AutoGLM 在基準測試中有顯著的進步，縮小了自主 Agent 和人類表現之間的差距。評估表明，AutoGLM 在多個領域都有效：在網頁瀏覽方面，AutoGLM 在 VAB-WebArena-Lite 上實現了 55.2%的成功率（第二次嘗試提高到 59.1%），在 OpenTable 評估任務上實現了96.2%的成功率。在安卓設備控制方面，AutoGLM在AndroidLab（VAB-Mobile）上實現了 36.2%的成功率，在流行的中國應用程序中的常見任務上實現了 89.7%的成功率。