Ling-3.1-flash vs GLM-5.3-Flash: fyra gånger så hög genomströmning mot en indexpoäng

Ling-3.1-flash och GLM-5.3-Flash hamnar en poäng ifrån varandra på Artificial Analysis Intelligence Index – 41 mot 42 – vilket får dem att framstå som samma beslut två gånger. Det är de inte. GLM-5.3-Flash genererar utdata i 53,0 tokens per sekund via Z.ai:s eget API; Ling-3.1-flash genererar det i 211,0 tokens per sekund via InclusionAI:s. Det är en fyrdubbel skillnad i genomströmning, och den är långt större än den marginal som indexet skiljer dem åt med. Den ena modellen är den mer kapabla av de två på nästan varje kvalitetsdimension och öppen med MIT-licens. Den andra är den som blir klar först, är stängd och varken har publicerat pris, licens eller checkpoint. Att välja mellan dem handlar om vad din arbetsbelastning väntar på.

Axeln Ling-3.1-flash vinner ohotat.

Snabbhet är inte en fotnot när du väljer mellan modeller på samma kapacitetsnivå, och här är den hela argumentet för Ant-modellen.

• Utdatagenomströmning — Ling-3.1-flash 211,0 token per sekund via InclusionAI:s API mot GLM-5.3-Flash 53,0 token per sekund via Z.ai:s. Fyra gånger genereringshastigheten.

• Tid till första token – Ling-3.1-flash 1,80 sekunder vs GLM-5.3-Flash 3,18 sekunder. Ant-modellen börjar svara medan Z.ai-modellen fortfarande tänker, vilket är viktigare än genomströmning vid interaktiv användning och streaming.

• Tid per uppgift i Intelligence Index — Ling-3.1-flash cirka 357 sekunder jämfört med GLM-5.3-Flash cirka 979 sekunder. En enskild utvärderingsuppgift tar nästan tre gånger så lång tid för GLM-5.3-Flash från början till slut, eftersom den både är långsammare per token och långsammare att starta.

För en agentloop som gör ett dussin sekventiella anrop, eller en produkt där en person tittar på när tokens anländer, är det inte en utslagsgivare – det är hela anledningen till att föredra en modell. GLM-5.3-Flash är den bättre modellen på papper och den långsammare i anropsvägen.

Där GLM-5.3-Flash helt enkelt är bättre

Överallt annars, och listan är tillräckligt lång för att genomströmningsfördelen måste förtjäna sin plats.

• Kunskapstillförlitlighet — GLM-5.3-Flash får +7,47 på AA-Omniscience, bäst av de tre Flash-modellerna, med en hallucinationsfrekvens på 27,6 % på besvarade frågor. Ling-3.1-flash får +2,22 med en hallucinationsfrekvens på 37,9 %. På ett mått som bestraffar påhitt mer än vägran är gapet verkligt och pekar i samma riktning som indexet.

• GLM-5.3-Flash noterar 0,912 på GPQA Diamond. Ling-3.1-flash har ingen publicerad GPQA Diamond-rad. Det gäller även DeepSeek V4.1 Flash (Max). En modell med 0,91 på naturvetenskapliga frågor på avancerad nivå är ett annat instrument än en som inte har mätts på dem.

• Modalitet — GLM-5.3-Flash tar emot text, bilder och video. Ling-3.1-flash tar bara emot text. Detta är inte ett prestandagap som kan överbryggas med ett benchmark; det är en förmåga som saknas.

• Vikter och licens — GLM-5.3-Flash har öppna vikter under MIT, är nedladdningsbar och kan hostas själv. Ling-3.1-flash har inte publicerat någon checkpoint eller licenstext och är klassad som proprietär.

• Agentiskt kunskapsarbete – GLM-5.3-Flash 1 453,73 Elo på AA-Briefcase v1.1 mot Ling-3.1-flashs 1 400,35, på en benchmark byggd specifikt kring kunskapsarbetsuppgifter snarare än att styra terminaler.

• Pris — GLM-5.3-Flash publiceras till $0.15 per miljon input och $0.50 per miljon output på Z.ai:s API, jämfört med Ling-3.1-flashs $0.30 och $0.90. Halva inputpriset och ungefär halva outputpriset, från en modell med högre indexpoäng och öppna vikter.

De rader där Ant-modellen svarar tillbaka

Ling-3.1-flash är inte slagen på alla punkter. När det gäller agentiskt terminalarbete ligger den marginellt före, och när det gäller kodningsvetenskap ligger den på samma nivå:

• Terminal-Bench 4.0 — Ling-3.1-flash 0.333 mot GLM-5.3-Flash 0.328. I praktiken oavgjort, och båda ligger under frontier-nivån.

• SciCode — Ling-3.1-flash 0.541 mot GLM-5.3-Flash 0.516. En knapp seger.

• AutomationBench-AA — 0,617 mot 0,604. Ännu en knapp seger.

• GDPval-AA — Ling-3.1-flash 1 621,75 Elo mot GLM-5.3-Flash 1 646,86. GLM tar tillbaka den här.

Läs de fyra raderna tillsammans, och formen är tydlig. Där de två modellerna överhuvudtaget kan skiljas åt ligger separationen inom bruset från en enda utvärderingskörning. Indexskillnaden på en punkt mellan dem är inte en rangordning; det är en slantsingling som väger en aning mot GLM tack vare tillförlitlighetsraderna. Det som inte är en slantsingling är genomströmningsgapet på 4× och prisgapet på 2×, vilka båda pekar i den andra riktningen.

Det finns också en serveringsdetalj värd att påpeka, eftersom den ändrar storleken på det där genomströmningsgapet beroende på var du anropar en modell. Z.ai:s eget API mäter 53,0 tokens per sekund. Vår egen katalogs sjudagarsmätning för GLM-5.3-Flash på våra rutter visar 150,6 tokens per sekund i utdata vid en medianlatens på 4,2 sekunder för första token. Samma vikter som serveras från en annan driftsättning kör nästan tre gånger snabbare. Leverantörers genomströmningstal är en egenskap hos en leverantör, inte hos en modell.

Specifikation, rad för rad

Subjekt först på varje rad:

• Storlek — Ling-3.1-flash 560B totalt / 25B aktiva mot GLM-5.3-Flash 320B totalt / 18B aktiva.

• Angiven kontext — 1 miljon tokens för båda. GLM-5.3-Flashs rad för långkontextresonemang mäter 0,80 på AA-LCR; Ling-3.1-flashs mäter 0,83. Båda ligger nära DeepSeek V4.1 Flash (Max) på 0,84, vilket vill säga att långkontextresonemang inte längre är en särskiljande faktor på den här nivån.

• Utdatatak — GLM-5.3-Flash 128 000 tokens i vår katalog jämfört med Ling-3.1-flash utan publicerat maximum. En av dessa kan dimensioneras för lång generering och en kan inte.

• Index — 41 mot 42.

• Genomströmning — 211,0 tokens per sekund jämfört med 53,0 på leverantörernas API:er, 150,6 uppmätt på våra rutter.

• Vikter — proprietära utan licens vs öppna under MIT.

• Modalitet — endast text vs text, bild och video in.

• Pris — 0,30 $ / 0,90 $ per miljon input / output jämfört med 0,15 $ / 0,50 $ på Z.ai:s API.

Hur man faktiskt kör den här jämförelsen

GLM-5.3-Flash finns nu i OrcaRouters katalog, listad till $0.075 per miljon input, $0.25 per miljon output och $0.0173 per miljon cacheläsningar — läs live-kortet i stället för detta stycke, eftersom serving-priserna ändras och genomströmningsarrangemanget innebär att en leverantörsprisändring återspeglas på vår sida samma dag. Värdet av detta arrangemang för just denna matchning är att GLM-5.3-Flashs öppenhet och prisfördel är de två saker som gör det till det vettiga standardvalet, och en stängd rutt med 0%-påslag är hur du fortsätter testa Ling-3.1-flash mot den utan att lägga till en leverantörsrelation.

Ling-3.1-flash finns inte i vår katalog – en sökning mot vårt publika modell-API returnerar not-found för modellen under InclusionAI, och den här artikeln kommer inte att antyda att vi tillhandahåller den. Den körs via Ants eget API och de tredjepartsplattformar som distribuerar versionen, vilket är den ärliga omfattningen av dess tillgänglighet.

Den produktiva formen av denna jämförelse är inte antingen-eller. GLM-5.3-Flash är öppen, billigast, multimodal, mer pålitlig i kunskapsfrågor och tillgänglig via 23 leverantörer — det är en standardväg. Ling-3.1-flashs fördel är genomströmning och TTFT i agentiska loopar, och dess kostnad är att den är stängd, endast text, dyrare och nåbar via färre dörrar. Dirigera det interaktiva och latenskänsliga arbetet mot den snabba modellen, behåll batch-, kunskapstungt och multimodalt arbete på den öppna, och sätt en reservlösning mellan dem så att en långsam uppström inte blir en långsam produkt.

Vilken ska man välja?

Om dina utvärderingskriterier är kapacitet, kostnad, öppenhet och modalitet vinner GLM-5.3-Flash den här matchen, och det är inte särskilt jämnt — ett högre indexvärde, den bästa profilen för kunskapstillförlitlighet i klassen, en GPQA Diamond på 0,912, MIT-vikter, videoinmatning, halva priset och 23 leverantörer bakom sig. Om dina kriterier inkluderar hur länge en användare väntar eller hur många sekventiella anrop en uppgift kan göra, är Ling-3.1-flash modellen som slutför, och dess fyrdubbla genereringshastighet är inte ett avrundningsfel i en agentloop.

Det som skulle avgöra saken är en serveringsdetalj som ingen av leverantörerna publicerar i jämförbar form: levererad genomströmning för din arbetsbelastning, via din leverantör. Båda modellerna svarar på samma OpenAI-kompatibla chat-completions-format, vilket innebär att byte mellan dem är en konfigurationsändring snarare än en migrering – och för två modeller som skiljs åt av en indexpoäng och en faktor fyra i hastighet är att mäta den siffran på din egen trafik en bättre användning av en eftermiddag än att läsa ännu en benchmarkrad.