
Hy4 flash vs GLM-5.3-Flash: il modello più economico è quello che non puoi scaricare
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 90 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNUOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 87 tok/s
- OrcaNUOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 133 tok/s
- OrcaNUOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M di token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M di token · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenza
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenza
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M di token · 219 tok/s
Hy4 flash e GLM-5.3-Flash si rivolgono allo stesso acquirente — chi desidera una finestra di contesto da un milione di token, input di immagini e chiamata di strumenti di livello agentico senza pagare le tariffe dei modelli flagship — e rispondono con schede tariffarie quasi identiche. Hy4 flash, rilasciato da Tencent il 16 novembre 2026, applica $0.070 per milione di token di input e $0.281 per milione di output, con $0.003 per l'input in cache. GLM-5.3-Flash, lanciato e reso open source da Zhipu il 26 agosto 2026, applica a listino $0.15, $0.50 e $0.03. Tencent costa circa la metà sull'input e poco più della metà sull'output, ed è dieci volte più economico sull'input in cache, la voce che decide la maggior parte dei budget degli agenti. È anche il modello senza pesi, senza licenza, senza model card e senza benchmark indipendente, contro uno con licenza MIT su Hugging Face che ottiene 27,8 sull'Artificial Analysis Intelligence Index.
Questo è l'intero confronto in una frase, e non si risolve in modo netto. Più economico e non verificabile contro più caro e ispezionabile è un vero compromesso, non un problema di marketing, e quale dei due prevale dipende da cose che nessuno dei due fornitori ti dirà. Quanto segue è ciò che ciascuno ha effettivamente pubblicato, cosa compra e cosa costa la differenza di prezzo, e su cosa si gioca la decisione.
Due schede prezzo, lette riga per riga
Parti dai numeri così come pubblicati, perché sono le uniche cifre di questo confronto che entrambe le aziende dichiarano chiaramente e che chiunque può verificare confrontandole con una fattura.
• Input, per milione di token — Hy4 flash $0,070; GLM-5.3-Flash $0,15.
• Output, per milione di token — Hy4 flash $0.281; GLM-5.3-Flash $0.50.
• Input memorizzato nella cache, per milione di token — Hy4 flash 0,003 $; GLM-5.3-Flash 0,03 $.
• Finestra di contesto — Hy4 flash 1.048.576 token; GLM-5.3-Flash 1.000.000 token.
• Parametri attivi per token — Hy4 flash 12B su 224B totali, inclusi 64B di parametri Engram; GLM-5.3-Flash 18B su 320B totali distribuiti su 45 livelli.
• Pesi — Hy4 flash annunciato come un piano senza data; GLM-5.3-Flash MIT su Hugging Face dal giorno del lancio.
• Punteggio di intelligenza indipendente — Hy4 flash: nessun dato pubblicato; GLM-5.3-Flash 27,8 sull'Artificial Analysis Intelligence Index, con 71,5 sul Coding Index dello stesso laboratorio.
La voce relativa all'input in cache merita più attenzione di quanta ne riceva di solito. A 0,003 $ per milione, la cache di Hy4 flash costa dieci volte meno di GLM-5.3-Flash e cento volte meno del suo stesso flagship Tencent HY4. Per un agente che a ogni passo reinvia un system prompt fisso, uno schema di strumenti e un documento recuperato, la tariffa della cache è quella che di fatto si paga la maggior parte delle volte, e una differenza di dieci volte su quel fronte pesa più della differenza di due volte sull'input nuovo. Se il vostro carico di lavoro è a forte componente di retrieval, il vantaggio di Hy4 flash è maggiore di quanto suggerisca il prezzo di listino. Se il vostro carico consiste in generazione one-shot senza riutilizzo, il vantaggio si riduce ai rapporti tra input e output.
Entrambe le schede prezzi sono in parte promozionali. TokenHub di Tencent Cloud applica uno sconto del 50% per un periodo limitato non specificato e WorkBuddy è gratuito fino al 30 novembre. La tariffa di lancio con il 50% di sconto di Zhipu è scaduta il 9 settembre 2026 e non è stata prorogata, ed è per questo che le cifre di $0,075 e $0,25 che circolavano a fine agosto non sono più valide — la tariffa sopra riportata è quella vigente. Presumi che la promozione di Tencent termini allo stesso modo e metti a budget la tariffa di listino.
Il divario nei parametri è inferiore al divario nel prezzo.

Hy4 flash attiva 12 miliardi di parametri per token contro i 18 miliardi di GLM-5.3-Flash, un terzo in meno di calcolo per token, ed è la ragione meccanica per cui può essere venduto a metà prezzo. La parte interessante è il totale: 224 miliardi contro 320 miliardi, con 64 miliardi del totale di Tencent che risiedono in parametri Engram che contengono associazioni apprese invece di essere eseguiti in ogni forward pass come fa un esperto instradato. Tencent non ha pubblicato il numero di layer, il numero di esperti o l'ampiezza del routing per Hy4 flash, quindi la cosa più vicina a un confronto architetturale è che entrambi sono modelli sparse mixture-of-experts con una piccola frazione attiva ed entrambi i fornitori hanno scelto quel design per la stessa ragione: il costo di serving scala con i parametri attivi, non con quelli totali.
Il design di GLM-5.3-Flash è documentato in modo più dettagliato, e tale documentazione è verificabile perché i pesi sono pubblici: 45 strati, attenzione ibrida sparsa e lineare, un approccio alle connessioni residue che Zhipu chiama Manifold-Constrained Hyper-Connections, e un meccanismo IndexPool che comprime quattro vettori di chiave dell'indexer in un unico pool ponderato per ridurre la latenza sui contesti lunghi. Il pre-addestramento è stato eseguito su un corpus multimodale da 30 trilioni di token. Nessuna di queste informazioni è stata sottoposta a un audit indipendente, ma si tratta almeno di una descrizione abbastanza specifica da poter essere falsificata da chiunque scarichi il checkpoint.
L'asimmetria non sta nel fatto che Zhipu abbia pubblicato e Tencent no. Hanno pubblicato entrambe; hanno pubblicato tipi diversi di cose. Zhipu ha descritto un modello, cioè un'affermazione sulla struttura che un checkpoint può confermare o smentire. Tencent ha descritto un risultato — una KV cache grande un sesto di quella del suo modello di punta, lunghezza dell'output dimezzata tramite autodistillazione, oltre 150 token al secondo di decodifica grazie a quantizzazione a quattro bit e a un megakernel — cioè un'affermazione sul comportamento che solo la riproduzione può dirimere. I risultati sono le affermazioni più interessanti dal punto di vista commerciale e quelle più difficili da verificare. Su un modello con pesi pubblici, un'affermazione sul serving viene messa alla prova da estranei nel giro di settimane; su un modello senza pesi pubblici, resta una frase su una pagina di ricerca per tutto il tempo che il fornitore desidera.
Uno di questi puoi scaricarlo
Questa è la differenza decisiva per una quota significativa di acquirenti, e non c'è partita. GLM-5.3-Flash è con licenza MIT, in FP8 e BF16, all'indirizzo zai-org/GLM-5.3-Flash su Hugging Face, e lo è dal 26 agosto 2026. La licenza MIT consente uso commerciale, modifica, fine-tuning e ridistribuzione senza soglia di ricavi. Il modello è stato oggetto di un uso pubblico diffuso per quasi tre mesi, il che significa che lo stack di inferenza è stato all'altezza: esistono quantizzazioni, esistono ricette di serving, e qualsiasi affermazione sul suo comportamento può essere verificata eseguendolo.
Non esiste nulla di simile per Hy4 flash. L'impegno in quel caso è una frase su piani futuri, attenuata dall'intenzione di continuare a iterare, e non nomina né una licenza né una data. Tencent ha già fatto le cose per bene in passato — l'anteprima di agosto è arrivata sotto Apache 2.0 con i pesi su quattro siti di hosting e con le ricette per vLLM e SGLang fin dal primo giorno — quindi lo schema non è in dubbio. Ciò che è in dubbio è la timidezza del linguaggio attuale, che suona come un impegno verso un processo anziché verso un artefatto. Chiunque pianifichi di fare fine-tuning, self-hosting o di costruire un modello di costo attorno all'esecuzione della propria inferenza dovrebbe trattare Hy4 flash come API-only finché non compare un repository.
La stessa asimmetria vale per le prove. GLM-5.3-Flash ha due numeri provenienti da un harness che nessuno dei due fornitori ha scritto: 27,8 sull’Artificial Analysis Intelligence Index e 71,5 sul suo Coding Index. Entrambi sono verificabili, e la coppia dice qualcosa di specifico: un 71,5 sul coding contro un 27,8 sull’indice generale descrive un modello che è davvero bravo in una cosa e ordinario in tutto il resto, che è esattamente ciò che dovrebbe essere una fascia economica. È il tipo di distinzione che un singolo punteggio da titolo cancella, ed è per questo che le restanti cifre dei fornitori in questo articolo sono presentate come affermazioni anziché risultati. Hy4 flash non ha un punteggio indipendente, e i suoi risultati benchmark — DeepSWE, Terminal-Bench 4.0, APEX-Agents, OSWorld 2.1 e le suite interne di Tencent — esistono solo come immagini di grafici sulla pagina di ricerca del fornitore. Non è un motivo per diffidarne. È un motivo per trattarli come ipotesi.
Che cosa ha misurato ciascun fornitore e chi ha battuto
Entrambe le aziende hanno pubblicato confronti, e si sono confrontate con cose diverse, il che rivela quale ciascuna riteneva fosse il proprio punto debole.
Il titolo di Tencent è un test alla cieca: 85 utenti WorkBuddy, 27 categorie di attività, 259 attività reali di lavoro quotidiano, con Hy4 flash indicato come vicino a Claude Haiku 5.5 sulla soddisfazione, pur avendo il costo per attività più basso e la durata dell'attività più breve nel panel. Nota bene: "vicino a", non "migliore di", e nota che il panel è composto dai dipendenti del fornitore stesso nel prodotto del fornitore stesso. L'affermazione a supporto è il costo per attività su WorkIndex, il benchmark interno di Tencent composto da otto suite: un tredicesimo di Hy4 preview, un ventesimo di Tencent HY4, un ottavo di DeepSeek-V4.1-Flash-1017. Rispetto a GLM-5.3-Flash, l'unico dato pubblicato è un incremento del 2,52% nella chat generale all'interno di 元宝, che è una metrica di prodotto su una singola app consumer e non è trasferibile a nulla di ciò che eseguiresti.
Il posizionamento di Zhipu è diverso: vende il modello come una capacità vicina alla frontiera a costi da modello flash, ne fissa il prezzo in rapporto al proprio flagship da 743B e indica i pesi aperti e un risultato di valutazione degli exploit come prova che il modello economico non è un giocattolo. Le sue cifre interne hanno già ricevuto una correzione indipendente, e il numero AA è quello da citare.
La conseguenza pratica è che nessuno dei due {{1}}fornitori{{/1}} ha pubblicato un {{2}}confronto testa a testa{{/2}} su un {{3}}banco di prova neutrale{{/3}}, e il confronto che vorresti davvero — stessi task, stessi prompt, stesso banco di prova, entrambi i modelli — non esiste. Dovrai eseguirlo tu. Dieci task che già svolgi, con i conteggi dei token registrati, bastano a deciderlo per il tuo traffico e valgono più di qualsiasi {{4}}pagina di lancio{{/4}}.
Due diverse scommesse sulla multimodalità
GLM-5.3-Flash accetta nativamente input di testo, immagini e video ed è stato il primo modello GLM-5 a farlo, anziché instradare la componente visiva attraverso un adattatore separato. Si tratta di un'affermazione documentata e verificabile, e i pesi sono pubblici, quindi può essere verificata senza chiedere permesso.
Hy4 flash è descritto come multimodale, e la suite WorkIndex su cui è stato misurato include la comprensione visiva come uno degli otto tipi di attività. Tencent non ha detto se il percorso della visione sia nativo o un adattatore, non ha pubblicato le dimensioni dell'encoder e non ha detto se il video sia supportato in assoluto. Il massimo che si può dire è che l'input di immagini fa parte della proposta e che il predecessore del modello nella famiglia — Tencent HY4, disponibilità generale 4 novembre 2026 — ha aggiunto la visione nativa e l'uso del computer come caratteristica di punta, quindi la capacità è plausibile per un modello distillato da esso. Plausibile non è documentato.
Se screenshot, grafici, documenti scansionati o fotogrammi video sono elementi portanti nella tua pipeline, GLM-5.3-Flash è il modello di cui puoi verificare il comportamento multimodale prima di impegnarti. Se le immagini sono occasionali, il divario conta meno del prezzo.
Dove la decisione cambia direzione
Scegli Hy4 flash quando il volume è il problema e l'attività ha la forma di un lavoro d'ufficio. Elaborazione di documenti, retrieval su un corpus lungo, generazione di slide, semplice lavoro frontend, loop di computer-use: questi sono i carichi di lavoro per cui Tencent l'ha costruito, quelli coperti dai dati interni dei suoi prodotti e quelli in cui uno sconto del dieci volte sulla cache e un taglio del 50% della lunghezza dell'output si combinano in qualcosa di un ordine di grandezza più economico. Provalo prima sui tuoi task e tieni d'occhio i token di output: se il modello è davvero più conciso, la tua bolletta scende più di quanto preveda il listino, e se è più conciso perché è più superficiale, lo vedrai nella stessa misurazione.
Scegli GLM-5.3-Flash quando ti servono l'artefatto, l'audit o la modalità. Fine-tuning, serving on-premises, dati regolamentati, una licenza che puoi mostrare a un avvocato, input video o un punteggio da un harness che nessuno di Zhipu ha scritto — tutti questi puntano nella stessa direzione. A $0,15 e $0,50 non è costoso; è circa un decimo del prezzo di listino di GLM-5.3 per un modello che ha già superato misurazioni indipendenti.
Scegli entrambi quando il carico di lavoro è misto. La lettura onesta dei due rilasci è che non sono davvero sostituti: uno è un modello API ottimizzato per i costi, pensato per il lavoro quotidiano ad alto volume, l'altro è un checkpoint aperto con architettura documentata per tutto ciò che deve uscire dal controllo del fornitore. Un router che li raggiunge entrambi è una risposta più economica che sceglierne uno e sbagliare.

Cosa è effettivamente invocabile oggi
È qui che i due modelli differiscono sul piano operativo oltre che commerciale. GLM-5.3-Flash figura nel catalogo OrcaRouter come z-ai/glm-5.3-flash al prezzo di listino del provider di 0,15 $ per milione di token in input e 0,50 $ per milione di token in output, affiancato da un livello gratuito con limiti di frequenza per la valutazione. Hy4 flash non è instradato qui — Tencent non ce l'ha reso disponibile — quindi chiunque confronti i due ha bisogno del TokenHub di Tencent per il lato flash e può usare la stessa chiave OrcaRouter per il lato GLM.
Vale la pena sfruttare quella separazione invece di subirla. OrcaRouter applica il prezzo di listino del fornitore senza alcun ricarico, il che significa che il lato GLM del tuo confronto viene fatturato esattamente alla tariffa di Zhipu e resta corretto se Zhipu la modifica; non c'è nessuna tabella di rivenditore che possa diventare obsoleta. E per la valutazione stessa, avere tencent/hy4-preview sulla stessa chiave di z-ai/glm-5.3-flash è utile anche se non è il modello in questione: la preview è il modello da cui è stato distillato Hy4 flash, quindi è il controllo naturale quando verifichi se le risposte del modello piccolo reggono. Una sola chiave, più di 200 modelli e un percorso di failover se un endpoint della settimana di lancio si rivela inaffidabile — il che, per un modello rilasciato sei giorni fa senza alcun dato pubblico di uptime, è una cosa ragionevole da volere.

Il prezzo non è la questione
Tencent ha costruito il modello più economico e, secondo i numeri, è più economico di un margine che conta: la metà sull'input, poco più della metà sull'output, un decimo sulla cache. Ciò che non ha costruito è un modello che si possa ispezionare. Nessun peso, nessuna licenza, nessun dettaglio sull'architettura, nessun punteggio indipendente, benchmark dietro i pixel e un confronto in evidenza tratto da un panel del suo stesso personale. Zhipu ha costruito quello più costoso e ha pubblicato abbastanza da mettere agli atti le sue debolezze — incluso un indice del fornitore che una misurazione indipendente ha ridotto di quindici punti — dove puoi valutarle.
Sei giorni dopo il lancio, questa è la forma della scelta: uno sconto dimostrato rispetto a un modello non documentato, oppure un modello documentato a un prezzo comunque molto basso. Lo sconto è probabilmente reale e la lacuna documentale è probabilmente temporanea. Nessuna delle due cose è certa, e il modo per scoprirlo è dedicare un pomeriggio a misurare anziché un trimestre a scegliere.
Confrontati in questo articolo3
Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno
