GLM-5.3-FlashX vs GLM-5.3-Flash: dezelfde gewichten, 2,5× de prijs, één getal dat anders is

Je kunt GLM-5.3-FlashX niet kopen en een beter model krijgen. Dat is geen kritiek — het is het hele uitgangspunt. GLM-5.3-FlashX, gelanceerd op 18 september 2026 op de API van Z.ai, draait op exact dezelfde gewichten als GLM-5.3-Flash: dezelfde mixture-of-experts-backbone met 320B totaal en 18B actief, dezelfde context van 1M tokens, dezelfde native tekst-, afbeeldings-, video- en bestandsinvoer, dezelfde uitvoerlimiet van 131.072 tokens. Z.ai heeft geen FlashX-benchmark gepubliceerd omdat er niets nieuws te benchmarken valt. Wat verschilt, is hoe snel de tokens eruit komen en wat ze kosten, en die twee getallen zijn de enige zaken die een koper hoeft af te wegen.

Dat is een helderder beslissing dan de meeste modelvergelijkingen, en een moeilijkere, want er is geen capaciteitenverhaal om je achter te verschuilen. Of de latentie voor jou 2,5× waard is of niet.

Eén model, twee prijskaartjes

• Wat FlashX is — een servingtier, geen modelrelease; dezelfde gewichten, dezelfde scores, dezelfde limietenbr> • Inputprijs — $0,37 per 1 miljoen tokens op FlashX versus $0,15 per 1 miljoen op Flash tegen lijstprijsbr> • Outputprijs — $1,25 per 1 miljoen versus $0,50 per 1 miljoen, de factor die de rekening echt beïnvloedtbr> • Gecachte input — $0,075 per 1 miljoen versus $0,03 per 1 miljoenbr> • Snelheid — tot 200 outputtokens per seconde (door de leverancier opgegeven piek) versus 98 tok/s onafhankelijk gemeten door Artificial Analysisbr> • Toegang via abonnement — GLM-5.3-Flash is inbegrepen in het GLM Coding Plan van Z.ai met 3× quota; FlashX is niet inbegrepenbr> • Zelfhosting — GLM-5.3-Flash is open weights met MIT-licentie op Hugging Face; FlashX heeft geen gewichten om te downloaden

Op de thuismarkt van Z.ai wordt dezelfde verhouding ronduit genoemd: ¥2 voor input en ¥7 voor output voor FlashX tegenover ¥0,8 en ¥2,8 voor Flash. Meerdere Chinese media beschrijven de lancering op dezelfde manier — 5× de snelheid tegen 2,5× de prijs — en allemaal merken ze op dat de intelligentie ongewijzigd is.

Latentie is een regelpost, en wordt niet per token geprijsd.

De reden dat de 2,5× niet automatisch een slechte deal is, is dat tokenprijs en taakkosten verschillende grootheden zijn. Een batchtaak die 's nachts een miljoen outputtokens genereert, betaalt $0,50 op Flash en $1,25 op FlashX voor alleen de output, en krijgt niets terug voor de extra $0,75 omdat niemand wacht. Een agentlus die tien sequentiële aanroepen doet, betaalt dezelfde premie per token, maar elke aanroep komt sneller terug, en de besparing zit in de kloktijd, niet op de factuur. Als FlashX echt in een fractie van de tijd terugkomt, kunnen tien beurten per taak tientallen seconden minder latentie opleveren — en als die taak een mens of een upstreamservice blokkeert, zijn die seconden meer waard dan de tokens.

De eigen positionering van Z.ai volgt exact deze lijn. Het richt FlashX op hoogconcurrerend programmeren, agentaanroepen in meerdere stappen, realtime dialoog, code-aanvulling en multimodaal werk met lange context, en wijst prijsgevoelige, latentie-ongevoelige workloads — offline batch, bulkgeneratie, alles wat gepland is — terug naar de basis-Flash. Dat is de juiste splitsing, en het is het vermelden waard dat de leverancier degene is die deze trekt.

Waar de redenering spaak loopt, is aan de doorvoerkant. De 200 tokens per seconde van FlashX is een piek die de leverancier rapporteert; de 98 van het basismodel is een mediaan die een onafhankelijk lab heeft gemeten. Pieken worden bereikt bij korte uitvoer met warme caches en een inactief cluster. Een multimodaal verzoek met een lange context — precies de workload waarvoor FlashX wordt aangeprezen — zal die piek het minst waarschijnlijk benaderen, en niemand buiten Z.ai heeft cijfers gepubliceerd om de kwestie te beslechten. Als je workload doorvoergebonden is in plaats van latentiegebonden, zegt een piekcijfer heel weinig over wat je daadwerkelijk krijgt.

De uitweg die FlashX niet heeft

Er is een derde optie in deze vergelijking, en die bestaat alleen omdat het basismodel open is. GLM-5.3-Flash is op 26 augustus 2026 uitgebracht onder de MIT-licentie, met gewichten op Hugging Face en ModelScope, en het draait vandaag op inference-stacks waaronder SGLang, vLLM, TokenSpeed en KTransformers. Als jouw volume hoog genoeg is om de hardware te rechtvaardigen, is de eerlijke vergelijking niet Flash versus FlashX — het is de $1,25 per miljoen outputtokens van FlashX tegenover je eigen geamortiseerde kosten per token op je eigen accelerators.

Die optie heeft een reële instapprijs. De FP8-release heeft in de orde van grootte van 328 GB GPU-geheugen nodig om te kunnen serveren, wat voor de meeste teams een multi-node-implementatie is en voor de rest een onbegonnen zaak. Maar het is het vermelden waard, want het is de asymmetrie die van FlashX' prijsstelling een doelbewuste test maakt in plaats van een onvermijdelijkheid: Z.ai rekent een meerprijs voor een serveerconfiguratie die klanten voor het basismodel in principe zelf kunnen bouwen. De meerprijs is voor het gemak, niet voor de mogelijkheden, en gemak heeft een marktprijs die na verloop van tijd daalt.

Waar de prijsverandering echt om gaat

De economische logica achter de lancering is ongewoon inzichtelijk. GLM-5.3-Flash werd uitgebracht voor een tiende van de prijs van GLM-5.3 — de helft daarvan tijdens een lanceeractie — en het werd intensief gebruikt, waaronder een periode van anonieme tests vóór de release die Z.ai inmiddels heeft bevestigd. FlashX is de eerste keer dat deze familie de andere kant op beweegt: hetzelfde model, duurder geprijsd. Analisten die in de Chinese financiële pers worden geciteerd, zien het als een bewuste commerciële test van de vraag of ontwikkelaars bereid zijn om voor snelheid op zich te betalen, na een jaar waarin marktaandeel werd gekocht met bijna-frontier-capaciteiten tegen bodemprijzen.

Twee details ondersteunen die interpretatie. FlashX is uitgesloten van het GLM Coding Plan, terwijl de basis-Flash is inbegrepen met een drievoudig quotum, dus abonnees kunnen het nieuwe niveau niet opnemen in een bestaand abonnement — ze betalen per token. En de prijs is vast, zonder korting buiten de piekuren, anders dan de structuur met tarieven per tijdstip van de dag die sommige concurrenten gebruiken om onbenutte capaciteit te vullen. Een vaste 2,5× op een snelheidsniveau is een prijs voor mensen die niet kunnen wachten, en Z.ai komt erachter hoeveel van hen er zijn.

Kiezen tussen hen

Kies FlashX als een mens of een service geblokkeerd is op het volgende token en het model zelf al de juiste keuze is — inline completion, interactieve agents, realtimechat, alles waarbij de pauze het product is. Kies GLM-5.3-Flash voor batch-, offline- en bulkwerk, voor alles wat je kunt plannen, en voor elke workload waarbij je betaalt voor uitvoervolume in plaats van uitvoerlatentie. Als je volume groot is en je team accelerators kan draaien, bereken dan de prijs van de zelfgehoste basisgewichten voordat je FlashX prijst; de vergelijking is gunstiger dan de tokenprijzen doen vermoeden.

Hoe je het ook aanpakt, behandel de twee als uitwisselbaar op de plek waar je ze aanroept. Ze nemen dezelfde prompts aan, retourneren hetzelfde formaat en leveren dezelfde kwaliteit — het enige dat verandert is een model-string, en dat is de goedkoopste vorm van A/B-testen die er is. Op OrcaRouter wordt de adviesprijs van de leverancier doorgegeven met 0% opslag, dus een prijswijziging of promotie van Z.ai gaat in op de dag dat die upstream live gaat, en beide niveaus zitten achter één endpoint vóór meer dan 200 modellen. Voor een beslissing die volledig afhangt van gemeten latency is het kunnen wisselen tussen beide midden in een experiment, zonder je integratie aan te raken, het grootste deel van het werk.

De conclusie is beperkter dan bij een gebruikelijke modelvergelijking, en dat is precies het punt. FlashX is geen beter model en pretendeert dat ook niet te zijn. Het is hetzelfde model met een kortere wachtrij, verkocht tegen een prijs die alleen logisch is als de wachtrij jouw probleem was. Meet je eigen tijd tot het eerste token bij beide voordat je je vastlegt — de 200 van de leverancier is een plafond, jouw workload is de enige benchmark die ertoe doet, en het verschil tussen de twee niveaus is slechts één configuratiewijziging verwijderd.