GPT-6 Astra vs GLM-5.5: Satu Sisi dari Perbandingan Ini Tidak Dapat Diuji

Pada 6 Oktober 2026, sebuah situs teknologi pihak ketiga menerbitkan laporan yang judulnya menyatakan bahwa GLM-5.5 mengalahkan Mythos 5.1 dan GPT-6 Astra. Klaim itulah alasan halaman ini ada, dan ada baiknya kita tepat tentang apa itu: sebuah judul tentang dua hal yang tidak sejenis. GPT-6 Astra adalah model yang sudah dirilis — OpenAI merilisnya pada 3 September 2026, model ini membawa pengenal gpt-6-astra, memiliki empat metrik yang dipublikasikan, jendela konteks 1.050.000 token yang didokumentasikan, dan posisi pada Artificial Analysis Intelligence Index yang dapat dibaca siapa pun. GLM-5.5 adalah nomor versi yang belum pernah muncul di log rilis Z.ai, di kartu model, di kartu tarif, atau di repositori mana pun yang dimiliki lab tersebut. Per 15 Oktober 2026, tidak ada artefak di baliknya untuk di-benchmark, dipanggil, atau diberi harga.

Jadi bentuk jujur dari perbandingan ini bukanlah adu langsung. Ini adalah deskripsi tentang apa yang dapat didukung masing-masing pihak sebagai bukti, dan tentang hal-hal konkret yang dapat diperiksa yang harus muncul sebelum adu itu menjadi nyata. Ternyata itu lebih berguna daripada lembar spesifikasi, karena pola — nomor versi yang bocor yang memperoleh klaim benchmark yang tidak dapat diusungnya — adalah pola yang terus dihadapi para pembaca di lini produk ini.

Apa itu GLM-5.5, dalam satu paragraf

Itu adalah nama dalam silsilah yang melewatinya. Log rilis Z.ai mencantumkan GLM-5.3 pada 18 Agustus 2026 dan GLM-5.3-Flash pada 26 Agustus; dokumentasi perusahaan mencantumkan keduanya plus GLM-5.2 lalu berhenti. Slot 5.4 dan 5.5 diasumsikan naik dari proyeksi analis yang lebih lama, dan panggilan pendapatan perusahaan sendiri pada 31 Agustus menyebut GLM-6.0 sebagai basis generasi berikutnya — melewati kedua angka itu. Audit lengkap atas sembilan permukaan, beserta URL dan metodenya agar dapat dijalankan ulang, ada di halaman referensi kami untuk nama tersebut. Yang penting di sini lebih sempit: angka yang bocor bukanlah spesifikasi, dan klaim benchmark yang dilekatkan pada angka bocor tidak dapat diperiksa oleh siapa pun, termasuk orang-orang yang menerbitkannya.

Dua model, dua jenis bukti

Tempatkan kedua sisi pada dimensi yang sama dan asimetri itu tak lagi bersifat retoris:

• Kartu tarif — GPT-6 Astra $10.00 masuk, $1.00 di-cache, $12.50 penulisan cache, $50.00 keluar per 1 juta vs GLM-5.5 tidak ada yang dipublikasikan, karena tidak ada halaman harga untuk mempublikasikannya

• Rentang prompt panjang — GPT-6 Astra dihargai ulang pada $20,00 / $75,00 untuk di atas 272.000 token masukan vs GLM-5.5 tanpa ketentuan yang perlu disebutkan

• Jendela konteks — GPT-6 Astra 1.050.000 token masuk, 128.000 keluar vs GLM-5.5 tidak disebutkan

• Modalitas masukan — GPT-6 Astra: teks, gambar, dan berkas sebagai masukan, teks sebagai keluaran vs GLM-5.5 tidak dinyatakan

• Pengenal — GPT-6 Astra gpt-6-astra, dapat ditemukan di dokumentasi OpenAI dan di katalog kami vs GLM-5.5 tanpa pengenal di permukaan vendor mana pun

• Skor independen — GPT-6 Astra 53 pada Artificial Analysis Intelligence Index, 44,6 token output per detik, $3,26 per tugas indeks yang diselesaikan vs GLM-5.5 tanpa entri, dan tidak ada cara untuk menghasilkannya

• Klaim benchmark — GPT-6 Astra: tabel vendor (98% FrontierMath Tier 4, 99.9% ARC-AGI-3, 100% ExploitBench, 57.9% Terminal-Bench 4.0), setiap angka dapat diatribusikan ke OpenAI dan masing-masing memiliki catatan di bawah vs GLM-5.5: klaim komparatif tanpa angka, tanpa harness, dan tanpa model

• Bobot — GPT-6 Astra tertutup, hanya API vs GLM-5.5 tidak ada yang akan dirilis

Bagian dari rekam jejak Astra yang bertahan dari pengamatan ketat, dan bagian yang tidak.

Karena satu sisi halaman ini memiliki basis bukti yang lengkap dan sisi lainnya tidak memilikinya sama sekali, hal yang lebih berharga yang dapat dilakukan artikel ini adalah menyatakan secara tepat seberapa banyak catatan Astra yang menopang.

Sisi independennya solid. Artificial Analysis mengukur GPT-6 Astra pada angka 53 dalam Intelligence Index-nya saat ini berdasarkan sepuluh evaluasi, peringkat ketujuh dari 216 model di papan itu, dengan biaya $3,26 per tugas indeks yang diselesaikan dan sekitar 60M token keluaran yang dihasilkan sepanjang pengujian — lebih ringkas daripada median papan sekitar 85M. Model ini terukur pada 44,6 token keluaran per detik, yang menempatkannya di peringkat ke-168 dari 185 dalam hal kecepatan, dan itu bukan artefak pembulatan: bagi agen yang melakukan banyak panggilan berurutan, throughput adalah pos biaya. Angka-angka itu berasal dari evaluator yang menerbitkan metodologinya, dan itulah angka yang sebaiknya dijadikan acuan perencanaan oleh pembaca.

Bagian vendor perlu diberi label. OpenAI melaporkan 98% pada FrontierMath Tier 4 dan menyebut tingkat itu sudah jenuh; 99,9% pada ARC-AGI-3 dengan klaim paritas efisiensi tindakan manusia pada 96% level; 100% pada ExploitBench, dengan Astra sebagai model OpenAI pertama yang melampaui ambang batas Keamanan Siber Kritis perusahaan; dan 57,9% pada Terminal-Bench 4.0 dibandingkan 37,3% untuk GPT-5.6 Sol. Tidak satu pun dari angka-angka itu telah direproduksi secara independen. Angka ARC-AGI-3 adalah yang paling membutuhkan catatan kakinya, dan ARC Prize menyediakannya: di bawah harness standar, di mana model hanya boleh membawa catatan yang ditulisnya sendiri, Astra mencetak 62,7%; angka 99,9% diukur di bawah adapter penyedia yang mempertahankan keadaan penalaran di antara permintaan. Kedua kolom itu dipublikasikan. Selisih 37 poin itu adalah ukuran harness, dan siapa pun yang mengutip 99,9% terhadap angka harness standar pesaing sedang membandingkan dua eksperimen yang berbeda.

Terapkan disiplin itu pada klaim 6 Oktober dan klaim itu gagal pada langkah pertama. Tidak ada harness yang bisa disebutkan, tidak ada skor yang bisa dibandingkan, tidak ada konfigurasi yang bisa dijaga tetap, dan tidak ada pengenal model yang bisa dipatok. "Beats GPT-6 Astra" bukanlah klaim yang bisa benar atau salah untuk saat ini; itu adalah klaim yang menunggu subjeknya.

GLM yang benar-benar dapat Anda jalankan terhadap Astra

Jika pertanyaan di balik pencarian adalah "haruskah saya menggunakan GLM atau andalan OpenAI," nama dalam laporan bukanlah nama dalam jawaban. Model teks andalan yang dirilis Z.ai adalah GLM-5.3, dirilis 18 Agustus 2026 dengan bobot di Hugging Face mulai 25 Agustus — model mixture-of-experts berparameter 753 miliar dengan sekitar 40B parameter aktif per token, jendela konteks 1.000.000 token, batas keluaran 128.000 token, dan hanya masukan teks dan keluaran teks. Thinking selalu aktif; kedalaman diatur dengan reasoning_effort. Model ini menyandang lisensi khusus, bukan lisensi terbuka, yang merupakan kendala nyata jika Anda berniat membangun di atas bobotnya alih-alih memanggil API.

Terhadap GPT-6 Astra, bentuk pertukarannya adalah pertukaran harga-dan-verbositas, dan paruh keduanya adalah paruh yang tidak dikutip siapa pun:

• Harga — GPT-6 Astra $10.00 / $50.00 per 1 juta vs GLM-5.3 $1.40 / $4.40 pada kartu tarif Z.ai sendiri, yang tercantum $1.26 / $3.96 di katalog kami

• Indeks independen — GPT-6 Astra 53 vs GLM-5.3 45, keduanya pada skala Artificial Analysis saat ini

• Biaya per tugas indeks yang diselesaikan — GPT-6 Astra $3,26 vs GLM-5.3 $2,01

• Token keluaran pada proses itu — GPT-6 Astra 60M vs GLM-5.3 210M, dibandingkan dengan median papan sekitar 85M

• Throughput — GPT-6 Astra 44,6 token per detik vs GLM-5.3 58,2

Baris keempat itulah yang mengubah keputusan. Daftar tarif GLM-5.3 kira-kira tujuh kali lebih murah daripada Astra untuk input dan sebelas kali lebih murah untuk output, dan tetap saja biayanya $2.01 untuk menyelesaikan tugas indeks, dibandingkan $3.26 milik Astra — selisih yang jauh lebih sempit daripada yang disiratkan daftar tarif. Penyebabnya adalah verbositas: 210 juta token output berbanding 60 juta milik Astra untuk rangkaian yang sama. Token murah yang dikalikan dengan model yang banyak bicara tidak akan tetap murah. Inilah juga sebabnya $1.26 / $3.96 yang ditampilkan katalog kami tidak sepenting yang terlihat: diskon 10% pada meteran yang dihabiskan model 3,5x lebih banyak adalah efek kecil dibandingkan perbedaan jumlah token.

Satu koreksi yang pantas masuk ke catatan resmi, bukan sebagai catatan kaki, karena hal ini memengaruhi siapa pun yang memegang angka lama: liputan sebelumnya dalam lini ini, termasuk tulisan Agustus kami sendiri, menyebut GLM-5.3 pada angka 60 di Artificial Analysis Intelligence Index. Itu adalah pembacaan pada versi indeks yang berlaku pada Agustus. Model yang sama menunjukkan angka 45 pada skala yang berlaku hari ini, karena indeks itu sendiri telah direvisi. Angkanya tidak turun; tolok ukurnya yang berubah. Perbandingan apa pun yang mencampur angka dari satu versi indeks dengan angka dari versi lain bukanlah perbandingan, yang merupakan mode kegagalan yang sama seperti mengutip 99,9% ARC-AGI-3 milik Astra melawan pesaing dengan harness standar.

Di mana routing cocok

Ada uji praktis dalam semua ini, dan itulah yang dijalankan sebuah katalog. GPT-6 Astra dikenali sebagai openai/gpt-6-astra di OrcaRouter dan GLM-5.3 dikenali sebagai z-ai/glm-5.3, keduanya di balik satu endpoint yang kompatibel dengan OpenAI dengan tarif daftar penyedia yang diteruskan tanpa markup dari kami — jadi perubahan tarif Z.ai dan perubahan tarif OpenAI sama-sama mendarat pada kunci yang sama pada hari keduanya diterbitkan, dan memindahkan trafik di antara keduanya hanyalah perubahan pada string model, bukan kontrak kedua. Nama yang tidak mengarah ke apa pun adalah jenis sinyal yang berbeda, dan kueri itu murah untuk dijalankan.

Itu punya kegunaan spesifik di sini. Cara menyelesaikan pertanyaan GLM versus Astra untuk trafik Anda sendiri adalah menjalankan set tugas Anda sendiri terhadap keduanya, dan biaya untuk menyiapkan eksperimen itu justru yang dihilangkan oleh endpoint bersama. Ini juga memberi Anda separuh jawaban yang lebih murah tanpa eksperimen: rentang $20,00 / $75,00 milik Astra di atas 272.000 token berada persis di posisi yang tidak ditempati tarif datar GLM-5.3 sebesar $1,26 / $3,96, sehingga beban kerja konteks panjang punya alasan harga untuk lebih memilih GLM sebelum benchmark apa pun dikonsultasikan.

Tidak ada rute yang diklaim untuk GLM-5.5 karena tidak ada yang perlu dirutekan: itu hanyalah sebuah nama, dan kueri katalog untuknya mengembalikan not-found, bukan sebuah model.

Apa yang akan membuat halaman ini usang?

Daftarnya singkat dan setiap butirnya dapat diperiksa secara independen, itulah intinya. GLM-5.5 menjadi nyata ketika kartu model muncul di dokumentasi Z.ai dengan sebuah pengenal, ketika baris kartu tarif mencantumkannya, ketika repositori Hugging Face milik lab tersebut menerbitkan bobot di bawah lisensi bernama, ketika evaluator independen memiliki halaman untuknya, dan ketika kueri terhadap katalog mengembalikan model alih-alih 404. Salah satu saja dari hal-hal itu adalah sinyal yang kuat. Sampai setidaknya satu muncul, laporan yang menggambarkan performa GLM-5.5 terhadap GPT-6 Astra sedang menggambarkan perbandingan antara produk dan proyeksi.

Oleh karena itu, pembacaan yang dapat dipertahankan dari adu ini hari ini bukanlah sebuah putusan melainkan pembagian kerja. GPT-6 Astra adalah model dengan bukti yang lebih baik dan yang lebih mahal, dan titik terlemahnya justru ada di mana GLM paling kuat: konteks panjang, volume tinggi, dan pekerjaan di mana verbositas output menjadi biaya dominan. GLM-5.3 adalah meter yang lebih murah dengan pengeluaran yang lebih lambat, skor independennya 8 poin lebih rendah, dan ia tidak dapat melihat gambar berapa pun harganya. Jika GLM-5.5 benar-benar dirilis, angka yang pertama harus diperhatikan bukanlah tolok ukurnya — melainkan jumlah token outputnya pada suite tetap, karena itulah angka yang secara historis telah mempersempit keunggulan harga GLM hingga hampir tidak ada.

Rilis juga merupakan momen untuk memeriksa apa yang pernah salah sebelumnya: insiden AI dan kegagalan agen yang terdokumentasi seputar model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan tanda perselisihan.