DeepSeek V4.1 Flash vs GLM-5.2: due modelli MIT, una risposta noiosa

DeepSeek V4.1 Flash e GLM-5.2 sono lo stesso tipo di oggetto, ed è la parte che la maggior parte dei confronti salta. Entrambi sono modelli mixture-of-experts, entrambi vengono distribuiti con licenza MIT e pesi scaricabili, entrambi accettano un milione di token di contesto, ed entrambi sono disponibili tramite un'API ospitata da un fornitore che non li ha addestrati. GLM-5.2 è arrivato per primo e, al momento del rilascio, era il modello open-weight con il punteggio più alto sull'Artificial Analysis Index, con 51. DeepSeek V4.1 Flash è arrivato il 10 settembre 2026 come modello più piccolo, più nuovo ed economico nella nuova famiglia di architetture di DeepSeek. Il confronto che conta tra loro non è quale sia più intelligente. È quale puoi eseguire, e a quale costo, per il lavoro che hai davvero.

Ciò che condividono, che ne è la maggior parte.

Parti da ciò che hanno in comune, perché elimina la maggior parte dei soliti criteri di decisione. Se scegli tra un modello aperto e uno chiuso, valuti il lock-in, valuti la possibilità di fare fine-tuning, valuti se il fornitore può cambiarti le condizioni contrattuali. Niente di tutto ciò vale in questo caso. Sia DeepSeek V4.1 Flash sia GLM-5.2 sono distribuiti con licenza MIT, con pesi che puoi scaricare e servire in autonomia. Entrambi accettano 1M token di input. Entrambi sono architetture MoE, il che significa che entrambi sono economici da eseguire rispetto al loro numero totale di parametri, perché solo una frazione dei pesi si attiva per token.

Quindi il confronto non è aperto contro chiuso, e non è contesto lungo contro breve. È un insieme di quattro o cinque numeri, e i numeri puntano in una direzione sul costo e nella direzione opposta sulla maturità.

Dove in realtà divergono

• Prezzo per 1M token — DeepSeek V4.1 Flash $0,15 in / $0,60 out fuori picco vs GLM-5.2 $1,40 in / $4,40 out. È poco più di 9 volte il prezzo di input e poco più di 7 volte il prezzo di output.

• Input in cache — V4.1 Flash $0,003 per 1M fuori picco contro GLM-5.2 $0,26 per 1M. Quasi 90 volte, sulla voce di costo che domina la bolletta di un ciclo di agente.

Parametri — V4.1 Flash: 552B totali con 8B attivi sull'input e 16B sull'output, rispetto a GLM-5.2 con circa 745B totali e circa 40B attivi. GLM-5.2 attiva circa due volte e mezzo il numero di parametri per token.

• Output massimo — V4.1 Flash 384K token vs GLM-5.2 128K token. Tre volte il tetto.

• Finestra di contesto — 1M token ciascuna. Livello.

• Punteggio dell'indice indipendente — GLM-5.2 ottiene 51 sull'Artificial Analysis Index, il punteggio più alto tra tutti i modelli open-weight al momento del suo rilascio. DeepSeek V4.1 Flash non ha ancora una cifra pubblicata nell'Indice.

• Latenza osservata al primo token — V4.1 Flash 2,63 s al p50 e 9,05 s al p95 contro GLM-5.2 2,36 s al p50 e 10,00 s al p95, sulla telemetria di 7 giorni di OrcaRouter. Le mediane sono sullo stesso livello. Le code no.

La direzione del prezzo e la direzione della maturità sono opposte. GLM-5.2 è il modello con il punteggio indipendente e il track record più lungo. DeepSeek V4.1 Flash è il modello con i token più economici, un nono del prezzo di input e tre volte il tetto di output. Non esiste una lettura di questa lista in cui un modello domini semplicemente.

La coda è la linea sottovalutata

La maggior parte dei confronti tra modelli open-weight si apre con il punteggio dell'indice. La telemetria della latenza merita invece attenzione, ma non per il motivo che ti aspetteresti: le mediane sono sullo stesso livello. Il tempo p50 al primo token di GLM-5.2 è 2,36 s contro i 2,63 s di V4.1 Flash, il che non è un divario, è rumore su una rete condivisa. Chiunque citi un vantaggio sul primo token per il modello più economico sta leggendo il percentile sbagliato.

Il p95 è il punto in cui i due si separano, e la direzione è opposta a quella che il divario di prezzo suggerirebbe. L'attesa nel caso peggiore di GLM-5.2 è 10.00 s; quella di V4.1 Flash è 9.05 s. Questo conta più di una mediana, perché le richieste che un utente nota sono quelle lente. Uno strumento che di solito è istantaneo e ogni tanto si blocca per dieci secondi appare inaffidabile in un modo in cui uno strumento uniformemente da tre secondi non lo è, e in un ciclo di agente che distribuisce dieci chiamate per turno, il p95 è il numero che decide se il turno si completa entro la pazienza di una persona. La coda di GLM-5.2 non è un difetto; è un modello più grande che attiva circa 40 miliardi di parametri per token e costa quello che costa. Ma è il motivo per cui il modello si adatta al lavoro asincrono — una coda, un job in batch, un agente in background che nessuno guarda — meglio di quanto si adatti a un'interfaccia richiesta-risposta.

Nessuno dei due modelli pubblica un dato di throughput sulle pagine che possiamo vedere, cosa che vale la pena dire chiaramente invece di colmare la lacuna. Il tempo al primo token è l'unica dimensione di latenza su cui questi due possono essere confrontati su dati comuni, e su quella dimensione la lettura onesta è che sono alla pari alla mediana e vicini nella coda.

Cosa risolve e cosa non risolve un punteggio dell'indice

Il 51 di GLM-5.2 sull'Artificial Analysis Index è un dato reale e prodotto in modo indipendente ed è il singolo argomento più forte a favore del modello. È anche un composito: un singolo numero che aggrega diversi set di valutazione, il che lo rende un buon riepilogo delle capacità generali e un cattivo predittore delle prestazioni su un qualsiasi compito specifico. Un modello che ottiene 51 e un modello senza punteggio pubblicato non sono la stessa cosa di un modello che ottiene 51 e un modello che ottiene 40.

La posizione onesta su DeepSeek V4.1 Flash è che il suo storico indipendente è scarno, e il motivo è l'età. È disponibile a livello generale da dodici giorni. L'unica rassegna recente di terze parti in cui compare — la classifica di coding agentico Agents on Rails pubblicata il 21 settembre 2026 — lo colloca al 17% con lo sforzo massimo, a metà classifica, sopra GLM-5.3 Flash al 15% e sotto Gemini 3.8 Flash al 23%. Si tratta di un'unica classifica che misura una sola cosa ristretta, e non è un sostituto di un punteggio Index. Chiunque affermi che V4.1 Flash superi GLM-5.2 in capacità al momento sta estrapolando da architettura e prezzo, non riportando una misurazione.

Le argomentazioni a favore di ciascuno, esposte chiaramente.

DeepSeek V4.1 Flash è il modello a cui ricorrere quando il carico di lavoro è ad alto volume, sensibile alla latenza o con un output elevato. Un nono del prezzo di input e circa un novantesimo del prezzo di lettura della cache rappresentano un vantaggio strutturale in un ciclo di agente che rilegge il contesto a ogni turno, e un limite di output di 384K è una categoria di artefatto diversa rispetto a 128K. Se il tuo compito è la classificazione, l'estrazione, la generazione strutturata lunga o l'esecutore ad alto volume all'interno di una pipeline di agenti, la differenza di costo non è marginale: è la differenza tra una pipeline praticabile e una non praticabile.

GLM-5.2 è il modello a cui rivolgersi quando hai bisogno di un dato di capacità pubblicato e verificato in modo indipendente per giustificare una decisione, oppure quando il lavoro è asincrono e un'attesa massima di dieci secondi è invisibile. È la scelta matura: il punteggio esiste, il comportamento è documentato, il modello è in produzione da abbastanza tempo perché altre persone ne abbiano trovato i limiti. C'è un valore reale in questo, e non è colto da una colonna di prezzo.

Quando nessuna delle due è ovviamente giusta — un assistente generico che gestisce traffico misto — la mossa utile non è scegliere. È inviare la maggior parte del traffico al modello economico e tenere quello costoso per le richieste che ne hanno bisogno.

Eseguire entrambi come un unico sistema

Poiché entrambi i modelli sono open-weight ed entrambi sono ospitati, il pattern split-and-route è insolitamente economico da configurare qui, ed è qui che il livello di routing di OrcaRouter si guadagna il suo posto invece di essere un pitch appiccicato a posteriori. Entrambi i modelli stanno dietro un'unica chiave, quindi la decisione di routing è configurazione anziché una seconda integrazione: una regola che invia richieste brevi e ad alto volume a DeepSeek V4.1 Flash e job asincroni di lunga durata a GLM-5.2 si riduce a poche righe anziché a un ramo nel codice dell'applicazione.

Due proprietà della piattaforma contano specificamente per questo abbinamento. OrcaRouter trasmette i prezzi di listino dei provider con 0% di ricarico, quindi le cifre sopra sono le tariffe dei vendor stessi e il programma di picco di DeepSeek si applica esattamente come DeepSeek lo definisce — il picco è 01:00–04:00 e 06:00–10:00 UTC nei giorni feriali, con i fine settimana interamente fuori picco, una decisione di pianificazione che vale la pena rendere esplicita su un modello così economico. E il DSL di routing può comporre diversi modelli in un'unica chiamata, che è il modo naturale di usare due modelli open-weight le cui forze non si sovrappongono: quello economico produce, quello più forte revisiona, e il chiamante vede un'unica risposta. Il failover automatico è alla base di entrambi i percorsi, il che conta quando uno dei due modelli ha dodici giorni di vita e il suo comportamento sui tuoi dati non è ancora noto.

La ragione per cui questa è la forma corretta anziché un compromesso è che i due modelli differiscono su assi che non competono. Uno è veloce ed economico; l'altro è valutato e lento. Una pipeline che li usa entrambi non sta facendo hedging, sta abbinando gli strumenti ai compiti.

Cosa guardare

• Un dato pubblicato dell'Artificial Analysis Index per DeepSeek V4.1 Flash. Finché non esisterà, il confronto delle capacità tra questi due modelli è un'argomentazione, non una misurazione — ed è l'unico elemento di prova che lo risolverebbe.

• Se il profilo di latenza di GLM-5.2 migliora. Il suo p95 di 10,00 s è il numero più probabile che cambi man mano che i provider di hosting ottimizzano, e al momento è la più grande differenza misurata tra i due modelli — un'attesa in coda, non un prezzo.

• Se cambia l'orario di punta di DeepSeek. Su un modello a 0,15 $ per milione di token di input, il moltiplicatore delle ore di punta è la singola variabile più grande nel modello dei costi.

Finché non arriva il primo di quelli, il riepilogo accurato è: DeepSeek V4.1 Flash è circa nove volte più economico sull'input e quasi novanta volte più economico sull'input in cache rispetto a GLM-5.2, e ha il triplo del limite di output; GLM-5.2 è il modello con il punteggio indipendente e il track record più lungo, e la sua mediana del primo token è allo stesso livello di quella del modello più economico anche se il suo caso peggiore non lo è. Entrambi sono MIT. Entrambi sono a una chiave di distanza. Scegli in base al carico di lavoro, non in base al vincitore.