Сгенерированная титульная карточка с надписью «Qwen 4 vs GLM-5.5: дорогая — это модель с открытыми весами» и подзаголовком «Новейшая GLM, которую Z.ai реально предоставляет, — GLM-5.3, по 15,8 цента за индексный балл против 7,6 у Qwen4-Max». Три пронумерованные строки гласят: «балл индекса 42,9 против 31,7, Artificial Analysis v5.0.1», «стоимость за выполненную задачу индекса $3,27 против $5,01» и «веса опубликованы для GLM-5.3, для Qwen4-Max — нет». В нижнем колонтитуле написано: «Оценки и стоимость за задачу по Artificial Analysis Intelligence Index v5.0.1; цены — по опубликованному прайс-листу каждого поставщика». Плоский векторный стиль на белом фоне с синими и голубыми акцентами, логотип OrcaRouter наложен в правом нижнем углу.
Guides & Insights

Qwen 4 vs GLM-5.5: дорогая модель — та, что с открытыми весами

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Обычно считается, что открытые веса — это дешёвый вариант. В этом сравнении это не так. GLM-5.3, самая новая модель G​LM, которую Z.ai действительно предоставляет, стоит $5,01 за прогон набора индексов Artificial Analysis и набирает в нём 31,7 балла — 15,8 цента за индексный балл. Qwen4-Max стоит $3,27 за 42,9 балла — 7,6 цента за балл. Проприетарная модель более чем вдвое эффективнее в расчёте на единицу измеренной способности, и именно её нельзя скачать. Тем временем GLM-5.5, модель из заголовка этой статьи, не существует: и индекс документации Z.ai, и страница цен заканчиваются на GLM-5.3, а пути документации для версий 5.4 и 5.5 возвращают «не найдено». Поэтому далее идёт сравнение с той моделью G​LM, которая реально выпускается, а отсутствующий номер версии рассматривается как отсутствующий номер версии, а не как спецификация, которую нужно выдумать.

Сначала — карта, которая существует

{{1}}GLM-5.3{{/1}} появилась {{2}}18 августа 2026 года{{/2}} под лицензией {{3}}GLM-5.3 License{{/3}}, с {{4}}опубликованными весами и вводом только текста{{/4}}. {{5}}Qwen4-Max{{/5}} перешла на платную модель {{6}}16 ноября 2026 года{{/6}}; {{7}}она является проприетарной, поддерживает ввод изображений, а её единственным хостом выступает A​libaba Cloud{{/7}}. {{8}}Их даты выпуска разделяют девяносто дней, и они находятся на противоположных сторонах границы между закрытым и открытым{{/8}}, {{9}}которая, собственно, и является осью этой статьи{{/9}}.

• Цена за миллион — GLM-5.3: $1,40 за ввод / $4,40 за вывод; Qwen4-Max: $1,50 / $4,50 в Сингапуре, $1,413 / $4,24 в остальных регионах. По токенным тарифам Z.ai — более дешёвая карта на 7% и 2%.

• Кэшированный ввод — GLM-5.3 $0.26 за миллион при чтении; Qwen4-Max $0.075, при этом запись в кэш обходится в $1.875 за пять минут и $3.00 за час. Чтение из кэша у Q​wen в 3,5 раза дешевле — именно поэтому результат в расчёте на задачу и результат в расчёте на токен указывают в разные стороны.

• Контекст — 1 000 000 токенов у обеих моделей. GLM-5.3 ограничивает вывод на уровне 128 000; Qwen4-Max допускает 131 072 без размышления или 262 144, распределяемых между рассуждением и ответом.

• Веса — GLM-5.3 опубликованы под собственной лицензией; у Qwen4-Max их нет, размещается только у одного поставщика. В этом вся разница, и всё нижеследующее из неё следует.

• Модальность — Qwen4-Max принимает текст и изображения; GLM-5.3 — текст на входе, текст на выходе. Если ваш конвейер подаёт скриншоты или PDF-файлы, сравнение на этом заканчивается.

• Управление рассуждением — GLM-5.3 всегда использует рассуждение с уровнями усилия low, high и max, по умолчанию — max; Qwen4-Max поддерживает уровни low, high и xhigh, по умолчанию — high.

• Происхождение обучения — Z.ai описывает GLM-5.3 как ту же базовую модель, что и GLM-5.2, улучшенную посредством постобучения, а не нового предобучения. Это стоит учитывать, когда вы сравниваете её результаты с моделью, имеющей новую архитектуру.

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.

Семь центов против шестнадцати: объяснение

Разрыв в стоимости за балл — не артефакт ценообразования. $5.01 за задачу у GLM-5.3 складывается из $4.49 на входные данные и $0.52 на выходные — 90% приходится на вход, и $4.13 из этой суммы — чтение кэша. $3.27 у Qwen4-Max — это $2.80 на вход и $0.47 на выход, при этом $1.12 — чтение кэша, а $1.67 — запись в кэш. Таким образом, обе модели почти ничего не тратят на токены, которые генерируют, и почти всё — на повторное чтение контекста.

Разница в том, сколько контекста каждая модель потребляет для получения ответа. GLM-5.3 считывает 10,3 млрд входных токенов по всему набору тестов и выдаёт 135 млн выходных токенов; Qwen4-Max считывает 9,9 млрд и выдаёт 127 млн. Объём почти идентичен. Поэтому разрыв в девятнадцать пунктов тоже не объясняется объёмом — просто одна модель лучше справляется с задачами, а разница в стоимости на задачу возникает из-за ценообразования кэша, где чтение за $0,075 против чтения за $0,26 накапливается на десяти миллиардах токенов.

Вот механизм, который стоит запомнить: при прогонах бенчмарков с длинным контекстом счёт формирует тариф за чтение кэша, а не заявленный тариф за ввод. Модель с ценой ввода $1,40 и чтением кэша $0,26 может обходиться дороже за задачу, чем модель с вводом $1,50 и чтением кэша $0,075.

Где расположены девятнадцать точек

• Terminal-Bench 4.0 — Qwen4-Max 48,5%, GLM-5.3 41,9%. Разрыв в семь пунктов — самый близкий среди агентных наборов.

• FrontierCode 2.0 — 26,5% против 21,6%. Пять процентных пунктов; в абсолютном выражении обе модели здесь слабы.

• HLE Diamond — 44,9% против 17,9%. Двадцать семь пунктов — и самое широкое расхождение в этом сравнении.

• Всезнание — 27,7 против 6,0 при уровне галлюцинаций 28,4% и 38,9% соответственно. GLM-5.3 одновременно менее точен и реже воздерживается от ответа — худшее из возможных сочетаний.

• Субпоказатели возможностей — Qwen4-Max лидирует по всем пяти, которые сообщают обе модели: инженерия — 50,1 против 37,6, финансы и бухгалтерский учёт — 54,1 против 42,1, право — 49,6 против 35,8, стратегия и операции — 56,9 против 47,4, экономика — 51,3 против 37,3.

Ничто в этом списке не настолько близко, чтобы об этом можно было спорить. Интересен не вопрос о том, лучше ли Qwen4-Max, поскольку он явно лучше.

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.

Единственное, чего Qwen4-Max не может сделать

Каждая строка выше — это сравнение возможностей, и возможности — неправильная рамка, когда одну из двух моделей можно забрать домой. Z.ai публикует веса GLM-5.3 по собственной лицензии; Alibaba ничего не публикует для Qwen4-Max и указывает единственного хостера. Это различие меняет три вещи, которые не измеряет ни один бенчмарк.

• Непрерывность — модель, которую вы размещаете у себя, продолжает отвечать, когда меняется страница цен поставщика, регион помечается как устаревший или приходит уведомление о прекращении поддержки. У Qwen4-Max есть прецедент от 25 ноября 2026 года: идентификатор предварительной версии был выведен из эксплуатации через девять дней после общего выпуска, и любая конфигурация, всё ещё указывающая на qwen4-max-preview, переставала работать.

• Кривая затрат — предельная стоимость GLM-5.3 становится вашей загрузкой GPU. При устойчиво высоком объёме она обычно ниже тарифа API; при неравномерном низком объёме — хуже. Точка перехода — это расчёт загрузки, а не оценка качества модели.

• Контроль — дообучение, квантование, выбор ядра и возможность проверять, что делает модель. Ничего этого нет для Qwen4-Max.

В сопоставлении с этим: открытая модель на девятнадцать индексных пунктов слабее, хуже воздерживается от ответов и не воспринимает изображения. Для развёртывания с нуля такой компромисс непривлекателен. Для системы, уже построенной вокруг собственного стека инференса — где альтернативой GLM-5.3 является не Qwen4-Max, а предыдущая GLM — лицензия становится решающей характеристикой, а разрыв в оценках — неизбежной платой за работу.

Почему открытая модель — это дорогая, в одном предложении

Потому что открытые веса переносят затраты со счётчика токенов на инженерный бюджет, а инженерный бюджет не фигурирует в тарифной карте. Развёртывание GLM-5.3 на собственном оборудовании означает планирование мощностей, стек обслуживания, который вы можете патчить, и стенд оценки, достаточно надёжный, чтобы определить, соответствует ли ваше развёртывание эталону, — затраты, которые превышают разницу в $3,27 на задачу при любом объёме, с которым работает одна команда. 15,8 цента за индексный пункт — это видимая цифра; невидимая больше, и она платится один раз, обслуживаете ли вы тысячу запросов или миллион.

Этот расчёт переворачивается при масштабировании, и тем сильнее, если вам нужен файнтюнинг. Файнтюнинг — то единственное требование, которое делает открытую модель не просто дешевле, а единственно возможным вариантом, и никакое лидерство Qwen4-Max по индексу этого не заменит.

Вызываем тот, который поддаётся маршрутизации

GLM-5.3 есть в нашем каталоге под идентификатором z-ai/glm-5.3 по прейскурантной цене Z.ai — $1,26 за вход и $3,96 за выход за миллион токенов, без каких-либо наценок — те же тарифы, которые публикует Z.ai, включая любые вносимые ею изменения. Qwen4-Max в нашем каталоге отсутствует: идентификатор qwen4 возвращает not-found, а его маршрут — это Model Studio API от Alibaba и несколько сторонних платформ. Ближайшая доступная у нас модель Qwen — qwen/qwen3.8-max по цене $2,00 и $6,00.

Это оставляет практическую последовательность действий для всех, кто хочет получить более мощную модель без второго контракта: запустите оценку на z-ai/glm-5.3 через эндпоинт, который у вас уже есть, и если разрыв в девятнадцать пунктов критичен для вашего сценария использования, оценивайте стоимость Qwen4-Max по собственной структуре токенов, а не по индексу. Показатели по задачам в этой статье смоделированы на основе бенчмарк-стенда с необычно высокой нагрузкой на кэш; рабочая нагрузка в продакшене с короткими промптами и длинными выводами резко сократит разрыв между $5.01 и $3.27, поскольку почти ничего в обоих счетах не приходится на вывод.

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.

Что нам нужно было бы увидеть

GLM-5.5 сбросила бы это сравнение, и на данный момент нет никаких следов её существования — ни раздела документации, ни строки в прайс-листе, ни идентификатора модели на собственных страницах Z.ai по состоянию на 17 ноября 2026 года. Если она выйдет, стоит задать вопросы: будет ли Z.ai публиковать веса, как это было с 5.3; добавит ли она ввод изображений; и исправит ли она поведение при отказе от ответа, потому что именно эта последняя цифра (38.9%) делает GLM-5.3 трудно рекомендуемой для любых непроверенных задач — и это важнее разрыва в индексе.

Между тем честный вывод парадоксален и краток. Открытая модель обходится дороже за каждый балл, показывает более низкие результаты во всех измеренных наборах тестов и остаётся правильным выбором ровно для одного типа покупателя: для того, чьё ограничение — лицензия, а не бенчмарк.

Сравнение в этой статье2

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно