생성된 타이틀 카드에는 'Qwen 4 vs GLM-5.5: 오픈 가중치 모델이 더 비싼 쪽이다'라는 제목과 'Z.ai가 실제로 서비스하는 최신 GLM은 GLM-5.3이며, 인덱스 포인트당 15.8센트로 Qwen4-Max의 7.6센트와 대조된다'라는 부제가 표시된다. 번호가 매겨진 세 행에는 '인덱스 점수 42.9 대 31.7, Artificial Analysis v5.0.1', '완료된 인덱스 작업당 비용 $3.27 대 $5.01', 'GLM-5.3은 가중치 공개, Qwen4-Max는 미공개'가 적혀 있다. 푸터에는 '점수 및 작업당 비용은 Artificial Analysis Intelligence Index v5.0.1 기준; 가격은 각 벤더의 공개 요율표 기준.'이라고 적혀 있다. 흰색 바탕에 파란색과 청록색 악센트를 사용한 플랫 벡터 스타일이며, OrcaRouter 마크가 오른쪽 아래에 합성되어 있다.
Guides & Insights

Qwen 4 vs GLM-5.5: 오픈 웨이트 모델이 더 비싼 쪽이다

작성자

jinhao.song

게시일

최신 모델 · 20모든 모델 보기 →
벤치마크: Artificial Analysis · 매일 업데이트
모든 게시물로 돌아가기

오픈 가중치에 대한 직관은 그것이 저렴한 선택지라는 것이다. 이번 비교에서는 그렇지 않다. GLM-5.3은 Z.ai가 실제로 제공하는 최신 G​LM이며, Artificial Analysis 지수 스위트를 실행하는 데 $5.01이 들고 그 점수는 31.7점이다 — 지수 포인트당 15.8센트. Qwen4-Max는 42.9점에 $3.27이 든다 — 포인트당 7.6센트. 독점 모델은 측정된 역량 단위당 효율이 두 배 이상이며, 다운로드할 수 없는 쪽이다. 한편 GLM-5.5, 이 글 제목에 있는 모델은 존재하지 않는다: Z.ai의 문서 색인과 가격 페이지는 모두 GLM-5.3에서 끝나며, 5.4 및 5.5 문서 경로는 not-found를 반환한다. 따라서 다음 내용은 실제로 출시된 G​LM과의 비교이며, 누락된 버전 번호는 지어낼 사양표가 아니라 누락된 버전 번호로 취급한다.

먼저, 존재하는 카드

GLM-5.3은 2026년 8월 18일 GLM-5.3 라이선스로 출시되었으며, 가중치가 공개되었고 텍스트 전용 입력을 지원합니다. Qwen4-Max는 2026년 11월 16일부터 종량제로 전환되었으며, 독점 모델이고 이미지 입력을 지원하며 Alibaba Cloud가 유일한 호스트입니다. 두 모델은 출시일이 90일 차이이고 폐쇄/개방의 경계에서 서로 반대편에 있는데, 바로 이것이 이 글의 실제 핵심 축입니다.

• 백만 개당 가격 — GLM-5.3 입력 $1.40 / 출력 $4.40; Qwen4-Max는 싱가포르에서 입력 $1.50 / 출력 $4.50, 그 외 지역에서는 $1.413 / $4.24. 토큰 요율 기준으로 Z.ai가 7% 및 2% 더 저렴한 카드입니다.

• 캐시된 입력 — GLM-5.3은 읽기 100만 개당 $0.26, Qwen4-Max는 $0.075이며, 캐시 쓰기는 5분에 $1.875, 1시간에 $3.00입니다. Q​wen의 캐시 읽기는 3.5배 더 저렴한데, 이것이 작업당 결과와 토큰당 결과가 서로 다른 방향을 가리키는 이유입니다.

• 컨텍스트 — 양쪽 모두 1,000,000 토큰. GLM-5.3은 출력을 128,000으로 제한하며, Qwen4-Max는 사고 없이 131,072를, 추론과 답변 간 공유로 262,144를 허용합니다.

• 가중치 — GLM-5.3은 자체 라이선스로 공개됨; Qwen4-Max는 없음, 단일 벤더 호스트. 이것이 전부의 차이이며 아래의 모든 내용은 여기서 비롯된다.

• 모달리티 — {{1}}Qwen4-Max{{/1}}는 텍스트와 이미지를 입력받고; {{2}}GLM-5.3{{/2}}은 텍스트 입력, 텍스트 출력입니다. 파이프라인에서 스크린샷이나 PDF를 입력한다면, 비교는 여기서 끝입니다.

• 추론 제어 — GLM-5.3은 추론이 항상 켜진 상태로 실행되며 low, high, max 노력 수준을 제공하고 기본값은 max입니다. Qwen4-Max는 low, high, xhigh를 제공하며 기본값은 high입니다.

• 학습 계보 — Z.ai는 GLM-5.3을 GLM-5.2와 동일한 베이스 모델로, 새로운 사전 학습이 아니라 사후 학습을 통해 개선된 모델이라고 설명합니다. 새로운 아키텍처를 가진 모델과 그 점수를 비교할 때 알아둘 만한 점입니다.

A generated two-column scoreboard titled 'Qwen4-Max vs GLM-5.3 - the scoreboard'. The Qwen4-Max column reads index score 42.9, cost per index task $3.27, cents per index point 7.6, input per million $1.50, output per million $4.50, hallucination rate 28.4%. The GLM-5.3 column reads index score 31.7, cost per index task $5.01, cents per index point 15.8, input per million $1.40, output per million $4.40, hallucination rate 38.9%. A footer reads 'Scores and per-task cost per Artificial Analysis Intelligence Index v5.0.1; prices per each vendor's published rate card.' The OrcaRouter mark is composited bottom right.

7센트 대 16센트, 설명

포인트당 비용 격차는 가격 책정상의 부산물이 아닙니다. GLM-5.3의 작업당 $5.01은 입력 $4.49와 출력 $0.52로 나뉘며, 입력이 90%이고 그 입력 중 $4.13은 캐시 읽기입니다. Qwen4-Max의 $3.27은 입력 $2.80, 출력 $0.47이며, 캐시 읽기 $1.12와 캐시 쓰기 $1.67이 포함됩니다. 따라서 두 모델 모두 생성하는 토큰에는 거의 비용을 쓰지 않고, 컨텍스트를 다시 읽는 데 거의 대부분을 씁니다.

차이는 각 모델이 답에 도달하기까지 소비하는 컨텍스트의 양입니다. GLM-5.3은 전체 스위트에서 103억 개의 입력 토큰을 읽고 1억 3,500만 개의 출력 토큰을 생성합니다. Qwen4-Max는 99억 개를 읽고 1억 2,700만 개를 생성합니다. 거의 동일한 볼륨입니다. 따라서 19점의 점수 차이는 볼륨 때문도 아닙니다. 단지 한 모델이 해당 과제들을 더 잘 수행하는 것이며, 과제당 비용 차이는 캐시 가격에서 비롯되는데, 0.075달러 읽기와 0.26달러 읽기의 차이가 100억 토큰에 걸쳐 누적됩니다.

그것이 기억해 둘 만한 메커니즘이다. 긴 컨텍스트 벤치마크 실행에서는 눈에 띄는 입력 단가가 아니라 캐시 읽기 단가가 비용을 결정한다. 입력 단가가 $1.40이고 캐시 읽기 단가가 $0.26인 모델이, 입력 단가가 $1.50이고 캐시 읽기 단가가 $0.075인 모델보다 작업당 비용이 더 많이 들 수 있다.

열아홉 개의 점이 자리한 곳

• Terminal-Bench 4.0 — Qwen4-Max 48.5%, GLM-5.3 41.9%. 7포인트 차로, 에이전틱 스위트 가운데 가장 접전이었다.

• FrontierCode 2.0 — 26.5% 대 21.6%. 5점 차이이며, 두 모델 모두 이 부분에서는 절대적으로 약합니다.

• HLE Diamond — 44.9% 대 17.9%. 27포인트 차이로, 이 비교에서 단일 항목 기준 가장 큰 격차입니다.

• Omniscience — 27.7 대 6.0, 환각률은 각각 28.4%와 38.9%였습니다. GLM-5.3은 정확도도 낮고 답변을 회피할 가능성도 낮은데, 이는 가능한 조합 중 최악입니다.

• 역량 세부 점수 — Qwen4-Max는 두 모델이 모두 보고한 다섯 항목 모두에서 앞섭니다: 엔지니어링 50.1 대 37.6, 금융 및 회계 54.1 대 42.1, 법률 49.6 대 35.8, 전략 및 운영 56.9 대 47.4, 경제학 51.3 대 37.3.

그 목록에서 논쟁할 만큼 근접한 것은 아무것도 없다. 흥미로운 질문은 Qwen4-Max가 더 나은지 여부가 아니다. 왜냐하면 그것은 분명히 더 낫기 때문이다.

A headless-browser screenshot of the Artificial Analysis page for GLM-5.3, captured 17 November 2026 in English, showing Z.ai's mark, the label Open weights model, Released August 2026, the heading GLM-5.3: Intelligence, Performance & Price Analysis, a rank strip reading Intelligence #3 of 29, Performance #21 of 27, Cost #28 of 28 and Verbosity #23 of 29, a statistics row giving a 61.448-second time to first answer token, 87 output tokens per second, $1.40 input and $4.40 output per million tokens, an 81% cache discount, 10.3 billion input tokens and an output-to-input ratio of 1.312%, and the summary paragraph describing the model as among the leading open-weight models in intelligence but particularly expensive against other open-weight models of similar size, notably slow per task and very verbose, with text input, text output and a 1M-token context window.

Qwen4-Max가 할 수 없는 단 한 가지

위의 모든 행은 기능 비교이지만, 두 모델 중 하나를 집에 가져갈 수 있다면 기능은 잘못된 기준입니다. Z.ai는 자체 라이선스로 GLM-5.3의 가중치를 공개합니다. 반면 A​libaba는 Qwen4-Max에 대해 아무것도 공개하지 않고 단일 호스트만 나열합니다. 이 차이는 어떤 벤치마크도 측정하지 못하는 세 가지를 바꿉니다.

• 연속성 — 직접 호스팅하는 모델은 공급업체의 가격 페이지가 변경되거나, 리전이 지원 중단되거나, 지원 중단 공지가 도착해도 계속 응답합니다. Qwen4-Max에는 이에 대한 2026년 11월 25일 선례가 있습니다: 미리보기 식별자는 정식 출시 후 9일 만에 폐기되었고, qwen4-max-preview를 여전히 가리키던 모든 구성은 작동을 멈췄습니다.

• 비용 곡선 — GLM-5.3의 한계 비용은 곧 여러분의 GPU 활용률이 됩니다. 지속적으로 많은 양을 처리할 때는 대개 API 단가보다 낮지만, 간헐적으로 적은 양을 처리할 때는 오히려 더 비쌉니다. 이 교차점은 모델 품질의 문제가 아니라 활용률을 계산해 판단할 문제입니다.

• 제어 — 미세 조정, 양자화, 커널 선택, 그리고 모델이 무엇을 하고 있는지 검사할 수 있는 능력. Qwen4-Max에는 그중 어느 것도 존재하지 않습니다.

그와 대조적으로, 오픈 모델은 지수 점수가 19점 더 낮고, 답변을 보류하는 능력도 더 떨어지며, 이미지를 전혀 인식하지 못한다. 그린필드 배포라면 이 거래는 매력적이지 않다. 이미 자체 호스팅 추론 스택을 중심으로 구축된 시스템 — GLM-5.3의 대안이 Qwen4-Max가 아니라 이전 GLM인 경우 — 에서는 라이선스가 결정적인 특징이고 점수 격차는 사업을 영위하는 비용이다.

오픈 모델이 왜 비싼 쪽인지, 한 문장으로

오픈 웨이트는 비용을 토큰 미터에서 엔지니어링 예산으로 옮기며, 엔지니어링 예산은 요율표에 나타나지 않습니다. GLM-5.3을 자체 하드웨어에 구축한다는 것은 용량 계획, 패치 가능한 서빙 스택, 그리고 배포가 레퍼런스와 일치하는지 판별할 수 있을 만큼 좋은 평가 하네스를 의미하며, 이러한 비용은 단일 팀이 운영하는 어떤 규모에서도 작업당 3.27달러 차이를 초과합니다. 인덱스 포인트당 15.8센트는 가시적인 숫자이고, 보이지 않는 숫자는 더 크며, 천 건의 요청을 처리하든 백만 건을 처리하든 한 번만 지불됩니다.

그 계산은 규모가 커지면 역전되고, 파인튜닝이 필요하다면 그 역전은 더욱 커집니다. 파인튜닝은 오픈 모델을 단지 더 저렴한 것이 아니라 유일한 선택지로 만들어 주는 단 하나의 요구사항이며, Qwen4-Max의 지수 우위가 아무리 커도 그것을 대체하지 못합니다.

라우팅 가능한 항목 호출

GLM-5.3은 z-ai/glm-5.3으로 저희 카탈로그에 등록되어 있으며 Z.ai의 정가인 백만 토큰당 입력 $1.26, 출력 $3.96에 제공되며, 추가 비용은 없습니다 — Z.ai가 공개하는 것과 동일한 요율이며, Z.ai가 해당 요율을 변경하는 경우도 포함합니다. Qwen4-Max는 저희 카탈로그에 없습니다. qwen4 식별자는 not-found를 반환하며, 해당 모델의 경로는 Alibaba의 Model Studio API와 여러 타사 플랫폼입니다. 저희가 제공하는 가장 가까운 Qwen 모델은 qwen/qwen3.8-max이며 입력 $2.00, 출력 $6.00입니다.

그렇게 하면 두 번째 계약 없이 더 강력한 모델을 원하는 사람에게 실용적인 순서가 남습니다. 이미 보유한 엔드포인트를 통해 z-ai/glm-5.3에서 평가를 실행하고, 19포인트 격차가 사용 사례에 치명적이라면 Qwen4-Max를 지수와 비교하지 말고 자신의 토큰 구성에 견주어 가격을 따져보십시오. 이 글의 작업별 수치는 유난히 캐시 트래픽이 많은 벤치마크 하네스에서 모델링한 것입니다. 짧은 프롬프트와 긴 출력으로 구성된 프로덕션 워크로드에서는 $5.01과 $3.27 사이의 격차가 급격히 줄어들 텐데, 두 청구서 모두 거의 전부가 출력이 아니기 때문입니다.

A headless-browser screenshot of the OrcaRouter model page for GLM-5.3, captured 17 November 2026 in English, showing the identifier z-ai/glm-5.3, the byline Z.ai dated 2026-08-18, a max output of 128K, input listed as text, output listed as text, and a p50 time-to-first-token reading.

우리가 확인해야 할 것

GLM-5.5가 나온다면 이 비교는 판이 뒤집히겠지만, 2026년 11월 17일 현재 그 흔적은 전혀 없습니다 — 문서 경로도, 가격표 항목도, Z.ai 자체 페이지의 모델 식별자도 없습니다. 출시된다면 물어야 할 것은 Z.ai가 {{1}}5.3{{/1}}에서 그랬던 것처럼 가중치를 공개할지, 이미지 입력을 추가할지, 그리고 유보 행동을 고칠지입니다. 마지막 숫자({{2}}38.9%{{/2}})가 바로 GLM-5.3을 검토되지 않은 어떤 용도에도 추천하기 어렵게 만드는 숫자이며, 이는 지수 격차보다도 앞서는 문제이기 때문입니다.

한편, 솔직한 요약은 직관에 어긋나고 짧다. 오픈 모델은 점수당 비용이 더 높고, 측정된 모든 평가 세트에서 더 낮은 점수를 받으며, 정확히 한 종류의 구매자에게만 여전히 올바른 선택이다. 바로 제약이 벤치마크가 아니라 라이선스인 구매자다.

이 글에서 비교한 모델2

이 글에서 자동 인식 · 벤치마크: Artificial Analysis · 매일 업데이트