DeepSeek V4.1 Flash vs GLM-5.2: Dua Model MIT, Satu Jawaban yang Membosankan

DeepSeek V4.1 Flash dan GLM-5.2 adalah jenis objek yang sama, dan itulah bagian yang paling sering dilewatkan dalam perbandingan. Keduanya adalah model mixture-of-experts, keduanya dirilis dengan lisensi MIT dan bobot yang dapat diunduh, keduanya mendukung konteks satu juta token, dan keduanya tersedia melalui API terkelola dari vendor yang tidak melatihnya. GLM-5.2 hadir lebih dulu dan, saat dirilis, merupakan model open-weight dengan skor tertinggi di Artificial Analysis Index dengan nilai 51. DeepSeek V4.1 Flash hadir pada 10 September 2026 sebagai model yang lebih kecil, lebih baru, dan lebih murah dalam keluarga arsitektur baru DeepSeek. Perbandingan yang penting di antara keduanya bukanlah mana yang lebih pintar. Melainkan mana yang dapat Anda jalankan, dan dengan biaya berapa, untuk pekerjaan yang benar-benar Anda miliki.

Apa yang mereka miliki bersama, yang merupakan sebagian besar darinya.

Mulailah dari titik tumpang tindihnya, karena hal itu menyingkirkan sebagian besar kriteria keputusan yang biasa. Jika Anda memilih antara model terbuka dan model tertutup, Anda menimbang lock-in, menimbang kemampuan untuk melakukan fine-tuning, menimbang apakah vendor dapat mengubah ketentuan sepihak kepada Anda. Tidak satu pun dari itu berlaku di sini. DeepSeek V4.1 Flash dan GLM-5.2 keduanya berlisensi MIT dengan bobot yang dapat Anda tarik dan jalankan sendiri. Keduanya menerima input 1M token. Keduanya berarsitektur MoE, yang berarti keduanya murah untuk dijalankan relatif terhadap jumlah total parameternya, karena hanya sebagian kecil bobot yang aktif per token.

Jadi perbandingannya bukan terbuka versus tertutup, dan bukan pula konteks panjang versus pendek. Ini adalah sekumpulan empat atau lima angka, dan angka-angka itu menunjuk ke satu arah dalam hal biaya dan ke arah sebaliknya dalam hal kematangan.

Di mana mereka sebenarnya berbeda

• Harga per 1 juta token — DeepSeek V4.1 Flash $0,15 input / $0,60 output di luar jam sibuk vs GLM-5.2 $1,40 input / $4,40 output. Itu sedikit lebih dari 9 kali harga input dan sedikit lebih dari 7 kali harga output.

• Input cache — V4.1 Flash $0.003 per 1 juta di luar jam sibuk vs GLM-5.2 $0.26 per 1 juta. Hampir 90 kali, pada pos biaya yang mendominasi tagihan loop agen.

• Parameter — V4.1 Flash total 552B dengan 8B aktif pada input dan 16B pada output vs GLM-5.2 sekitar 745B total dengan sekitar 40B aktif. GLM-5.2 mengaktifkan sekitar dua setengah kali lebih banyak parameter per token.

• Output maksimum — V4.1 Flash 384K token vs GLM-5.2 128K token. Tiga kali batas maksimumnya.

• Jendela konteks — 1 juta token masing-masing. Tingkat.

• Skor indeks independen — GLM-5.2 mendapat skor 51 pada Artificial Analysis Index, tertinggi di antara model berbobot terbuka pada saat perilisannya. DeepSeek V4.1 Flash belum memiliki angka Indeks yang dipublikasikan.

• Latensi teramati ke token pertama — V4.1 Flash 2,63 s pada p50 dan 9,05 s pada p95 vs GLM-5.2 2,36 s pada p50 dan 10,00 s pada p95, berdasarkan telemetri 7 hari milik OrcaRouter sendiri. Mediannya setara. Ekornya tidak.

Arah harga dan arah kematangan saling berlawanan. GLM-5.2 adalah model dengan skor independen dan rekam jejak yang lebih panjang. DeepSeek V4.1 Flash adalah model dengan token yang lebih murah, sepersembilan harga input dan tiga kali batas maksimum output. Tidak ada pembacaan atas daftar ini yang membuat satu model mendominasi begitu saja.

Ekor adalah garis yang diremehkan

Sebagian besar perbandingan model open-weight dimulai dengan skor indeks. Telemetri latensi justru layak diperhatikan, tetapi bukan karena alasan yang Anda duga: nilai mediannya setara. Waktu ke token pertama p50 GLM-5.2 adalah 2,36 s dibandingkan 2,63 s milik V4.1 Flash, yang bukanlah selisih, melainkan derau pada jaringan bersama. Siapa pun yang mengutip keunggulan token pertama untuk model yang lebih murah sedang membaca persentil yang salah.

P95 adalah titik di mana keduanya terpisah, dan arahnya merupakan kebalikan dari apa yang disarankan oleh selisih harga. Waktu tunggu kasus terburuk GLM-5.2 adalah 10,00 s; V4.1 Flash 9,05 s. Itu lebih penting daripada median, karena permintaan yang diperhatikan pengguna adalah yang lambat. Alat yang biasanya instan dan kadang-kadang macet selama sepuluh detik terbaca sebagai tidak dapat diandalkan, sedangkan alat yang konsisten tiga detik tidak, dan dalam loop agen yang menyebarkan sepuluh panggilan per giliran, p95 adalah angka yang menentukan apakah giliran selesai dalam batas kesabaran seseorang. Ekor GLM-5.2 bukanlah cacat; itu adalah model yang lebih besar yang mengaktifkan sekitar 40 miliar parameter per token dan biayanya memang seperti itu. Tapi itulah alasan model ini lebih cocok untuk pekerjaan asinkron — antrean, pekerjaan batch, agen latar belakang yang tidak diawasi siapa pun — daripada untuk antarmuka permintaan-respons.

Kedua model ini tidak mempublikasikan angka throughput di halaman yang dapat kami lihat, dan itu layak dikatakan secara gamblang alih-alih diisi dengan dugaan. Waktu menuju token pertama adalah satu-satunya dimensi latensi yang memungkinkan keduanya dibandingkan berdasarkan data yang sama, dan pada dimensi itu pembacaan yang jujur adalah bahwa keduanya setara pada median dan berdekatan pada ekor.

Apa yang dapat dan tidak dapat diselesaikan oleh skor indeks

Nilai 51 GLM-5.2 pada Artificial Analysis Index adalah angka nyata yang diproduksi secara independen dan merupakan argumen tunggal terkuat untuk model tersebut. Angka itu juga merupakan komposit: satu angka yang menggabungkan beberapa kumpulan evaluasi, sehingga menjadikannya ringkasan yang baik untuk kemampuan umum sekaligus prediktor yang buruk untuk kinerja pada tugas tertentu mana pun. Model yang mendapat nilai 51 dan model tanpa skor yang dipublikasikan tidak sama dengan model yang mendapat nilai 51 dan model yang mendapat nilai 40.

Posisi yang jujur tentang DeepSeek V4.1 Flash adalah bahwa rekam jejak independennya masih tipis, dan alasannya adalah usia. Model ini telah tersedia secara umum selama dua belas hari. Satu-satunya tinjauan pihak ketiga terbaru yang memuatnya — papan agentic-coding Agents on Rails yang diterbitkan pada 21 September 2026 — menempatkannya di 17% pada upaya maksimum, di tengah klasemen, di atas GLM-5.3 Flash pada 15% dan di bawah Gemini 3.8 Flash pada 23%. Itu adalah satu papan yang mengukur satu hal sempit, dan itu bukan pengganti skor Index. Siapa pun yang mengklaim V4.1 Flash mengalahkan GLM-5.2 dalam hal kemampuan saat ini sedang mengekstrapolasi dari arsitektur dan harga, bukan melaporkan suatu pengukuran.

Argumen untuk masing-masing, dinyatakan dengan gamblang

DeepSeek V4.1 Flash adalah model yang tepat untuk dipilih ketika beban kerjanya bervolume tinggi, sensitif terhadap latensi, atau berat pada output. Harga input sepersembilan dan sekitar sepersembilan puluh dari harga baca cache merupakan keunggulan struktural dalam loop agen yang membaca ulang konteks setiap giliran, dan batas output 384K adalah kategori artefak yang berbeda dari 128K. Jika tugas Anda adalah klasifikasi, ekstraksi, generasi terstruktur yang panjang, atau eksekutor bervolume tinggi di dalam pipeline agen, perbedaan biayanya bukanlah marginal — itulah perbedaan antara pipeline yang layak dan yang tidak layak.

GLM-5.2 adalah model yang Anda andalkan saat Anda memerlukan angka kapabilitas yang dipublikasikan dan diverifikasi secara independen untuk membenarkan suatu keputusan, atau saat pekerjaannya asinkron dan waktu tunggu terburuk selama sepuluh detik tidak terlihat. Ini adalah pilihan yang matang: skornya tersedia, perilakunya terdokumentasi, dan modelnya sudah cukup lama berada di produksi sehingga orang lain telah menemukan batas-batasnya. Ada nilai nyata di dalamnya, dan itu tidak tercermin dalam kolom harga.

Ketika tidak ada yang jelas benar — asisten serbaguna yang menangani lalu lintas campuran — langkah yang berguna bukanlah memilih. Melainkan mengirim sebagian besar lalu lintas ke model murah dan menyisihkan model mahal untuk permintaan yang membutuhkannya.

Menjalankan keduanya sebagai satu sistem

Karena kedua model berbobot terbuka dan keduanya dihosting, pola pemisahan dan perutean luar biasa murah untuk disiapkan di sini, dan di sinilah lapisan routing OrcaRouter membuktikan tempatnya, bukan sekadar promosi tambahan yang ditempelkan. Kedua model berada di balik satu kunci, sehingga keputusan routing menjadi konfigurasi, bukan integrasi kedua: aturan yang mengirim permintaan pendek bervolume tinggi ke DeepSeek V4.1 Flash dan tugas asinkron panjang ke GLM-5.2 hanyalah beberapa baris, bukan percabangan di kode aplikasi Anda.

Dua properti platform ini penting secara khusus untuk pemasangan ini. OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, jadi angka-angka di atas adalah tarif milik vendor itu sendiri dan jadwal jam puncak DeepSeek berlaku persis seperti yang ditetapkan DeepSeek — jam puncak adalah 01:00–04:00 dan 06:00–10:00 UTC pada hari kerja, dengan akhir pekan sepenuhnya di luar jam puncak, yang merupakan keputusan penjadwalan yang layak diambil secara eksplisit pada model semurah ini. Dan DSL perutean dapat menggabungkan beberapa model menjadi satu panggilan, yang merupakan cara alami untuk menggunakan dua model open-weight yang keunggulannya tidak saling tumpang tindih: yang murah menghasilkan, yang lebih kuat meninjau, dan pemanggil melihat satu respons. Failover otomatis berada di balik kedua jalur, yang penting ketika salah satu dari dua model tersebut berusia dua belas hari dan perilakunya terhadap data Anda belum diketahui.

Alasan mengapa ini merupakan bentuk yang tepat alih-alih sebuah kompromi adalah bahwa kedua model tersebut berbeda pada sumbu-sumbu yang tidak saling bersaing. Yang satu cepat dan murah; yang lain memiliki skor dan lambat. Pipeline yang menggunakan keduanya bukanlah tindakan berjaga-jaga, melainkan mencocokkan instrumen dengan tugas.

Apa yang harus ditonton

• Angka Artificial Analysis Index yang dipublikasikan untuk DeepSeek V4.1 Flash. Sampai itu ada, perbandingan kemampuan antara kedua model ini hanyalah argumen, bukan pengukuran — dan itu adalah satu-satunya bukti yang akan menyelesaikannya.

• Apakah profil latensi GLM-5.2 membaik. p95-nya sebesar 10,00 dtk adalah angka yang paling mungkin berubah seiring penyedia hosting mengoptimalkan, dan saat ini merupakan perbedaan terukur tunggal terbesar antara kedua model — penantian di ekor, bukan harga.

• Apakah jadwal jam sibuk DeepSeek berubah. Pada model dengan $0.15 per juta token masukan, pengali puncak adalah variabel tunggal terbesar dalam model biaya.

Sampai yang pertama dari itu terwujud, ringkasan yang akurat adalah: DeepSeek V4.1 Flash sekitar sembilan kali lebih murah untuk input dan hampir sembilan puluh kali lebih murah untuk input yang di-cache dibandingkan GLM-5.2, dan batas outputnya tiga kali lipat; GLM-5.2 adalah model dengan skor independen dan rekam jejak yang lebih panjang, dan median token pertamanya setara dengan model yang lebih murah itu meskipun kasus terburuknya tidak. Keduanya MIT. Keduanya hanya berjarak satu kunci. Pilih berdasarkan beban kerja, bukan berdasarkan pemenang.