GPT-6.1 Terra vs GLM-5.5 : le modèle manquant et celui que vous pouvez télécharger

Rechercher GPT-6.1 Terra face à GLM-5.5 renvoie une multitude de tableaux assurés pour un modèle qui n’existe pas. Z.ai n’a publié aucune fiche modèle, aucun identifiant d’API, aucun prix et aucun poids sous le nom de GLM-5.5 ; son catalogue plafonne toujours à GLM-5.3, publié à la mi-août 2026, les poids ouverts étant arrivés plus tard dans le mois. Terra, en revanche, est sorti le 26 octobre et peut être appelé dès aujourd’hui. La vraie comparaison est donc Terra face à GLM-5.3 — et sur cette comparaison, les deux modèles coûtent presque exactement la même chose par token, tandis que Terra coûte environ un cinquième du prix par tâche terminée. La raison n’est pas une astuce tarifaire. C’est la verbosité.

L’état de GLM-5.5 mérite d’être énoncé avec précision, car la machine à rumeurs a été productive. Des rapports de fin octobre indiquent une fenêtre de lancement allant de fin octobre à début novembre 2026. Des notes divulguées suggèrent 2,5 à 3,5 billions de paramètres au total, contre des affirmations antérieures de 1T et 1,6T, et un objectif de performances de « classe Fable ». Z.ai elle-même a seulement déclaré que GLM-5.4 et GLM-5.5 appartiendront à la classe des billions de paramètres, et a mentionné GLM-6.0 lors de sa conférence téléphonique sur les résultats du 31 août, sans date. Rien de tout cela n’est un produit. Le test en quatre parties — un identifiant d’API appelable, une tarification publiée avec les tarifs de cache, une entrée indépendante dans un classement et des poids téléchargeables — échoue actuellement sur les quatre.

Le modèle qui se trouve en réalité de l'autre côté de cette comparaison

• GLM-5.3 — publié à la mi-août 2026 ; poids ouverts sous licence GLM-5.3 ; environ 750 B de paramètres au total, avec environ 40 B actifs par token ; contexte de 1 M de tokens ; sortie de 128 K ; texte uniquement ; réflexion activée par défaut ; prix catalogue de 1,40 $/4,40 $ par million de tokens d’entrée/de sortie, ou 1,26 $/3,96 $ via OrcaRouter.

• GPT-6.1 Terra — publié le 26 octobre 2026 ; poids fermés ; contexte de 1,05 M de tokens ; sortie de 128 K ; entrée texte et image ; six niveaux de raisonnement ; 1,00 $/5,00 $ par million de tokens d’entrée/de sortie, passant à 2,00 $/7,50 $ au-delà de 272 K tokens d’entrée ; entrée mise en cache à 0,05 $.

• Indice d'intelligence indépendant — Terra 48, GLM-5.3 45, selon l'échelle actuelle d'Artificial Analysis.

Sur la grille tarifaire, ils sont quasiment jumeaux. Au prix de passage d’OrcaRouter, GLM-5.3 coûte 1,26 $/3,96 $ contre 1,00 $/5,00 $ pour Terra. GLM est 26 % moins cher en entrée et 21 % moins cher en sortie. Une équipe qui choisirait sur ces deux chiffres opterait pour GLM-5.3 et passerait à la suite.

Par token, ils coûtent la même chose ; par tâche, non.

Artificial Analysis mesure le coût par tâche de l’Intelligence Index, qui intègre le nombre de tokens qu’un modèle dépense réellement pour parvenir à une réponse. Terra revient à environ 0,40 $. GLM-5.3 revient à environ 2,01 $ — cinq fois plus, malgré des tarifs par token plus bas. La cause est visible dans l’évaluation elle-même : Terra a consommé environ 130 M de tokens de sortie sur l’ensemble de la suite, GLM-5.3 environ 210 M. GLM-5.3 réfléchit plus longtemps, reformule davantage et le paie au compteur.

C’est la chose la plus utile à comprendre au sujet de cette confrontation, et c’est précisément ce que la couverture du lancement des deux modèles a tendance à omettre. Le prix des tokens est une donnée d’entrée du coût, pas une mesure de celui-ci. Un modèle 20 % moins cher par token et 60 % plus verbeux coûte 33 % plus cher par réponse. Pour l’extraction, la classification ou la génération de réponses courtes à fort volume, cette inversion décide de la facture.

Cela signifie aussi que la comparaison s’inverse selon la forme de la charge de travail. La verbosité de GLM-5.3 nuit surtout sur les sorties courtes, où la surcharge liée au raisonnement domine. Sur la génération de textes longs, où les deux modèles produisent de toute façon des milliers de tokens, la différence de prix par token refait surface et la remise de 21 % de GLM sur les sorties devient de l’argent réel.

Là où GLM-5.3 reste de toute façon le meilleur achat

Les poids ouverts sont la réponse évidente, et ce n’est pas un détail. GLM-5.3 peut être téléchargé, auto-hébergé, affiné et maintenu à l’intérieur d’un périmètre de conformité. Terra, non. Pour un secteur réglementé, un déploiement isolé ou une équipe qui a besoin qu’un modèle cesse de changer sous ses pieds, cela tranche la question avant même de consulter les benchmarks.

GLM-5.3 présente également un profil technique solide pour son prix. Il arrive en tête du domaine des modèles à poids ouverts dans l’indice d’Artificial Analysis, à peu près à égalité avec Kimi K3, et il est particulièrement solide en cybersécurité et en recherche sur les vulnérabilités — les propres évaluations cyber de Zhipu et les tests red team d’Anthropic le placent tous deux près des modèles de pointe pour la découverte d’exploits. Sur SciCode, il a obtenu 59,0, devant les 54,2 de GPT-6.1 Sol, bien que Terra n’ait pas été listé dans cette exécution. Il prend en charge un contexte de 1 M de tokens et une remise de cache d’environ 81 %, ce qui rend les prompts longs répétés moins chers que ne le suggère le prix affiché.

Ses limites sont tout aussi claires. Il est uniquement textuel : pas d’images, pas d’audio, pas de PDF. Le raisonnement est toujours activé, avec plusieurs niveaux d’effort, mais aucun véritable moyen de le désactiver. Et la verbosité représente un coût opérationnel réel, pas seulement un artefact de benchmark — elle se traduit par des latences plus longues, des factures plus élevées et davantage de tokens à filtrer dans les pipelines en aval.

Là où Terra l'emporte

L’avance de trois points de Terra dans l’indice est modeste, et les suites d’évaluation indépendantes la font paraître encore plus faible. Sur le Vals Index, Terra obtient 60,17 % contre 59,73 % pour GLM-5.3 — un écart de 0,44 point qui se situe dans le bruit, à un coût par test plus élevé de 2,92 $. Sur le benchmark comptable de DualEntry, GLM-5.3 a obtenu un score supérieur, et à un coût inférieur, aux 78,2 % de Terra. Si la question est « quel modèle est le plus intelligent », la réponse honnête est qu’ils sont suffisamment proches pour que le benchmark choisi détermine le gagnant.

Les avantages de Terra se situent ailleurs. Il accepte les images ; GLM-5.3, non. Il propose six niveaux de raisonnement, ce qui permet de reléguer le trafic facile à un effort faible, ce que le raisonnement toujours activé de GLM ne permet pas. Sa date limite de connaissances est juin 2026, contre une fenêtre d’entraînement plus ancienne pour GLM-5.3. Et il est rapide : 90,9 jetons de sortie par seconde sur Artificial Analysis, dans la même fourchette que GLM-5.3, dont le débit mesuré a varié entre environ 68 et 95 jetons par seconde selon le fournisseur et l’instantané. La vitesse alliée à un coût par tâche plus faible est une combinaison réellement solide pour les produits interactifs.

La surtaxe de 272K joue contre lui. Au-delà de ce seuil d'entrée, les prix de Terra passent à 2,00 $/7,50 $, ce qui annule totalement son avantage en entrée par rapport à GLM-5.3 et rend la sortie 89 % plus chère. Les workflows sur documents longs doivent être tarifés avec la surtaxe, pas au prix affiché.

Si GLM-5.5 sort vraiment

La bonne façon de penser au modèle manquant n’est pas « quel score obtiendra-t-il ? » mais « qu’est-ce qui devrait être vrai pour qu’il change cette décision ? » Trois choses :

• Il faudrait qu'il soit radicalement moins verbeux. Un modèle de 2,5 T de paramètres qui réfléchit encore plus longtemps que GLM-5.3 perdrait sur le coût par tâche, quelle que soit l'attrait de son prix par token. Les rumeurs sur les paramètres vont dans la mauvaise direction à ce sujet.

• Il faudrait des poids ouverts dès le lancement, et non des semaines plus tard. Les poids de GLM-5.3 sont arrivés environ dix jours après l’API ; ce retard suffit à compromettre un cycle d’approvisionnement.

• Il lui faudrait un prix inférieur à celui de GLM-5.3, ou un saut de capacités suffisamment important pour justifier un supplément. Un modèle à mille milliards de paramètres servi aux tarifs de pointe ne passerait pas sous les 0,40 $ par tâche de Terra.

Rien de tout cela n’est une prédiction. C’est la liste de contrôle à dérouler le jour où une carte apparaît. D’ici là, GLM-5.5 est une raison de surveiller les notes de version de Z.ai, pas une raison de retarder une décision.

Je fais tourner les deux aujourd'hui

GLM-5.3 figure au catalogue d'OrcaRouter à 1,26 $/3,96 $ par million de tokens, soit le prix catalogue du fournisseur répercuté sans marge (0 %), aux côtés de plus de 200 autres modèles accessibles avec une seule clé et un basculement automatique en cas de défaillance. À la date de publication, Terra ne figure pas au catalogue — il est disponible via l'API d'OpenAI et plusieurs plateformes tierces — l'expérience pratique consiste donc à appeler GLM-5.3 via OrcaRouter et Terra via OpenAI, puis à les comparer sur votre propre trafic plutôt que sur un classement.

Lorsque vous le ferez, mesurez les jetons par tâche terminée, pas le prix par jeton. C’est le chiffre qui sépare ces deux modèles, et c’est le chiffre qu’aucun des articles de lancement n’a mis dans son titre. Si Terra termine votre charge de travail avec un tiers de jetons de sortie en moins, son désavantage de 21 % sur le prix de sortie disparaît et son tarif d’entrée moins cher commence à se cumuler. Si le raisonnement de GLM-5.3 se rentabilise par moins de nouvelles tentatives et moins de relecture humaine, la facture par tâche s’inverse. Les moyennes des benchmarks indiquent que les modèles se tiennent à quelques points. Vos comptages de jetons diront lequel est le moins cher.

La question de l’attente a une réponse simple. GLM-5.5 pourrait arriver d’ici quelques semaines ; GLM-5.3 est téléchargeable dès maintenant, et Terra est invocable dès maintenant. Une équipe qui a besoin de poids ouverts dispose d’une véritable option aujourd’hui, et une équipe qui a besoin du coût le plus bas par tâche terminée en dispose d’une autre. Aucune de ces options ne s’améliore en attendant un modèle sans point de terminaison.