
Qwen4-Max vs GLM-5.4: En släpptes, en missade sitt eget fönster
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 121 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 141 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M tokens · 265 tok/s
Det finns en version av den här jämförelsen som skulle vara användbar och en version som skulle vara påhittad. Den användbara börjar med ett datum: Z.ais egen utgivningslogg slutar fortfarande vid GLM-5.3-Flash den 26 augusti 2026, dess dokumentationsindex räknar upp GLM-5.2, GLM-5.3 och GLM-5.3-Flash och inget ovanför dem, och dokumentationssökvägen för GLM-5.4 returnerar Page Not Found precis som i oktober. Qwen4-Max har däremot varit till salu med förbrukningsbaserad debitering sedan den 16 november 2026, med en publicerad prislista och en oberoende poäng. Så matchen är inte två flaggskepp. Det är ett flaggskepp och ett prognostiserat datum som nu har passerat.
Det som gör detta till mer än en vederläggning är aritmetiken bakom prognosen. Den här bloggen satte en takt på 54–70 dagar för GLM-linjen i oktober och publicerade det fönster som det implicerade. Det fönstret har stängt. Att räkna ut med hur mycket, och vad stängningen säger om hur Z.ai sekvenserar lanseringar, är genuint mer informativt än ännu ett spekulativt specifikationsblad — och det lämnar en jämförelse som faktiskt kan köras: Qwen4-Max mot GLM-5.3, den GLM som levereras, på samma oberoende index, under samma vecka.
Var namnet står den 18 november
Granskningen är kort och den är repeterbar. Fyra ytor, alla kontrollerade idag, alla negativa.
• Utgivningsloggen – senaste posten GLM-5.3-Flash, daterad 2026-08-26; sedan GLM-5.3 den 2026-08-18, GLM-5.2 den 2026-06-16, GLM-5.1 den 2026-04-07, GLM-5 den 2026-02-12
• Dokumentationsindexet – GLM-5.3-Flash/FlashX, GLM-5.3, GLM-5.2. Ingen 5.4-post på någon ansträngningsnivå
• Dokumentationssökvägen – docs.z.ai/guides/llm/glm-5.4 returnerar 404, precis som den gjorde den 13 oktober
• Hugging Face — en sökning i förrådet efter "glm-5.4" ger inget resultat under labbets egen organisation, och de nyaste textkontrollpunkterna där är de fyra GLM-5.3-utgåvorna som skapades den 25 augusti
Leverantörens model-api-sida ger samma svar från kommersiellt håll: GLM-5.3, GLM-5.3-Flash, GLM-5 och GLM-5V-Turbo, utan någon rad mellan 5.3 och 6. Nio ytor kontrollerades för den fasta sidan om detta namn i oktober; samma fyra som har betydelse för leveransstatus är fortfarande negativa fem veckor senare. Den konsekvensen är fyndet. Ett namn som har varit frånvarande från varje förstapartssyta i åtta veckor är inte en lansering på väg; det är ett namn som linjen har förbigått, åtminstone för närvarande.

Fönstret, och hur långt vi har kommit förbi det
Kadensargumentet var aldrig en läcka. Det var aritmetik på Z.ai:s egna releasedatum: GLM-5 till GLM-5.1 tog 54 dagar, GLM-5.1 till GLM-5.2 tog 70, GLM-5.2 till GLM-5.3 tog 63. Tillämpa samma tidsintervall på 18 augusti och nästa textflaggskepp skulle komma någonstans mellan 11 oktober och 27 oktober 2026. Om man i stället daterar familjen från Flash-nivåns lansering den 26 augusti flyttas den yttre gränsen till 4 november.
Det är den 18 november. Båda bedömningarna har löpt ut, den senare med två veckor. Det är det tydligaste påståendet som finns om GLM-5.4 i dag, och det är starkare än "vi kunde inte hitta det", eftersom det är falsifierbart: en enda daterad post i leverantörens utgivningslogg skulle vederlägga det, och tills en sådan dyker upp har prognosen prövats och misslyckats.
Det finns två ärliga tolkningar av det misslyckandet, och de pekar i motsatta riktningar. Den första är att Z.ai har saktat ner – att ett flaggskepp med 753 miljarder parametrar nu är tillräckligt dyrt för att man ska iterera på en längre cykel, och att takten under första halvan av 2026 var en sprint som har tagit slut. Den andra är att nästa utgåva inte alls är en 5.4: att serien hoppar över en siffra, eller att arbetet har lagts på den multimodala Flash-nivån, vilket är där den enda aktiviteten efter augusti i utgivningsloggen faktiskt finns. Inget som labbet har publicerat skiljer de två åt, och en sida som gissade skulle göra precis det som en resultattavla med påhittade kolumner gör.
Vad du faktiskt kan jämföra: Qwen4-Max mot GLM-5.3
GLM-5.3 är inte ett tröstpris. Det är en mixture-of-experts med 753 miljarder parametrar som aktiverar ungefär 40 miljarder parametrar per token, endast text, med ett kontextfönster på 1M token och ett tak för utdata på 128K, och det har något som Qwen4-Max lanseringsbevakning till stor del saknade: en uppmätt rad i samma index, tagen av samma testramverk, i samma indexrevision.
• Indatapris — Qwen4-Max $1,50 per miljon tokens i Singapore, $1,413 i dess övriga fem regioner, jämfört med GLM-5.3 $1,40 på Z.ai:s lista
• Utmatningspris — Qwen4-Max 4,50 USD mot GLM-5.3 4,40 USD
• Oberoende poäng – Qwen4-Max 43 i Artificial Analysis Intelligence Index v5.0.1 mot GLM-5.3 på 32 vid maximal ansträngning och 23 vid låg ansträngning
• Kostnad per indexuppgift — Qwen4-Max $3.27 jämfört med GLM-5.3 $5.01. Det är raden som spelar roll, och den pekar i motsatt riktning mot poängen
• Väggklockstid per uppgift – Qwen4-Max 32,1 minuter mot GLM-5.3 22,0 minuter vid maximal ansträngning, 12,2 vid låg
Tokenförbrukning — Qwen4-Max 127 miljoner uttoken per indexkörning jämfört med GLM-5.3 135 miljoner vid maximal ansträngning, 63,3 miljoner vid låg
• Genomströmning — Qwen4-Max 55 utdatatoken per sekund jämfört med GLM-5.3 90
• Modalitet – Qwen4-Max tar emot text, bild och video och returnerar text; GLM-5.3 dokumenteras som textbaserad, med visuellt arbete hänvisat till Flash-nivån
• Maximal utdata – Qwen4-Max 131 072 token, eller 262 144 delade mellan tänkande och svar; GLM-5.3 128 000
• Vikter – Qwen4-Max publicerar inga och anger att finjustering och driftsättning inte stöds; GLM-5.3:s vikter kan laddas ned under en anpassad Z.ai-licens
• Ansträngningskontroll – Qwen4-Max erbjuder valbara nivåer; GLM-5.3 resonerar alltid, med låg, hög och max
Prisraderna är nästan identiska – en spottstyver på input, en spottstyver på output – och det är det minst intressanta i listan. Det intressanta är att de två modellerna landar på nästan identiska listpriser med olika uppbyggnad under ytan. Qwen4-Max kostar mer per uppgift trots ett lägre mätarpris eftersom den tar längre tid och tänker längre; GLM-5.3 kostar mer per uppgift trots ett eget lägre mätarpris eftersom den vid maximal ansträngning förbrukar token i en takt som inställningen med lägre ansträngning inte gör. Ingen av leverantörernas prislista berättar det. Bara raden för kostnad per uppgift gör det, och det är raden som båda lanseringsinläggen utelämnar.
Poänggapet är verkligt men mindre än 43 mot 32 antyder, av en anledning som är värd att säga rakt ut: siffrorna kommer från olika ansträngningsinställningar på samma index, och den här bloggen har sett revisionsändringar ändra en modells siffra med tvåsiffriga tal. Behandla 43 och 32 som ett riktningsgap uppmätt med ett instrument en enda dag, inte som en uppmätt kapacitetsskillnad på 11 poäng. Det som kvarstår efter den varningen är det billigare påståendet: Qwen4-Max besvarar svårare uppgifter än GLM-5.3 vid maximal ansträngning, och gör det för mindre pengar per uppgift, samtidigt som den är långsammare per token och den dyrare per miljon.

Det som en person som söker GLM 5.4 faktiskt behöver
Folk skriver "GLM-5.4" av en av två anledningar, och de två vill ha motsatta svar.
Det första är shopping: de vill veta om de ska migrera bort från GLM-5.3, eller om de ska välja GLM framför Qwen för en build som börjar den här månaden. Svaret är att det inte finns något att migrera till, och valet de kan göra i dag står mellan en textbaserad modell med nedladdningsbara vikter för $1,40/$4,40 och en multimodal hyrlösning för $1,50/$4,50 som får högre poäng och kostar mindre per slutförd uppgift. Det är ett verkligt val, och det kräver ingen 5.4 för att göra det.
Det andra är uppföljning: de vill ha ett datum. Det ärliga svaret är att det kadensbaserade fönstret för detta namn gick ut den 27 oktober, eller den 4 november vid den mest generösa tolkningen, och att prognosens misslyckande i sig är uppdateringen. Nästa signal att bevaka är inte en läcka utan release-loggen: en post ovanför GLM-5.3-Flash skulle avgöra frågan på en rad, och den har inte dykt upp under de tolv veckor som gått sedan Flash-nivån lanserades.
Att köra endera av dem utan ett andra avtal
Här skiljer sig de två sidorna i den här jämförelsen verkligen åt, och skillnaden handlar om åtkomst snarare än förmåga. OrcaRouter dirigerar z-ai/glm-5.3 i dag, tillsammans med Qwen 3.8-familjen, via en OpenAI-kompatibel endpoint med 0 % påslag — inget påslag utöver vad den serverande leverantören tar ut, vilket på vår egen modellsida är 1,26 USD in och 3,96 USD ut per miljon, vid eller under Z.ai:s listpris på 1,40 USD och 4,40 USD. Det OrcaRouter inte dirigerar är Qwen4-Max: modellen finns inte i katalogen, och den här sidan kommer inte att antyda något annat. Qwen4-Max går att nå via Alibabas egna sex regioner och via tredjepartsplattformar som säljer vidare den; om du vill ha den på samma nyckel som GLM handlar det om att vänta på att katalogen ska ta in den, inte om att konfigurera något i dag.

Där routning omedelbart lönar sig är jämförelsen i sig. Siffrorna för kostnad per uppgift ovan är genomsnitt över en fast benchmarkblandning, och din blandning är inte den blandningen. Att köra samma prompter genom GLM-5.3 och en Qwen 3.8-nivå på en och samma endpoint är hur du tar reda på vilken sida som vinner på din trafik, med automatisk failover som täcker dig om en leverantör begränsar anropstakten mitt under körningen – och det är ett förmiddagsarbete i stället för två upphandlingssamtal.
Vad skulle göra det här till en riktig match?
Ett dokument. Ett modellkort som samlar parametrar, kontextlängd, pris och en API-identifierare, daterat i Z.ai:s egen utgivningslogg. Det är den standard som den här bloggen har tillämpat hela året, och det är det enda som förvandlar GLM-5.4 från ett versionsnummer till en modell. En andra kvalificering, svagare men användbar: en GLM-5.3-rad uppmätt vid låg ansträngning mot Qwen4-Max vid dess egen låga inställning, vilket skulle göra det möjligt att jämföra kostnaderna ansträngning för ansträngning i stället för utifrån de två leverantörernas standardinställningar.
Fram till dess är den korrekta sammanfattningen obekväm för båda sidor av sökningen. Qwen4-Max är verklig, prissatt, mätt och något bättre än sitt rykte vad gäller kostnad — 43 på indexet vid $3,27 per uppgift är en kompetent flaggskeppsmodell, inte en dominerande sådan. GLM-5.4 är en siffra i en sekvens vars förväntade datum har passerat utan en post i loggen, och den GLM du kan köra i dag är en siffra lägre, mätbar, nedladdningsbar, en dime billigare på mätaren och en och en halv gång så dyr per slutförd uppgift vid full insats. Den som säger något annat säljer ett specifikationsblad de inte kan källbelägga.
Jämförda i den här artikeln2
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
