Ling-3.1-flash vs GLM-5.3-Flash: vier keer de doorvoer tegen één indexpunt

Ling-3.1-flash en GLM-5.3-Flash liggen één punt uit elkaar op de Artificial Analysis Intelligence Index — 41 tegen 42 — waardoor ze op twee keer dezelfde beslissing lijken. Dat zijn ze niet. GLM-5.3-Flash genereert output met 53,0 tokens per seconde op de eigen API van Z.ai; Ling-3.1-flash genereert die met 211,0 tokens per seconde op die van InclusionAI. Dat is een viervoudig verschil in doorvoer, en het is veel groter dan alles waarmee de index hen van elkaar onderscheidt. Het ene model is het capabelste van de twee op vrijwel elke kwaliteitsas en is open onder MIT. Het andere is het model dat als eerste klaar is, gesloten is en geen gepubliceerde prijs, licentie of checkpoint heeft. Kiezen tussen hen is een kwestie van waarop je workload wacht.

De as Ling-3.1-flash wint overtuigend

Snelheid is geen voetnoot wanneer je tussen modellen op hetzelfde capaciteitsniveau kiest, en hier vormt het het volledige argument voor het Ant-model.

• Uitvoersnelheid: Ling-3.1-flash 211,0 tokens per seconde op de InclusionAI API tegenover GLM-5.3-Flash 53,0 tokens per seconde op die van Z.ai. Vier keer de generatiesnelheid.

• Tijd tot eerste token — Ling-3.1-flash 1,80 seconden tegenover GLM-5.3-Flash 3,18 seconden. Het Ant-model begint al te antwoorden terwijl het Z.ai-model nog aan het denken is, wat in interactief en streaming gebruik zwaarder weegt dan doorvoersnelheid.

• Tijd per Intelligence Index-taak — Ling-3.1-flash ongeveer 357 seconden versus GLM-5.3-Flash ongeveer 979 seconden. Een enkele evaluatietaak duurt bij GLM-5.3-Flash van begin tot eind bijna drie keer zo lang, omdat het zowel per token langzamer is als langzamer opstart.

Voor een agentloop die een dozijn sequentiële aanroepen doet, of een product waarbij iemand tokens ziet binnenkomen, is dat geen tiebreaker — het is de hele reden om het ene model boven het andere te verkiezen. GLM-5.3-Flash is het betere model op papier en het langzamere in het aanvraagpad.

Waar GLM-5.3-Flash simpelweg beter is

Overal elders, en de lijst is lang genoeg dat het doorvoervoordeel zijn plaats moet verdienen.

• Betrouwbaarheid van kennis — GLM-5.3-Flash scoort +7,47 op AA-Omniscience, de beste van de drie Flash-tier-modellen, met een hallucinatiepercentage van 27,6% bij beantwoorde vragen. Ling-3.1-flash scoort +2,22 met een hallucinatiepercentage van 37,9%. Op een maatstaf die verzinsels zwaarder bestraft dan weigeringen, is het verschil reëel en wijst het dezelfde kant op als de index.

• Wetenschappelijke kennis — GLM-5.3-Flash scoort 0,912 op GPQA Diamond. Voor Ling-3.1-flash is geen GPQA Diamond-rij gepubliceerd. Dat geldt ook voor DeepSeek V4.1 Flash (Max). Een model met een 0,91 op wetenschapsvragen op masterniveau is een ander instrument dan een model dat daarop niet is gemeten.

• Modaliteit — GLM-5.3-Flash verwerkt tekst, afbeeldingen en video. Ling-3.1-flash verwerkt alleen tekst. Dit is geen prestatiekloof die met een benchmark kan worden gedicht; het is een capaciteit die ontbreekt.

• Gewichten en licentie — GLM-5.3-Flash heeft open gewichten onder MIT, is downloadbaar en zelf te hosten. Ling-3.1-flash heeft geen checkpoint gepubliceerd, geen licentietekst, en staat te boek als propriëtair.

• Agentisch kenniswerk — GLM-5.3-Flash 1.453,73 Elo op AA-Briefcase v1.1 tegenover de 1.400,35 van Ling-3.1-flash, op een benchmark die specifiek is gebouwd rond kenniswerktaken in plaats van het aansturen van terminals.

• Prijs — GLM-5.3-Flash wordt op de API van Z.ai aangeboden voor $0,15 per miljoen input en $0,50 per miljoen output, tegenover $0,30 en $0,90 voor Ling-3.1-flash. De helft van het inputtarief en ongeveer de helft van het outputtarief, van een model met een hogere indexscore en open gewichten.

De rijen waarop het Ant-model antwoordt

Ling-3.1-flash wordt niet op alle onderdelen verslagen. Op agentisch terminalwerk ligt het marginaal voor en op coding-science staat het gelijk:

• Terminal-Bench 4.0 — Ling-3.1-flash 0.333 vs GLM-5.3-Flash 0.328. Feitelijk een gelijkspel, en beide bevinden zich onder het frontier-niveau.

• SciCode — Ling-3.1-flash 0.541 vs GLM-5.3-Flash 0.516. Een nipte overwinning.

• AutomationBench-AA — 0,617 vs 0,604. Wederom een nipte overwinning.

• GDPval-AA — Ling-3.1-flash 1.621,75 Elo vs GLM-5.3-Flash 1.646,86. GLM pakt deze terug.

Lees de vier regels samen en het beeld is duidelijk. Waar de twee modellen überhaupt te scheiden zijn, valt de scheiding binnen de ruis van één enkele evaluatierun. Het verschil van één punt in de index tussen hen is geen rangschikking; het is een muntworp die door de betrouwbaarheidsrijen licht in het voordeel van GLM uitvalt. Wat geen muntworp is, is het 4× doorvoerverschil en het 2× prijsverschil, die beide de andere kant op wijzen.

Er is ook een serveringsdetail dat het vermelden waard is, omdat het de grootte van dat doorvoerverschil verandert, afhankelijk van waar je een model aanroept. Z.ai's eigen API meet 53,0 tokens per seconde. De zevendaagse meting in onze eigen catalogus voor GLM-5.3-Flash op onze routes toont 150,6 tokens per seconde aan output bij een mediane latentie van 4,2 seconden voor de eerste token. Dezelfde gewichten, geserveerd vanuit een andere deployment, draaien bijna drie keer sneller. Doorvoercijfers van leveranciers zijn een eigenschap van een aanbieder, niet van een model.

Specificatie, regel voor regel

Onderwerp eerst op elke regel:

• Grootte — Ling-3.1-flash 560B totaal / 25B actief vs GLM-5.3-Flash 320B totaal / 18B actief.

• Opgegeven context — 1M tokens voor beide. De rij voor redeneren met lange context van GLM-5.3-Flash scoort 0,80 op AA-LCR; die van Ling-3.1-flash 0,83. Beide zitten dicht bij de 0,84 van DeepSeek V4.1 Flash (Max), wat betekent dat redeneren met lange context op dit niveau geen onderscheidende factor meer is.

• Uitvoerplafond — GLM-5.3-Flash 128.000 tokens in onze catalogus versus Ling-3.1-flash zonder gepubliceerd maximum. Een van beide kan worden afgestemd op lange generatie, de andere niet.

• Index — 41 vs 42.

• Doorvoer — 211,0 tokens per seconde vs 53,0 op de API's van leveranciers, 150,6 gemeten op de onze.

• Gewichten — propriëtair zonder licentie versus open onder MIT.

• Modaliteit — alleen tekst vs. tekst, afbeelding en video als invoer.

Prijs — $0,30 / $0,30 per miljoen input / output vs. $0,15 / $0,50 op de API van Z.ai.

Hoe je deze vergelijking daadwerkelijk uitvoert

GLM-5.3-Flash staat nu in de OrcaRouter-catalogus, met een prijs van $0,075 per miljoen input, $0,25 per miljoen output en $0,0173 per miljoen cachereads — lees de live-kaart in plaats van deze alinea, want serveertarieven veranderen en de pass-throughregeling betekent dat een prijswijziging van een provider dezelfde dag aan onze kant wordt doorgegeven. De waarde van die regeling voor deze specifieke match-up is dat de openheid en het prijsvoordeel van GLM-5.3-Flash de twee dingen zijn die het tot de verstandige standaardkeuze maken, en een gesloten route met 0%-opslag is hoe je Ling-3.1-flash ertegen blijft testen zonder een leveranciersrelatie toe te voegen.

Ling-3.1-flash staat niet in onze catalogus — een lookup in onze publieke model-API levert not-found op voor het model onder InclusionAI, en dit stuk zal niet suggereren dat wij het aanbieden. Het draait via de eigen API van Ant en de platforms van derden die de release aanbieden, wat de eerlijke reikwijdte van de beschikbaarheid ervan is.

De productieve vorm van deze vergelijking is niet een kwestie van het een of het ander. GLM-5.3-Flash is open, het goedkoopst, multimodaal, betrouwbaarder bij kennisvragen en beschikbaar via 23 providers — dat is een standaardpad. De zaak van Ling-3.1-flash is doorvoer en TTFT bij agentische loops, en de keerzijde is dat het gesloten is, alleen tekst aankan, duurder is en via minder deuren bereikbaar is. Leid het interactieve en latentiegevoelige werk naar het snelle model, houd het batch-, kennisintensieve en multimodale werk op het open model, en zet een fallback tussen beide zodat een trage upstream geen traag product wordt.

Welke moet je kiezen?

Als je evaluatiecriteria vaardigheid, kosten, openheid en modaliteit zijn, wint GLM-5.3-Flash deze matchup en het is niet eens close — een hogere indexscore, het beste kennis-betrouwbaarheidsprofiel in de tier, een 0.912 GPQA Diamond, MIT-gewichten, video-invoer, de helft van de prijs, en 23 providers erachter. Als je criteria omvatten hoe lang een gebruiker wacht of hoeveel sequentiële calls een taak kan maken, is Ling-3.1-flash het model dat die taak afmaakt, en zijn viervoudige generatiesnelheid is geen afrondingsfout in een agent-loop.

Wat de knoop zou doorhakken, is een detail over het serveren van modellen dat geen van beide leveranciers in vergelijkbare vorm publiceert: de geleverde doorvoer voor jouw workload, via jouw provider. Beide modellen ondersteunen hetzelfde OpenAI-compatibele chat-completionsformaat, wat betekent dat wisselen tussen beide een configuratiewijziging is in plaats van een migratie — en voor twee modellen die één indexpunt en een factor vier in snelheid van elkaar verschillen, is het meten van dat ene getal op je eigen verkeer een betere besteding van een middag dan het lezen van nog een benchmarkrij.