupan raspored odozgo nadole, deo petlje poveži isprekidanom strelicom unazad
5. Naslov neka bude "ReAct: Synergizing Reasoning and Acting in LLMs"

Struktura dijagrama toka je veoma jasna, raspored odozgo nadole je jasno čitljiv.

Razlikovanje boja je uspelo, plavi Thought čvorovi, narandžasti Action čvorovi, zeleni Observation čvorovi, strelice petlje su takođe ispravno nacrtane.

Tekst primera pored je uredno formatiran, bez prelivanja teksta.

Sa strane DeepSeek V4, ukupan utisak dijagrama toka je nešto "lakši".

Opšta ideja RAG-a je u redu, ali su primeri pored čvorova izgubljeni. Vreme razmišljanja je takođe malo duže nego kod GLM-5.1.

Druga grupa: panoramski dijagram RAG arhitekture

Nacrtaj kompletan dijagram arhitekture RAG (Retrieval-Augmented Generation), zahtevi:

1. Podeli na tri velike zone: sloj pripreme podataka (levo), sloj pretraživanja (sredina), sloj generisanja (desno)
2. Sloj pripreme podataka obuhvata: otpremanje dokumenata → podela teksta (označi chunk_size=512) → Embedding vektorizacija → upis u vektorsku bazu (označi ElasticSearch)
3. Sloj pretraživanja obuhvata: korisničko pitanje → Query Embedding → pretraživanje po sličnosti vektora (označi Top-K=5) → hibridno pretraživanje (vektor + ključne reči BM25) → re-rangiranje (Reranker)
4. Sloj generisanja obuhvata: rezultati pretraživanja + originalno pitanje → sklapanje Prompt šablona → LLM generisanje (označi podršku za GLM/DeepSeek) → vraćanje odgovora
5. Koristi isprekidani okvir da okružiš tri zone, svaka zona sa oznakom imena
6. Smer toka podataka sleva nadesno, poveži punom linijom sa strelicom

Ovaj podsticajni upit nosi puno informacija i testira može li model u jednoj slici jasno prikazati kompletan tok RAG-a.

Verzija GLM-5.1 podelila je tri zone veoma uredno, oznake isprekidanih okvira su takođe prisutne.

Tok podataka sleva nadesno, odozgo nadole, jedan pogled je dovoljan da se razume čitav radni tok RAG-a.

DeepSeek V4 je i dalje minimalistički, radije ređa sleva nadesno u jednom redu, detalji nisu izgubljeni.

Treća grupa: dijagram MoE arhitekture mešovitih eksperata

Nacrtaj dijagram principa Mixture of Experts (MoE) arhitekture, zahtevi:

1. Prikaži kompletnu strukturu MoE sloja: ulazni Token → Router (kapija mreža) → izbor Top-2 eksperata → paralelno izračunavanje dva izabrana eksperata → ponderisano spajanje → izlaz
2. Nacrtaj 8 Expert blokova u redu, pri čemu su Expert 3 i Expert 7 istaknuti kao izabrani, ostali su sivi
3. Između Router-a i svakog Expert-a povuci linije, izabrani punom debelom linijom + oznaka težine (npr. w=0.6 i w=0.4), neizabrani tankom isprekidanom linijom
4. Ispod slike dodaj komentar i napiši "Parametri DeepSeek V4: ukupno parametara 1.6T, aktivnih parametara 49B, tj. pri svakom zaključivanju aktivira se oko 3% parametara"
5. Paleta boja: Router u ljubičastoj, izabrani Expert u narandžastoj, neizabrani u svetlosno sivoj

Ova slika zahteva prilično visok raspored, 8 Expert-a u redu uz razlikovanje stanja, testira razumevanje modela za prostorni raspored.

MoE dijagram koji GLM-5.1 nacrtao je veoma pravilan. 8 Expert-a ravnomerno raspoređeno, istaknuti Expert 3 i Expert 7 zaista su narandžasti, oznake težina w=0.6 i w=0.4 takođe su na linijama. Ljubičasti čvor Router-a centriran je na samom vrhu, ukupna simetrija je dobra. Donji komentar je tačan.

Izlaz DeepSeek V4 ima približno iste elemente kao GLM-5.1, a smatram da je i kombinacija boja prilično razumna.

Četvrta grupa: dijagram Transformer mehanizma samo-pažnje

Nacrtaj dijagram toka izračunavanja Transformer Self-Attention, zahtevi:

1. Ulazni niz od četiri tokena: "wo" (ja) "ai" (volim) "bian" (programiranje) "cheng" (proces)
2. Prikaži proces generisanja matrica Q, K, V: embedding svakog tokena → množenje sa W_Q, W_K, W_V → dobijanje vektora q, k, v
3. Prikaži izračunavanje ocena pažnje: Q × K^T → deljenje sa √d_k → Softmax → matrica težina pažnje (nacrtana kao format 4×4 toplotne mape, intenzitet boje označava veličinu težine)
4. Prikaži ponderisani zbir: težine pažnje × V → izlaz
5. Q u crvenoj paleti, K u plavoj paleti, V u zelenoj paleti
6. Pored toplotne mape označi konkretan numerički primer, npr. težina pažnje tokena "ai" (volim) prema "bian" (programiranje) je 0.35

Oba modela su se u ovom slučaju pokazala prilično dobro.

Dijagram toka GLM-5.1 teži udžbeničkom stilu, ide korak po korak odozgo nadole, za svaki korak matricečne operacije označene su dimenzionalne informacije, pogodno za nastavu. Deo toplotne mape koristi četiri različita intenziteta zelene za predstavljanje veličine težina, intuitivno.

I verzija DeepSeek V4 mi se sviđa, boje su malo teže. Deo toplotne mape nacrtao je matricu 4×4 blokova, u svakom polju je upisana i numerička vrednost, jasno i pregledno.

04,PaiCongming RAG pitanja

Treći slučaj stavljaamo direktno u stvarni scenario RAG aplikacije.

PaiCongming je enterprise RAG baza znanja koju sam napravio. Nakon otpremanja dokumenta, kroz semantičku podelu i vektorizaciju unosi se u vektorsku bazu, a kada korisnik postavi pitanje, radi hibridno pretraživanje (sličnost vektora + Elasticsearch podudaranje ključnih reči), rezultati pretraživanja se nakon re-rangiranja kroz Reranker prosleđuju velikom modelu radi generisanja odgovora.

I u konfiguraciji modela smo ovde podesili i DeepSeek V4 i GLM-5.1.

U bazu znanja otpremio sam uvodni dokument o PaiCongmingu (oko 200 strana), a zatim ista tri pitanja iskoristio za testiranje kvaliteta odgovora GLM-5.1 i DeepSeek V4 kada se koriste kao model za generisanje.

Pitanje jedan

Kakva je podrška za GraalVM Native Image u Spring Boot 3? Koje su prednosti i mane u poređenju sa tradicionalnom JVM implementacijom?

Ovo pitanje je o Spring Boot-u, ali u našoj bazi znanja zapravo nemamo taj dokument, pogledajmo odgovore oba modela.

Oba kažu da trenutno nema relevantnih informacija, što pokazuje da je ograničenje podsticajnim upitom uspešno, model nije odgovorio uverljivo lažno.

Razlog koji je GLM-5.1 dao je: referentni dokumenti uglavnom predstavljaju arhitekturu i funkcije baze znanja PaiCongming, uobičajene Java tehnološke sklopove (kao što su Spring Boot, Redis, MySQL, Spring Cloud itd.) i iskustvo u razvoju AI aplikacija, a ne sadrže nikakve informacije o "principu podrške za GraalVM Native Image u Spring Boot 3" niti o "poređenju prednosti i mana u odnosu na tradicionalnu JVM implementaciju".

Razlog koji je DeepSeek V4 dao je: u referentnim materijalima se nigde ne pominje mehanizam podrške Spring Boot 3 za GraalVM Native Image niti poređenje sa tradicionalnom JVM implementacijom. Za više o toj funkciji preporučuje se zvanična dokumentacija Spring Boot-a ili materijali vezani za GraalVM.

Pitanje dva

Da li poznajete PaiCongming RAG, predstavite ga, a ako ste kandidat i intervju vas pita ovo pitanje, kako biste odgovorili, trudite se da bude u stilu usmenog izlaganja.

Ovo pitanje ozbiljno testira sposobnost modela da pretražuje sadržaj i tekstualnu funkcionalnost, prvo pogledajmo odgovor GLM-5.1.

Drugo, sa stanovišta tehničke arhitekture i principa realizacije, izgradio je veoma kompletan tok inteligentne obrade znanja. Konkretno, podeljen je na nekoliko ključnih koraka: prvi korak je korišćenje Apache Tika za automatsko raščlanjivanje dokumenata u različitim formatima kao što su Word, PDF, TXT; drugi korak je uvođenje Doubao Embedding modela vektora, kojim se nearukturirane informacije raščlanjene iz dokumenata pretvaraju u pretraživu imovinu znanja; treći korak je sloj pretraživanja, koji kombinuje hibridnu tehnologiju pretraživanja Elasticsearch, koristi vektorsko pretraživanje zasnovano na semantičkom razumevanju i probija ograničenja tradicionalnog podudaranja ključnih reči

Odgovor DeepSeek V4 je nešto minimalniji.

Sa stanovišta tehničke realizacije, koristi Apache Tika za raščlanjivanje dokumenata u više formata, zatim preko Embedding modela vektora Doubao vektorizuje semantiku teksta, kombinuje to sa Elasticsearch za hibridno pretraživanje i konačno povezuje API velikih modela kao što je DeepSeek da generiše tačan odgovor, čime ceo tok formira kompletan proces inteligentne obrade znanja. U poređenju sa čistim podudaranjem ključnih reči, njegova sposobnost semantičkog razumevanja je jača, a odgovori precizniji.

05,U jednom potezu napišemo CLI alat

Ranije sam pomoću GLM-5.1 i DeepSeek V4 razvio pun full-stack projekat Java back-end + front-end, na primer PaiJianli je urađen sa GLM-5.1, a prozor za više razgovora PaiCongminga urađen je sa DeepSeek V4.

Smataam da su sposobnosti oba vrhunske, što sam ranije već pokazao kroz snimke ekrana i slike.

Sledeće, nameravam da dam relativno složen zahtev, ovaj put bez Jave, idemo direktno na Python, da vidimo ko može "u jednom potezu" da prođe bez greške.

Napišite u Python-u komandni alat mdstat, čija je funkcija da prebroji informacije o svim Markdown datotekama u direktorijumu, zahtevi:

1. Podrška za rekurzivno skeniranje poddirektorijuma
2. Za svaku datoteku prebroj: ime datoteke, broj reči (kineski po znakovima, engleski po rečima), broj blokova koda, broj referenci slika, broj veza, vreme poslednje izmene
3. Ispiši formatiranu tabelu (pomoću rich biblioteke), sortirano opadajuće po broju reči
4. Poslednji red prikazuje rezime: ukupan broj datoteka, ukupan broj reči, ukupan broj blokova koda, ukupan broj slika, ukupan broj veza
5. Podrška za sledeće argumente komandne linije:
   - mdstat <putanja do direktorijuma>: osnovna upotreba
   - mdstat <putanja do direktorijuma> --top 10: prikaži samo prvih 10 datoteka sa najviše reči
   - mdstat <putanja do direktorijuma> --format csv: izlaz u CSV formatu umesto tabele
   - mdstat <putanja do direktorijuma> --exclude "node_modules,dist": isključi navedene direktorijume
6. Dodaj --watch režim: nadgledaj promene u direktorijumu, automatski osveži statistiku pri izmeni datoteke
7. Brojanje kineskih reči mora biti tačno, interpunkcija i razmaci se ne računaju

Kod koji daje GLM-5.1 ima oko 270 linija, struktura je veoma jasna.

Iskoristio sam ovaj kod da pređem preko dokumentacionog direktorijuma toBeBetterJavaer-a, statistika deluje razumno. Najviše reči ima MySQL dokument Mianzha Nixi, preko 70.000 reči, sa čak 330 slika, što potvrđuje zašto je Mianzha Nixi popularan — tvrd je, suštinski.

Isti podsticajni upit, hajde i za DeepSeek V4.

Pokrenimo rezultat, nešto je kraći nego GLM-5.1, a čini se da ima i odstupanja u prebrojavanju reči.

ending

Trka velikih modela 2026. postaje sve zanimljivija.

Kada je GLM-5.1 na SWE-bench Pro postigao najviši rezultat na svetu,

a kada je DeepSeek V4, koristeći kineske kartice, postigao programske sposobnosti bliske Opus 4.6 u ne-razmišljajućem režimu,

verujem da su mnogi, kao i ja, osetili neku neopisivu uzbudljenost.

Iskreno, značaj ovog DeepSeek V4 izdanja možda nije samo u samim sposobnostima modela. Važnije je što je ostvario veliki napredak na kineskim čipovima i osnovnoj arhitekturi — činjenica da se takav rezultat može postići na kineskim karticama veoma je pozitivan signal za izgradnju temelja čitavog kineskog AI ekosistema.

A GLM-5.1 se zaista ističe nešto više u sposobnostima programiranja, što se može videti i iz našeg prethodnog testa, kako po potpunosti generisanog koda, tako i po kontroli detalja, oba su vrhunska.

Ova dva su trenutno i dva najbolja u taboru otvorenih velikih modela. Važnije je što je baš zahvaljujući njihovom neumornom trudu dobijamo više izbora, što je za nas od velikog značaja.

Ali na kraju krajeva, ne treba se mučiti oko izbora. Neka stotine škola cveta, neka stotine cveća procveta, učiniti da alati rade za nas najbolji je način da prigrlimo ovo doba.

Vidimo se u sledećem.