MiniMax M3.1 Flash vs GLM-5.3-Flash: Prislistorna matchar, så avgör utifrån raderna som inte gör det

De två prislistorna är, i praktiken, samma lista. M​iniMax M3.1 Flash tar $0,15 per miljon indatatoken och $0,60 per miljon utdatatoken. GLM-5.3-Flash tar $0,15 och $0,50. Blanda dem på samma sätt som Artificial Analysis gör och båda hamnar på $0,10 per miljon. Deras oberoende intelligensmätvärden skiljer sig med en poäng — 43 mot 42 i det aktuella indexet. Så en jämförelse som stannar vid pris och poäng har inget att säga, vilket är anledningen till att de flesta stannar där och sedan rekommenderar vilken modell skribenten än råkade testa. Beslutet mellan M​iniMax M3.1 Flash och GLM-5.3-Flash ligger helt i raderna som inte matchar: vad du får göra med vikterna, vad som händer när din utdata når ett tak, vad du kan mata modellen med, och om den ens går att köpa via den slutpunkt du redan använder.Både prislistor och benchmarktabeller utelämnar hur dessa modeller misslyckas när de väl är i produktion, och de registrerade incidenterna är katalogiserade i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och en flagga för ifrågasatt status.

• Sex rader, båda sidor

• Pris — MiniMax M3.1 Flash $0,15 för input och $0,60 för output per miljon, cachad input $0,015; GLM-5.3-Flash $0,15 och $0,50, cachad input $0,03. Båda ger ett blandpris på $0,10 per miljon vid en mix på 7:2:1 mellan input, cachad input och output.

• Oberoende poäng — Intelligence Index 43 för M​iniMax M3.1 Flash, 42 för GLM-5.3-Flash, på samma indexversion avläst samma dag. En poäng ligger inom bruset för en enda utvärderingskörning.

• Kostnad per slutförd uppgift — 0,22 USD per indexuppgift för M​iniMax M3.1 Flash mot 0,28 USD för GLM-5.3-Flash. Den billigare prislappen är också den billigare uppgiften, med cirka 21 %.

Maximal utdata – publiceras inte av M​iniMax för M3.1 Flash; 128 000 token för GLM-5.3-Flash. Båda uppger ett kontextfönster på 1 miljon token, men bara en av dem anger hur mycket av det som kan komma ut igen.

• Indata – text, bild och video för MiniMax M3.1 Flash; text, bild, video och filer för GLM-5.3-Flash. Video på båda sidor är det ovanliga inslaget; filuppladdning på ena sidan är den operativa delen.

• Öppna vikter — GLM-5.3-Flash är MIT-licensierad, 320 miljarder parametrar totalt med 18 miljarder aktiva, nedladdningsbar idag. M​iniMax säger att M3.1 Flash:s vikter kommer att släppas senare, utan licens och utan något datum knutet till löftet.

Varför en poäng på indexet inte är ett skäl att välja någon av dem

Intelligence Index är ett viktat sammansatt mått: agenter 30 %, kodning 20 %, vetenskapligt resonemang 20 %, allmänt 30 %, uppbyggt av tio utvärderingar, inklusive AA-Briefcase och AA-Omniscience med 15 % vardera. En enda poäng på ett sammansatt mått av den formen kan komma från en delutvärdering som rör sig ett par poäng. Tolka det som ett oavgjort resultat och du kommer att ha rätt mycket oftare än du har fel. Tolka det som en rangordning och du väljer en produktionsmodell utifrån den fjärde signifikanta siffran i en undersökning.

Jämförelsen av kostnad per uppgift är mer användbar än indexjämförelsen, och den pekar också åt samma håll som prislappen. Till en kostnad av $0.22 per slutförd uppgift utför M​iniMax M3.1 Flash indexets arbete för mindre än GLM-5.3-Flashs $0.28, trots en högre outputkostnad per token. Det är aritmetiken kring ordrikedom och cachning som gör sitt jobb: GLM-5.3-Flash tar en tredjedel mer per outputtoken och återvinner mindre av den via cache, så den till synes billigare outputkostnaden på M​iniMaxs kort är verkligen billigare sammanlagt. Om din arbetsbelastning är en långkörande agentloop där större delen av räkningen består av outputtokens som läses om, är de 21 % den siffra som dyker upp i den månatliga faktureringsposten.

Hastigheten skiljer sig tydligt, och den skiljer sig gentemot den billigare modellen

Det här är dimensionen där de två slutar vara utbytbara. M​iniMax M3.1 Flash uppmäter cirka 105 token per sekund i utdata med 1,38 sekunders tid till första token. GLM-5.3-Flash uppmäter 76,8 token per sekund med 2,57 sekunder till första token. M​iniMax är cirka 36 % snabbare när det väl har startat och ungefär dubbelt så snabb att starta. För en interaktiv yta – en redigerare, en chattpanel, en kodassistent där det första tokenet är det människan väntar på – är en fördel på 1,2 sekunder i TTFT skillnaden mellan ett verktyg som känns responsivt och ett som känns som att det funderar på saken. För en batchpipeline spelar genomströmningsgapet större roll än latensgapet, och det gynnar fortfarande M​iniMax.

Båda modellerna låter dig betala för tänkandet vare sig du vill eller inte. MiniMax avvisar en begäran som försöker stänga av resonemang helt. Z.ais dokumentation säger samma sak med andra ord: tänkandet kan inte stängas av, och maximal ansträngning är den rekommenderade inställningen. Så ingen av sidorna erbjuder den kostnadsreglage som en modell med växlingsbart resonemang ger dig, och båda fakturerar sina resonemangstoken som utdata. Om du hoppades att en av dessa två var det billiga och tysta alternativet för en klassificeringsuppgift med hög volym, är ingen av dem det. Det är en egenskap hos nivån, inte hos någon av leverantörerna.

Taket på 128K svar är raden som avgör verkligt arbete

GLM-5.3-Flash anger en maximal utdata på 128 000 token. M​iniMax anger ingenting för M3.1 Flash – inte en låg siffra, inte en förbehåll, ingenting på modellens sida eller i API-dokumentationen som vi kan hitta. I praktiken innebär det att du inte kan veta, innan du skickar en begäran, om en kodgenerering på 40 000 token kommer att slutföras eller trunkeras. Du kan upptäcka det empiriskt och bygga in ett återförsök kring det, men du kan inte ta med det i en kapacitetsplan eller ett avtal.

För det mesta chattformad trafik är detta osynligt. För de arbetsbelastningar som gör en Flash-nivå intressant – omskrivningar av hela filer, långa agenttranskript, strukturerad extraktion från ett stort dokument – är taket för utdata det första som brister, och det brister tyst. En modell som trunkerar vid en odokumenterad längd och returnerar ett välformat delvis svar är sämre att driva än en modell som avvisar begäran. Om någon del av din pipeline genererar mer än några tusen tokens i ett anrop bör den här enda opublicerade raden väga tyngre än indexskillnaden på en punkt och kostnadsfördelen på 21 % tillsammans.

Öppna vikter är inte en filosofisk fråga här

GLM-5.3-Flash är MIT-licensierad med nedladdningsbara vikter, 320 miljarder parametrar totalt och 18 miljarder aktiva, vilket placerar den i det spann där ett seriöst team kan självhosta på en nod med flera GPU:er och ett mindre team åtminstone kan granska vad den tränats att göra. M​iniMax M3.1 Flash är stängd i dag, och löftet om senare vikter är precis det – ett löfte utan licens, utan parameterantal och utan datum. Upphandlingsprocesser som frågar "vilken är vår utväg om den här leverantören ändrar villkoren" har ett svar på ena sidan och en mening på den andra.

Det finns också en kostnadsaspekt gömd i det där, och det är den som ingen sätter in i en jämförelsetabell. En modell med öppna vikter sätter ett tak för vad en leverantör kan ta betalt av dig för den, eftersom alternativet alltid är att köra den själv. En sluten modell har inget sådant tak; leverantören sätter priset och du får acceptera det eller byta. Med identiska sammanvägda taxor i dag är GLM-5.3-Flashs licens det som håller dess taxa ärlig nästa år, och M​iniMaxs är det som lämnar taxan helt och hållet till M​iniMaxs gottfinnande.

Tillgänglighet är där det oavgjorda faktiskt avgörs.

GLM-5.3-Flash har varit tillgänglig sedan 26 augusti 2026 och finns i OrcaRouters katalog som z-ai/glm-5.3-flash, till $0.15 per miljon inputtoken och $0.50 per miljon outputtoken, med cachad input till $0.03, tillsammans med en kostnadsfri SKU för utvärdering och den större z-ai/glm-5.3 till $1.26 och $3.96 om du behöver flaggskeppet. M​iniMax M3.1 Flash, två dagar gammal när detta skrivs, nås via M​iniMax eget API, M Plan och M​iniMax Code, och den finns inte i vår katalog – vi kommer inte att antyda att den gör det, och modellsidan returnerar ingenting när man letar efter den.

Den asymmetrin är värd mer än den verkar när du jämför två modeller som kostar lika mycket. Att få in GLM-5.3-Flash i en kodbas är en modellsträng. Att få in M​iniMax M3.1 Flash är en andra leverantörsrelation, en andra faktureringsmodell och en andra uppsättning hastighetsbegränsningar, ovanpå den du redan har. Och det är just fallet där ett routinglager inte är ett säljargument utan en del av rörmokeri: en nyckel, en faktura, en plats där en leverantörs listpris förs vidare med 0 % påslag så att en prisändring når din faktura samma dag som den sker i stället för vid nästa förnyelse. Om M​iniMax listar M3.1 Flash på en routbar endpoint senare blir det ett beslut mellan två modeller i stället för ett mellan två avtal. I dag gör de inte det, och att låtsas något annat skulle vara den typ av jämförelse som den här bloggen finns för att undvika.

Vilken ska man ringa?

Om ditt arbete är interaktivt, outputtungt och lever i en befintlig OpenAI-kompatibel stack är GLM-5.3-Flash det enklare svaret: samma blandade pris, ett publicerat utdatatak, en MIT-licens du kan agera på idag, fil- och videoindata, och en katalogpost som gör det till en enradsändring. De 2,57 sekunderna till första token är priset för det, och för bakgrundsagenter är det ett pris värt att betala.

Om ditt arbete är latenskänsligt och utdata är begränsade – en routingklassificerare, en kortformsgenerator, ett agentsteg som returnerar en plan i stället för en fil – är M​iniMax M3.1 Flash den snabbare modellen med lägre kostnad per uppgift, och dess opublicerade utdatatak testas aldrig eftersom du aldrig närmar dig det. Välj den för genomströmningen och första token på 1,38 sekunder, inte för indexet, och gå in i det med vetskapen att du väljer en stängd modell med en takt som ingen har satt ett tak för.

Det du inte bör göra är att välja mellan dem utifrån benchmark-tabellerna. Båda leverantörerna publicerade siffror på testramverk som de själva valt, ingen av dem körde den andras, och det enda benchmark som båda familjerna historiskt har rapporterat – DeepSWE – har körts i olika testramverk i de två labbens utgåvor tillräckligt ofta för att en jämförelse mellan kolumner är gissningsarbete utklätt i en decimalpunkt. De två siffrorna i den här artikeln som mättes på samma sätt för båda modellerna är indexet och kostnaden per uppgift, och dessa två säger att modellerna har samma pris och samma kapacitet. Allt som faktiskt skiljer sig är ett licensvillkor, en dokumenterad gräns eller en rad i en katalog.