Una tarjeta de título generada que dice «Qwen 4 vs GLM-5.5: el modelo de pesos abiertos es el caro», con el subtítulo «El GLM más reciente que Z.ai realmente sirve es GLM-5.3, a 15,8 centavos por punto de índice frente a los 7,6 de Qwen4-Max». Tres filas numeradas dicen «puntuación del índice 42,9 frente a 31,7, Artificial Analysis v5.0.1», «coste por tarea del índice completada 3,27 $ frente a 5,01 $» y «pesos publicados para GLM-5.3, ninguno para Qwen4-Max». Un pie de página dice «Puntuaciones y coste por tarea según el Artificial Analysis Intelligence Index v5.0.1; precios según la tarifa publicada de cada proveedor». Estilo vectorial plano sobre blanco con acentos azules y cian, la marca de OrcaRouter compuesta en la esquina inferior derecha.
Guides & Insights

Qwen 4 vs GLM-5.5: el modelo de pesos abiertos es el caro

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

La intuición sobre los pesos abiertos es que son la opción barata. En esta comparación, no lo son. GLM-5.3, el G​LM más reciente que Z.ai realmente sirve, cuesta $5.01 ejecutar la suite de índices de Artificial Analysis y obtiene 31.7 puntos en ella — 15.8 centavos por punto de índice. Qwen4-Max cuesta $3.27 por 42.9 puntos — 7.6 centavos por punto. El modelo propietario es más del doble de eficiente por unidad de capacidad medida, y es el que no puedes descargar. Mientras tanto, GLM-5.5, el modelo del título de este artículo, no existe: el índice de documentación y la página de precios de Z.ai llegan ambos hasta GLM-5.3, y las rutas de documentación de 5.4 y 5.5 devuelven no encontrado. Lo que sigue es, por lo tanto, una comparación con el G​LM que se distribuye, tratando el número de versión faltante como un número de versión faltante y no como una ficha técnica que inventar.

Primero, la tarjeta que existe

GLM-5.3 llegó el 18 de agosto de 2026 bajo la Licencia GLM-5.3, con pesos publicados y entrada solo de texto. Qwen4-Max pasó a cobro por uso el 16 de noviembre de 2026, es propietario, con entrada de imágenes y Alibaba Cloud como su único proveedor de alojamiento. A los dos los separan noventa días en la fecha de lanzamiento y están en lados opuestos de la línea entre cerrado y abierto, que es el eje del que realmente trata este artículo.

Precio por millón — GLM-5.3 $1.40 de entrada / $4.40 de salida; Qwen4-Max $1.50 / $4.50 en Singapur, $1.413 / $4.24 en el resto. En tarifas por token, Z.ai es la tarjeta más económica en un 7% y un 2%.

• Entrada en caché — GLM-5.3 $0,26 por millón en una lectura; Qwen4-Max $0,075, con escrituras de caché a $1,875 por cinco minutos y $3,00 por una hora. La lectura de caché de Qwen es 3,5× más barata, por lo que el resultado por tarea y el resultado por token apuntan en direcciones diferentes.

• Contexto — 1.000.000 de tokens en ambos. GLM-5.3 limita la salida a 128.000; Qwen4-Max permite 131.072 sin razonamiento o 262.144 compartidos entre el razonamiento y la respuesta.

• Pesos — {{1}}GLM-5.3 publicado{{/1}}, bajo su propia licencia; Qwen4-Max ninguno, host de un único proveedor. Esta es toda la diferencia y todo lo que sigue se deriva de ella.

• Modalidad — Qwen4-Max acepta texto e imágenes; GLM-5.3 es solo texto: entrada de texto, salida de texto. Si tu flujo de trabajo recibe capturas de pantalla o PDF, la comparación termina aquí.

• Control de razonamiento: GLM-5.3 ejecuta el razonamiento siempre activado, con niveles de esfuerzo bajo, alto y máximo, y de forma predeterminada en máximo; Qwen4-Max ofrece bajo, alto y xhigh, con valor predeterminado en alto.

• Linaje de entrenamiento — Z.ai describe GLM-5.3 como el mismo modelo base que GLM-5.2, mejorado mediante post-entrenamiento en lugar de un nuevo preentrenamiento. Vale la pena saberlo cuando compares sus puntuaciones con las de un modelo con una nueva arquitectura.

A generated two-column scoreboard titled 'Qwen4-Max vs GLM-5.3 - the scoreboard'. The Qwen4-Max column reads index score 42.9, cost per index task $3.27, cents per index point 7.6, input per million $1.50, output per million $4.50, hallucination rate 28.4%. The GLM-5.3 column reads index score 31.7, cost per index task $5.01, cents per index point 15.8, input per million $1.40, output per million $4.40, hallucination rate 38.9%. A footer reads 'Scores and per-task cost per Artificial Analysis Intelligence Index v5.0.1; prices per each vendor's published rate card.' The OrcaRouter mark is composited bottom right.

Siete centavos frente a dieciséis, explicado

La diferencia de coste por punto no es un artefacto de precios. Los 5,01 $ por tarea de GLM-5.3 se desglosan en 4,49 $ de entrada y 0,52 $ de salida —90 % de entrada, y 4,13 $ de esa entrada son lecturas de caché—. Los 3,27 $ de Qwen4-Max son 2,80 $ de entrada y 0,47 $ de salida, con 1,12 $ de lecturas de caché y 1,67 $ de escrituras de caché. Así que ambos modelos gastan casi nada en los tokens que generan y casi todo en releer el contexto.

La diferencia está en cuánto contexto consume cada uno para llegar a una respuesta. GLM-5.3 lee 10.300 millones de tokens de entrada en todo el conjunto y emite 135 millones de tokens de salida; Qwen4-Max lee 9.900 millones y emite 127 millones. Un volumen casi idéntico. Por lo tanto, la diferencia de diecinueve puntos tampoco es una cuestión de volumen: simplemente uno de los modelos es mejor en las tareas, y la diferencia de coste por tarea proviene del precio de la caché, donde una lectura de $0.075 frente a una de $0.26 se multiplica a lo largo de diez mil millones de tokens.

Ese es el mecanismo que vale la pena llevarse: en las ejecuciones de benchmark de contexto largo, la tarifa de lectura de caché, y no la tarifa de entrada destacada, es la que determina la factura. Un modelo a $1.40 de entrada con una lectura de caché de $0.26 puede costar más por tarea que un modelo a $1.50 de entrada con una lectura de caché de $0.075.

Dónde se sitúan los diecinueve puntos

• Terminal-Bench 4.0 — Qwen4-Max 48,5 %, GLM-5.3 41,9 %. Siete puntos, la más reñida de las suites agénticas.

• FrontierCode 2.0 — 26,5 % frente a 21,6 %. Cinco puntos; ambos modelos son débiles aquí en términos absolutos.

• HLE Diamond — 44,9 % frente a 17,9 %. Veintisiete puntos, y la divergencia individual más amplia de la comparación.

• Omnisciencia — 27,7 frente a 6,0, con tasas de alucinación del 28,4 % y el 38,9 % respectivamente. GLM-5.3 es a la vez menos preciso y menos propenso a abstenerse, lo que constituye la peor combinación posible.

• Subpuntuaciones de capacidad — Qwen4-Max lidera las cinco que ambos modelos reportan: ingeniería 50,1 frente a 37,6; finanzas y contabilidad 54,1 frente a 42,1; legal 49,6 frente a 35,8; estrategia y operaciones 56,9 frente a 47,4; y economía 51,3 frente a 37,3.

Nada de esa lista está lo bastante cerca como para que valga la pena discutirlo. La pregunta interesante no es si Qwen4-Max es mejor, porque evidentemente lo es.

A headless-browser screenshot of the Artificial Analysis page for GLM-5.3, captured 17 November 2026 in English, showing Z.ai's mark, the label Open weights model, Released August 2026, the heading GLM-5.3: Intelligence, Performance & Price Analysis, a rank strip reading Intelligence #3 of 29, Performance #21 of 27, Cost #28 of 28 and Verbosity #23 of 29, a statistics row giving a 61.448-second time to first answer token, 87 output tokens per second, $1.40 input and $4.40 output per million tokens, an 81% cache discount, 10.3 billion input tokens and an output-to-input ratio of 1.312%, and the summary paragraph describing the model as among the leading open-weight models in intelligence but particularly expensive against other open-weight models of similar size, notably slow per task and very verbose, with text input, text output and a 1M-token context window.

La única cosa que Qwen4-Max no puede hacer

Cada fila anterior es una comparación de capacidades, y la capacidad es el marco equivocado cuando uno de los dos modelos puede llevarse a casa. Z.ai publica los pesos de GLM-5.3 bajo su propia licencia; Alibaba no publica nada para Qwen4-Max y enumera un único host. Esa diferencia cambia tres cosas que ningún benchmark mide.

• {{1}}Continuidad{{/1}} — un modelo que alojas sigue respondiendo cuando cambia la página de precios de un proveedor, se deprecia una región o llega un aviso de deprecación. Qwen4-Max tiene un precedente del 25 de noviembre de 2026 para esto: el identificador de vista previa se retiró nueve días después de la disponibilidad general, y cualquier configuración que siguiera apuntando a qwen4-max-preview dejó de funcionar.

• Curva de costes — el coste marginal de GLM-5.3 pasa a ser tu utilización de la GPU. Con un volumen alto y sostenido, eso suele quedar por debajo de la tarifa de la API; con un volumen bajo e intermitente, es peor. El punto de cruce es un cálculo de utilización, no de calidad del modelo.

• Control — ajuste fino, cuantización, selección de kernels y la capacidad de inspeccionar lo que hace el modelo. Nada de eso existe para Qwen4-Max.

Frente a eso: el modelo abierto tiene diecinueve puntos de índice menos, es peor para abstenerse y es ciego a las imágenes. Para un despliegue desde cero, el intercambio no resulta atractivo. Para un sistema ya construido en torno a una pila de inferencia autoalojada —donde la alternativa a GLM-5.3 no es Qwen4-Max sino el G​LM anterior—, la licencia es la característica decisiva y la diferencia de puntuación es un costo de hacer negocios.

Por qué el modelo abierto es el costoso, en una sola frase

Porque los pesos abiertos trasladan el costo del medidor de tokens al presupuesto de ingeniería, y el presupuesto de ingeniería no aparece en ninguna tarifa. Poner en marcha GLM-5.3 en tu propio hardware implica planificación de capacidad, una pila de servicio que puedas parchear y un arnés de evaluación lo bastante bueno como para decirte si tu despliegue coincide con la referencia: costos que superan la diferencia de 3,27 $ por tarea a cualquier volumen que maneje un solo equipo. Los 15,8 centavos por punto de índice son la cifra visible; la invisible es mayor, y se paga una sola vez tanto si atiendes mil solicitudes como un millón.

Ese cálculo se invierte a escala, y se invierte todavía más si necesitas hacer fine-tuning. El fine-tuning es el único requisito que hace que un modelo abierto no solo sea más barato, sino la única opción, y ninguna ventaja de índice de Qwen4-Max, por amplia que sea, lo sustituye.

Llamando al que es enrutable

GLM-5.3 está en nuestro catálogo como z-ai/glm-5.3 al precio de lista de Z.ai, $1.26 de entrada y $3.96 de salida por millón, sin nada añadido — las mismas tarifas que publica Z.ai, incluidos los cambios que haga en ellas. Qwen4-Max no está en nuestro catálogo; un identificador qwen4 devuelve no encontrado, y su ruta es la API Model Studio de Alibaba y varias plataformas de terceros. El modelo Qwen más cercano que servimos es qwen/qwen3.8-max a $2.00 y $6.00.

Eso deja una secuencia práctica para cualquiera que quiera el modelo más potente sin un segundo contrato: ejecute la evaluación en z-ai/glm-5.3 a través del endpoint que ya tiene y, si la diferencia de diecinueve puntos es fatal para su caso de uso, calcule el precio de Qwen4-Max según su propia mezcla de tokens en lugar de según el índice. Las cifras por tarea de este artículo se modelan a partir de un arnés de benchmark con un tráfico de caché inusualmente intenso; una carga de trabajo de producción con prompts cortos y salidas largas reducirá drásticamente la diferencia entre $5.01 y $3.27, porque casi nada de ninguna de las dos facturas corresponde a la salida.

A headless-browser screenshot of the OrcaRouter model page for GLM-5.3, captured 17 November 2026 in English, showing the identifier z-ai/glm-5.3, the byline Z.ai dated 2026-08-18, a max output of 128K, input listed as text, output listed as text, and a p50 time-to-first-token reading.

Lo que necesitaríamos ver

Un GLM-5.5 resetearía esta comparación, y actualmente no hay ni rastro de uno: ninguna ruta de documentación, ninguna fila de precios, ningún identificador de modelo en las propias páginas de Z.ai a fecha de 17 de noviembre de 2026. Si llega a lanzarse, las preguntas que hay que hacerse son si Z.ai publica los pesos como hizo con 5.3, si añade entrada de imágenes y si corrige el comportamiento de abstención, porque ese último dato (38,9 %) es el que hace que GLM-5.3 sea difícil de recomendar para cualquier cosa no revisada, por delante de la brecha en el índice.

Mientras tanto, el resumen honesto es contraintuitivo y breve. El modelo abierto cuesta más por punto, obtiene puntuaciones más bajas en cada conjunto de pruebas medido y sigue siendo la opción correcta para exactamente un tipo de comprador: aquel cuya restricción es una licencia y no un punto de referencia.

Comparados en este artículo2

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario