GPT-6.1 Terra vs GLM-5.5: Den saknade modellen och den du kan ladda ner

Söker man på GPT-6.1 Terra kontra GLM-5.5 får man en massa självsäkra tabeller för en modell som inte finns. Z.ai har inte publicerat något modellkort, ingen API-identifierare, inget pris och inga vikter under namnet GLM-5.5; deras katalog toppar fortfarande vid GLM-5.3, som släpptes i mitten av augusti 2026, med öppna vikter som följde senare samma månad. Terra släpptes däremot den 26 oktober och går att anropa i dag. Den verkliga jämförelsen är alltså Terra mot GLM-5.3 – och i den jämförelsen kostar de två modellerna nästan exakt lika mycket per token, medan Terra kostar ungefär en femtedel så mycket per slutförd uppgift. Anledningen är inte ett pristrick. Det är mångordighet.

Läget för GLM-5.5 är värt att beskriva exakt, eftersom rykteskvarnen har varit produktiv. Rapporter i slutet av oktober pekar på ett lanseringsfönster från slutet av oktober till början av november 2026. Läckta anteckningar tyder på 2,5 till 3,5 biljoner totala parametrar, upp från tidigare påståenden om 1T och 1,6T, och ett mål om "Fable-klass"-prestanda. Z.ai självt har bara sagt att GLM-5.4 och GLM-5.5 kommer att tillhöra biljonparametarklassen, och nämnde GLM-6.0 på sin resultatkonferens den 31 augusti utan att ange ett datum. Inget av det är en produkt. Det fyrdelade testet – ett anropbart API-ID, publicerad prissättning med cachepriser, en oberoende post på en resultattavla och nedladdningsbara vikter – misslyckas för närvarande på alla fyra punkterna.

Modellen som faktiskt befinner sig på andra sidan av den här jämförelsen

• GLM-5.3 — släppt i mitten av augusti 2026; öppna vikter under GLM-5.3-licensen; cirka 750B totala parametrar med ungefär 40B aktiva per token; kontext på 1M token; 128K utdata; endast text; tänkande aktiverat som standard; listpris $1,40/$4,40 per 1M indata/utdata, eller $1,26/$3,96 via OrcaRouter.

• GPT-6.1 Terra – släpptes 26 oktober 2026; slutna vikter; kontext på 1,05 miljoner token; 128K utdata; text- och bildinmatning; sex resonemangsnivåer; 1,00 $/5,00 $ per 1 miljon inmatnings-/utmatningstoken, stiger till 2,00 $/7,50 $ efter 272K inmatningstoken; cachad inmatning 0,05 $.

• Oberoende intelligensindex — Terra 48, GLM-5.3 45, på den nuvarande skalan från Artificial Analysis.

På prislistan är dessa nästan identiska. Till OrcaRouters pass-through-pris kostar GLM-5.3 $1,26/$3,96 mot Terras $1,00/$5,00. GLM är 26 % billigare för input och 21 % billigare för output. Ett team som väljer utifrån dessa två siffror skulle välja GLM-5.3 och gå vidare.

Per token kostar de lika mycket; per uppgift gör de inte det.

Artificial Analysis mäter kostnaden per uppgift i Intelligence Index, vilket inbegriper hur många tokens en modell faktiskt gör av med för att nå ett svar. Terra landar på cirka 0,40 USD. GLM-5.3 landar på cirka 2,01 USD – fem gånger mer, trots de lägre tokenpriserna. Orsaken syns i själva utvärderingen: Terra förbrukade ungefär 130 miljoner output-tokens i hela testsviten, medan GLM-5.3 förbrukade omkring 210 miljoner. GLM-5.3 tänker längre, upprepar sig mer och får betala för det på mätaren.

Detta är det enskilt mest användbara att förstå om jämförelsen, och det är det som lanseringsbevakningen av båda modellerna tenderar att hoppa över. Tokenpriser är en indataparameter för kostnaden, inte ett mått på den. En modell som är 20 % billigare per token och 60 % mer ordrik är 33 % dyrare per svar. För extrahering, klassificering eller generering av korta svar i hög volym är det den omvändningen som avgör notan.

Det innebär också att jämförelsen vänder beroende på arbetsbelastningens utformning. GLM-5.3:s utförlighet skadar mest vid korta utdata, där resonemangsoverhead dominerar. Vid långformig generering, där båda modellerna ändå producerar tusentals token, gör tokenprisskillnaden sig åter gällande och GLM:s 21 % rabatt på utdata blir riktiga pengar.

Där GLM-5.3 ändå är det bättre köpet

Öppna vikter är det självklara svaret, och det är inte en liten sak. GLM-5.3 kan laddas ned, självhostas, finjusteras och hållas inom en regelefterlevnadsgräns. Terra kan inte det. För en reglerad bransch, en luftgapad driftsättning eller ett team som behöver att en modell slutar förändras under dem avgör det frågan innan man ens konsulterar benchmarks.

GLM-5.3 har också en stark teknisk profil för pengarna. Den leder bland öppna modeller i Artificial Analysiss index, ungefär jämställd med Kimi K3, och den är ovanligt stark inom cybersäkerhet och sårbarhetsforskning – både Zhipus egna cyberutvärderingar och Anthropics red-team-testning placerar den nära frontmodeller när det gäller att hitta exploateringar. På SciCode fick den 59,0, före GPT-6.1 Sols 54,2, även om Terra inte fanns med i den körningen. Den stöder en kontext på 1 miljon tokens och en cachediskontering på ungefär 81 %, vilket gör upprepade långa prompter billigare än prislappen antyder.

Dess gränser är lika tydliga. Den hanterar endast text: inga bilder, inget ljud, inga PDF-filer. Tänkandet är alltid på, med flera ansträngningsnivåer men ingen riktig avstängningsknapp. Och ordrikedomen är en verklig driftskostnad, inte bara en artefakt från benchmarkar – den visar sig som längre latenser, högre räkningar och fler token att filtrera i nedströms pipelines.

Där Terra vinner

Terra har en blygsam ledning på tre punkter i indexet, och de oberoende testsviterna får den att verka ännu mindre. På Vals Index får Terra 60,17 % mot GLM-5.3:s 59,73 % – en skillnad på 0,44 punkter som ligger inom felmarginalen, till en högre kostnad per test på 2,92 dollar. I DualEntrys redovisningsbenchmark fick GLM-5.3 högre poäng och var billigare än Terras 78,2 %. Om frågan är ”vilken modell som är smartast” är det ärliga svaret att de är tillräckligt nära varandra för att det benchmark du väljer avgör vem som vinner.

Terra har sina fördelar någon annanstans. Den accepterar bilder; det gör inte GLM-5.3. Den erbjuder sex resonemangsnivåer, så enkel trafik kan skickas till låg ansträngning på ett sätt som GLM:s alltid-på-tänkande inte tillåter. Dess kunskapsavskärning är juni 2026 jämfört med GLM-5.3:s tidigare träningsfönster. Och den är snabb: 90,9 utdatatoken per sekund hos Artificial Analysis, i samma intervall som GLM-5.3, vars uppmätta genomströmning har legat från höga 60-tal till mitten av 90-talet beroende på leverantör och ögonblicksbild. Hastighet plus lägre kostnad per uppgift är en genuint stark kombination för interaktiva produkter.

Tillägget för 272K talar emot det. Bortom den indatatröskeln hoppar Terras priser till $2.00/$7.50, vilket helt raderar dess fördel på indata jämfört med GLM-5.3 och gör utdata 89 % dyrare. Arbetsflöden för långa dokument bör prissättas efter tillägget, inte efter det annonserade priset.

Om GLM-5.5 faktiskt släpps

Det användbara sättet att tänka på den saknade modellen är inte "vilket resultat kommer den att få" utan "vad skulle behöva vara sant för att den ska ändra det här beslutet". Tre saker:

• Det skulle behöva vara dramatiskt mindre ordrikt. En modell med 2,5T parametrar som tänker ännu längre än GLM-5.3 skulle förlora på kostnad per uppgift oavsett hur bra dess tokenpris ser ut. Parameterryktena pekar åt fel håll här.

• Det skulle kräva öppna vikter vid lansering, inte veckor senare. GLM-5.3:s vikter kom ungefär tio dagar efter API:et; den fördröjningen räcker för att bryta en upphandlingscykel.

• Det skulle behöva ett pris under GLM-5.3:s, eller ett kapacitetshopp tillräckligt stort för att motivera ett premiumpris. En modell med en biljon parametrar som tillhandahålls till frontier-priser skulle inte underskrida Terras $0.40 per uppgift.

Inget av det där är en förutsägelse. Det är checklistan att köra den dag ett kort dyker upp. Fram till dess är GLM-5.5 en anledning att hålla koll på Z.ai:s versionsinformation, inte en anledning att skjuta upp ett beslut.

Kör båda idag

GLM-5.3 finns i OrcaRouters katalog till $1.26/$3.96 per miljon tokens, leverantörens listpris som förs vidare med 0 % påslag, tillsammans med över 200 andra modeller på en enda nyckel med automatisk failover. Terra finns inte i katalogen vid publiceringstillfället — den är tillgänglig via OpenAIs API och flera tredjepartsplattformar — så det praktiska experimentet är att anropa GLM-5.3 via OrcaRouter och Terra via OpenAI och sedan jämföra dem utifrån din egen trafik i stället för på en resultattavla.

När du gör det ska du mäta antal token per slutförd uppgift, inte pris per token. Det är siffran som skiljer dessa två modeller åt, och det är siffran som ingen av lanseringsinläggen hade med i sin rubrik. Om Terra slutför din arbetsbelastning med en tredjedel färre output-token försvinner dess 21 % nackdel i outputpris, och dess billigare inputpris börjar förstärkas. Om GLM-5.3:s resonemang betalar sig självt i form av färre återförsök och mindre mänsklig granskning, vänds kostnaden per uppgift. Benchmark-genomsnitten säger att modellerna ligger inom några poäng. Dina tokenräkningar kommer att säga vilken som är billigare.

Frågan om att vänta har ett enkelt svar. GLM-5.5 kan komma inom några veckor; GLM-5.3 går att ladda ned nu, och Terra går att anropa nu. Ett team som behöver öppna vikter har ett verkligt alternativ i dag, och ett team som behöver lägsta kostnad per slutförd uppgift har ett annat. Inget av dessa alternativ blir bättre av att vänta på en modell utan slutpunkt.