
Hy4 flash vs GLM-5.3-Flash: O modelo mais barato é aquele que você não pode baixar
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 133 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 219 tok/s
Hy4 flash e GLM-5.3-Flash miram o mesmo comprador — alguém que quer uma janela de contexto de um milhão de tokens, entrada de imagens e chamada de ferramentas de nível agente sem pagar tarifas de modelo principal — e respondem com tabelas de preços quase idênticas. O Hy4 flash, lançado pela Tencent em 16 de novembro de 2026, cobra US$ 0,070 por milhão de tokens de entrada e US$ 0,281 por milhão de saída, com US$ 0,003 em cache. O GLM-5.3-Flash, que a Zhipu lançou e tornou open source em 26 de agosto de 2026, cobra US$ 0,15, US$ 0,50 e US$ 0,03 na tabela. A Tencent custa aproximadamente metade do preço na entrada e um pouco mais da metade na saída, e dez vezes mais barato na entrada em cache, que é a linha que decide a maioria dos orçamentos de agentes. É também o modelo sem pesos, sem licença, sem ficha de modelo e sem benchmark independente, contra um que tem licença MIT no Hugging Face e pontua 27,8 no Artificial Analysis Intelligence Index.
Essa é a comparação inteira em uma frase, e ela não se resolve de forma clara. Mais barato e não verificável contra mais caro e inspecionável é um trade-off real, não um problema de marketing, e qual lado vence depende de coisas que nenhum dos fornecedores vai te contar. O que vem a seguir é o que cada um publicou de fato, o que a diferença de preço compra e custa, e onde a decisão se define.
Dois cartões de preço, lidos linha por linha
Comece pelos números tal como publicados, porque são os únicos valores nesta comparação que ambas as empresas declaram claramente e que qualquer pessoa pode conferir numa fatura.
• Entrada, por milhão de tokens — Hy4 flash US$ 0,070; GLM-5.3-Flash US$ 0,15.
• Saída, por milhão de tokens — Hy4 flash $0,281; GLM-5.3-Flash $0,50.
• Entrada em cache, por milhão de tokens — Hy4 flash $0.003; GLM-5.3-Flash $0.03.
• Janela de contexto — Hy4 flash 1.048.576 tokens; GLM-5.3-Flash 1.000.000 tokens.
• Parâmetros ativos por token — Hy4 flash 12B de 224B no total, incluindo 64B de parâmetros Engram; GLM-5.3-Flash 18B de 320B no total em 45 camadas.
• Pesos — Hy4 flash anunciado como um plano sem data; GLM-5.3-Flash MIT no Hugging Face desde o dia do lançamento.
• Pontuação independente de inteligência — Hy4 flash: nenhuma publicada; GLM-5.3-Flash: 27,8 no Artificial Analysis Intelligence Index, com 71,5 no Coding Index do mesmo laboratório.
A linha de entrada em cache merece mais atenção do que costuma receber. A US$ 0,003 por milhão, o cache do Hy4 flash é dez vezes mais barato que o do GLM-5.3-Flash e cem vezes mais barato que o de seu próprio carro-chefe Tencent HY4. Para um agente que reenvia um prompt de sistema fixo, um esquema de ferramenta e um documento recuperado a cada etapa, a taxa de cache é a taxa que você realmente paga na maior parte do tempo, e uma diferença de dez vezes aí supera a diferença de duas vezes na entrada nova. Se sua carga de trabalho for intensiva em recuperação, a vantagem do Hy4 flash é maior do que o preço anunciado sugere. Se sua carga de trabalho for geração one-shot sem reutilização, a vantagem se reduz às proporções de entrada e saída.
Ambos os cartões de preço são parcialmente promocionais. O TokenHub da Tencent Cloud está com 50% de desconto por um período limitado não divulgado, e o WorkBuddy é gratuito até 30 de novembro. A tarifa de lançamento com 50% de desconto da Zhipu expirou em 9 de setembro de 2026 e não foi prorrogada, por isso os valores de US$ 0,075 e US$ 0,25 que circularam no final de agosto não se aplicam mais — a tarifa acima é a vigente. Presuma que a promoção da Tencent termine da mesma forma e faça o orçamento com a tarifa de tabela.
A diferença nos parâmetros é menor que a diferença de preço.

O Hy4 flash ativa 12 bilhões de parâmetros por token contra os 18 bilhões do GLM-5.3-Flash, um terço menos de computação por token, e essa é a razão mecânica pela qual ele pode ser vendido pela metade do preço. A parte interessante é o total: 224 bilhões contra 320 bilhões, com 64 bilhões do total da Tencent residindo em parâmetros Engram que guardam associações aprendidas em vez de serem executados em cada passagem direta como um especialista roteado faz. A Tencent não publicou contagem de camadas, contagem de especialistas ou largura de roteamento para o Hy4 flash, então a coisa mais próxima de uma comparação arquitetural é que ambos são modelos esparsos de mistura de especialistas com uma pequena fração ativa, e ambos os fornecedores escolheram esse design pelo mesmo motivo — o custo de serviço escala com os parâmetros ativos, não com os totais.
O design do GLM-5.3-Flash está documentado em mais detalhes, e essa documentação é verificável porque os pesos são públicos: 45 camadas, atenção híbrida esparsa e linear, uma abordagem para conexões residuais que a Zhipu chama de Manifold-Constrained Hyper-Connections, e um mecanismo IndexPool que comprime quatro vetores de chave do indexador em um único pool ponderado para reduzir a latência em contextos longos. O pré-treinamento foi executado em um corpus multimodal de 30 trilhões de tokens. Nada disso é auditado de forma independente, mas é ao menos uma descrição específica o suficiente para ser refutada por qualquer pessoa que baixe o checkpoint.
A assimetria não está no fato de a Zhipu ter publicado e a Tencent não. Ambas publicaram; publicaram tipos diferentes de coisa. A Zhipu descreveu um modelo, que é uma alegação sobre estrutura que um checkpoint pode confirmar ou refutar. A Tencent descreveu um resultado — um cache KV com um sexto do tamanho do de seu carro-chefe, comprimento de saída reduzido pela metade por autodestilação, mais de 150 tokens por segundo de decodificação a partir de quantização de quatro bits e um megakernel — que é uma alegação sobre comportamento que só a reprodução pode resolver. Resultados são as alegações comercialmente mais interessantes e as mais difíceis de verificar. Em um modelo com pesos públicos, uma alegação de serving é testada por estranhos em semanas; em um modelo sem eles, ela permanece uma frase em uma página de pesquisa pelo tempo que o fornecedor quiser.
Um destes você pode baixar
Esta é a diferença decisiva para uma parcela significativa dos compradores, e não é por pouco. O GLM-5.3-Flash tem licença MIT, em FP8 e BF16, em zai-org/GLM-5.3-Flash no Hugging Face, e assim é desde 26 de agosto de 2026. A MIT permite uso comercial, modificação, ajuste fino e redistribuição sem limite de receita. O modelo está em amplo uso público há quase três meses, o que significa que a pilha de inferência já o contempla: existem quantizações, existem receitas de serving, e qualquer afirmação sobre seu comportamento pode ser testada executando-o.
Não existe nada semelhante para o Hy4 flash. O compromisso aí é uma frase sobre planos futuros, matizada por uma intenção de continuar a iterar, e não indica qualquer licença nem qualquer data. A Tencent já fez isto corretamente antes — a pré-visualização de agosto foi lançada sob Apache 2.0, com pesos em quatro sites de alojamento e receitas para vLLM e SGLang no primeiro dia —, pelo que o padrão não oferece dúvidas. O que oferece dúvidas é a timidez da linguagem atual, que soa a um compromisso com um processo e não com um artefacto. Qualquer pessoa que planeie fazer fine-tuning, hospedar por conta própria ou construir um modelo de custos em torno da execução da sua própria inferência deve considerar o Hy4 flash como disponível apenas via API até aparecer um repositório.
A mesma assimetria se aplica às evidências. O GLM-5.3-Flash tem dois números de um conjunto de testes que nenhum dos fornecedores escreveu: 27,8 no Artificial Analysis Intelligence Index e 71,5 no Coding Index dele. Ambos são verificáveis, e o par diz algo específico: 71,5 em codificação contra 27,8 no índice geral descreve um modelo genuinamente bom em uma coisa e comum em todo o resto, que é exatamente o que uma categoria barata deveria ser. Esse é o tipo de distinção que uma única pontuação de manchete apaga, e é por isso que os números restantes dos fornecedores neste texto são apresentados como alegações, e não como resultados. O Hy4 flash não tem pontuação independente, e seus resultados de benchmark — DeepSWE, Terminal-Bench 4.0, APEX-Agents, OSWorld 2.1 e as suítes internas da Tencent — existem apenas como imagens de gráficos na página de pesquisa do fornecedor. Isso não é motivo para desconfiar deles. É motivo para tratá-los como hipóteses.
O que cada fornecedor mediu, e quem ele superou
Ambas as empresas publicaram comparações, e compararam-se a coisas diferentes, o que revela o que cada uma considerava ser sua fraqueza.
A manchete da Tencent é um teste cego: 85 usuários do WorkBuddy, 27 categorias de tarefas, 259 tarefas reais do dia a dia, com o Hy4 flash sendo relatado como alcançando resultado próximo ao do Claude Haiku 5.5 em satisfação, ao mesmo tempo que apresenta o menor custo por tarefa e a menor duração de tarefa do painel. Observe: “próximo de”, não “melhor que”, e observe que o painel é composto pelos próprios funcionários do fornecedor, no próprio produto do fornecedor. A alegação de apoio é o custo por tarefa no WorkIndex, o benchmark interno de oito suítes da Tencent: um treze avos do Hy4 preview, um vigésimo do Tencent HY4, um oitavo do DeepSeek-V4.1-Flash-1017. Em comparação com o GLM-5.3-Flash, o único número publicado é um ganho de 2,52% em chat geral dentro do 元宝, o que é uma métrica de produto em um único aplicativo de consumo e não se transfere para nada que você venha a executar.
O posicionamento da Zhipu é diferente: ela vende o modelo como uma capacidade adjacente à fronteira a custo flash, precifica-o em relação ao seu próprio carro-chefe de 743B e aponta para pesos abertos e um resultado de avaliação de exploits como prova de que o modelo barato não é um brinquedo. Seus números internos já receberam uma correção independente, e o número da AA é o que deve ser citado.
A consequência prática é que nenhum dos fornecedores publicou uma comparação direta em um harness neutro, e a comparação que você realmente gostaria de ver — mesmas tarefas, mesmos prompts, mesmo harness, ambos os modelos — não existe. Você vai ter que executá-la. Dez tarefas que você já realiza, com as contagens de tokens registradas, bastam para resolver isso para o seu tráfego e valem mais do que qualquer uma das páginas de lançamento.
Duas apostas diferentes na multimodalidade
GLM-5.3-Flash aceita entrada de texto, imagem e vídeo nativamente e foi o primeiro modelo GLM-5 a fazer isso em vez de rotear a visão por meio de um adaptador separado. Essa é uma afirmação documentada e testável, e os pesos são públicos, então é possível verificá-la sem pedir permissão.
Hy4 flash é descrito como multimodal, e a suíte WorkIndex na qual ele foi medido inclui a compreensão visual como um dos oito tipos de tarefa. A Tencent não disse se o caminho de visão é nativo ou um adaptador, não publicou o tamanho do codificador e não disse se há suporte a vídeo. O máximo que se pode dizer é que a entrada de imagem faz parte da proposta e que o predecessor do modelo na família — Tencent HY4, disponibilidade geral em 4 de novembro de 2026 — acrescentou visão nativa e uso de computador como seu recurso de destaque, então a capacidade é plausível para um modelo destilado a partir dele. Plausível não é documentado.
Se capturas de ecrã, gráficos, documentos digitalizados ou fotogramas de vídeo forem essenciais no seu fluxo de trabalho, o GLM-5.3-Flash é o modelo cujo comportamento multimodal pode verificar antes de assumir um compromisso. Se as imagens forem ocasionais, a diferença importa menos do que o preço.
Onde a decisão muda de rumo
Escolha o Hy4 flash quando o volume for o problema e a tarefa tiver um perfil de escritório. Processamento de documentos, recuperação em um corpus longo, geração de slides, trabalho simples de frontend, loops de uso do computador — essas são as cargas de trabalho para as quais a Tencent o criou, aquelas que seus dados internos de produtos cobrem e aquelas em que um desconto de dez vezes no cache e uma redução de 50% no comprimento da saída se combinam para algo uma ordem de grandeza mais barato. Execute-o primeiro nas suas próprias tarefas e observe os tokens de saída: se o modelo realmente for mais conciso, sua conta cai mais do que a tabela de preços prevê; e se ele for mais conciso porque é mais superficial, você verá isso na mesma medição.
Escolha o GLM-5.3-Flash quando você precisar do artefato, da auditoria ou da modalidade. Ajuste fino, execução no local, dados regulamentados, uma licença que você possa mostrar a um advogado, entrada de vídeo ou uma pontuação de um harness que ninguém na Zhipu escreveu — tudo isso aponta numa só direção. A $0,15 e $0,50 não é caro; é cerca de um décimo do preço de tabela do GLM-5.3 para um modelo que já sobreviveu a medições independentes.
Escolha os dois quando a carga de trabalho for mista. A leitura honesta dos dois lançamentos é que eles não são realmente substitutos: um é um modelo de API otimizado para custo para trabalho cotidiano de alto volume, o outro é um checkpoint aberto com arquitetura documentada para qualquer coisa que precise sair do controle do fornecedor. Um roteador que alcança ambos é uma resposta mais barata do que escolher um e errar.

O que é realmente chamável hoje
É aqui que os dois modelos se diferenciam tanto operacionalmente quanto comercialmente. O GLM-5.3-Flash está no catálogo do OrcaRouter como z-ai/glm-5.3-flash ao preço de tabela do provedor de US$ 0,15 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída, com um nível gratuito sujeito a limite de requisições ao lado para avaliação. O Hy4 flash não é roteado aqui — a Tencent não o disponibilizou para nós —, então quem quiser comparar os dois precisa do TokenHub da própria Tencent para o lado do flash e pode usar a mesma chave do OrcaRouter para o lado do GLM.
Vale a pena aproveitar essa separação em vez de se ressentir com ela. OrcaRouter repassa o preço de lista do provedor sem markup, o que significa que o lado GLM da sua comparação é cobrado exatamente pela tarifa da Zhipu e permanece correto se a Zhipu alterá-la; não há tabela de revendedor que possa ficar desatualizada. E para a própria avaliação, ter tencent/hy4-preview na mesma chave que z-ai/glm-5.3-flash é útil, mesmo que não seja o modelo em questão: o preview é o modelo do qual o Hy4 flash foi destilado, então é o controle natural quando você testa se as respostas do modelo pequeno se sustentam. Uma chave, mais de 200 modelos e um caminho de failover caso um endpoint da semana de lançamento se mostre instável — o que, para um modelo lançado há seis dias sem histórico público de uptime, é algo razoável de se querer.

O preço não é a questão.
A Tencent construiu o modelo mais barato e, pelos números, ele é mais barato por uma margem que importa: metade na entrada, um pouco mais da metade na saída, um décimo no cache. O que ela não construiu foi um modelo que você possa inspecionar. Sem pesos, sem licença, sem detalhes de arquitetura, sem pontuação independente, benchmarks atrás de pixels, e uma comparação de destaque tirada de um painel dos próprios funcionários. A Zhipu construiu o mais caro e publicou o suficiente para que suas fraquezas — incluindo um índice do fornecedor que a medição independente cortou em quinze pontos — estejam registradas publicamente, onde você pode avaliá-las.
Seis dias após o lançamento, é essa a forma da escolha: um desconto demonstrado em relação a um modelo não documentado, ou um modelo documentado a um preço que ainda é muito baixo. O desconto provavelmente é real, e a lacuna de documentação provavelmente é temporária. Nenhum dos dois é certo, e a maneira de descobrir é passar uma tarde medindo em vez de um trimestre escolhendo.
Comparados neste artigo3
Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente
