
Qwen 4 กับ GLM-5.5: โมเดลแบบเปิดน้ำหนักคือรุ่นที่แพง
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0717 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 133 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 219 tok/s
โดยสัญชาตญาณแล้ว open weights ถูกมองว่าเป็นตัวเลือกที่ราคาถูก แต่ในการเปรียบเทียบครั้งนี้ไม่เป็นเช่นนั้น GLM-5.3 ซึ่งเป็น GLM ใหม่ล่าสุดที่ Z.ai ให้บริการจริง มีค่าใช้จ่าย $5.01 ในการรันชุดดัชนี Artificial Analysis และได้คะแนน 31.7 — 15.8 เซนต์ต่อหนึ่งคะแนนดัชนี Qwen4-Max มีค่าใช้จ่าย $3.27 สำหรับ 42.9 คะแนน — 7.6 เซนต์ต่อคะแนน โมเดล proprietary มีประสิทธิภาพมากกว่าสองเท่าต่อหน่วยความสามารถที่วัดได้ และเป็นโมเดลที่คุณดาวน์โหลดไม่ได้ ขณะเดียวกัน GLM-5.5 ซึ่งเป็นโมเดลในชื่อบทความนี้ ไม่มีอยู่จริง: ทั้งดัชนีเอกสารและหน้าราคาของ Z.ai ต่างหยุดอยู่ที่ GLM-5.3 และเส้นทางเอกสารของ 5.4 และ 5.5 ส่งคืน not-found ดังนั้นสิ่งที่ตามมาจึงเป็นการเปรียบเทียบกับ GLM ที่พร้อมใช้งาน โดยถือว่าเลขเวอร์ชันที่หายไปเป็นเลขเวอร์ชันที่หายไป แทนที่จะเป็นสเปกชีตให้แต่งขึ้นมา
ก่อนอื่น การ์ดที่มีอยู่
GLM-5.3 เปิดตัวเมื่อวันที่ 18 สิงหาคม 2026 ภายใต้ GLM-5.3 License โดยเผยแพร่น้ำหนักโมเดลและรองรับอินพุตแบบข้อความเท่านั้น Qwen4-Max เริ่มคิดค่าบริการตามการใช้งานเมื่อวันที่ 16 พฤศจิกายน 2026 เป็นแบบกรรมสิทธิ์เฉพาะ รองรับอินพุตรูปภาพ และมี Alibaba Cloud เป็นผู้ให้บริการโฮสต์เพียงรายเดียว ทั้งสองมีวันเปิดตัวห่างกันเก้าสิบวันและอยู่คนละฝั่งของเส้นแบ่งระหว่างระบบปิดกับระบบเปิด ซึ่งเป็นแกนหลักที่บทความนี้พูดถึงจริง ๆ
• ราคาต่อล้านโทเคน — GLM-5.3 $1.40 {{1}}ขาเข้า{{/1}} / $4.40 {{2}}ขาออก{{/2}}; Qwen4-Max $1.50 / $4.50 {{3}}ในสิงคโปร์{{/3}}, $1.413 / $4.24 {{4}}ในภูมิภาคอื่น{{/4}} เมื่อคิดตามอัตราโทเคน Z.ai เป็นการ์ดที่ถูกกว่า 7% และ 2%
• อินพุตแคช — GLM-5.3 $0.26 ต่อล้านสำหรับการอ่าน; Qwen4-Max $0.075 โดยการเขียนแคชอยู่ที่ $1.875 สำหรับห้านาทีและ $3.00 สำหรับหนึ่งชั่วโมง การอ่านแคชของ Qwen ถูกกว่า 3.5 เท่า ซึ่งเป็นเหตุผลว่าทำไมผลลัพธ์ต่องานและผลลัพธ์ต่อโทเคนจึงชี้ไปคนละทิศทาง
• บริบท — 1,000,000 โทเคนในทั้งสองรุ่น GLM-5.3 จำกัดเอาต์พุตที่ 128,000; Qwen4-Max รองรับ 131,072 โดยไม่มีการคิด หรือ 262,144 ที่ใช้ร่วมกันระหว่างการให้เหตุผลและคำตอบ
• น้ำหนักโมเดล — GLM-5.3 เผยแพร่แล้วภายใต้สัญญาอนุญาตของตนเอง; Qwen4-Max ไม่มีเลย มีเพียงโฮสต์จากผู้ขายรายเดียว นี่คือความแตกต่างทั้งหมด และทุกสิ่งด้านล่างนี้ล้วนสืบเนื่องมาจากความแตกต่างนี้
• รูปแบบข้อมูล — Qwen4-Max รับได้ทั้งข้อความและรูปภาพ ส่วน GLM-5.3 รับข้อความเข้าและส่งข้อความออกเท่านั้น หากไปป์ไลน์ของคุณต้องป้อนภาพหน้าจอหรือ PDF การเปรียบเทียบก็จบเพียงเท่านี้
• การควบคุมการใช้เหตุผล — GLM-5.3 เปิดใช้การใช้เหตุผลไว้เสมอ โดยมีระดับความพยายาม low, high และ max และค่าเริ่มต้นคือ max; Qwen4-Max มีให้เลือก low, high และ xhigh โดยค่าเริ่มต้นคือ high
• สายการฝึก — Z.ai อธิบายว่า GLM-5.3 เป็นโมเดลฐานเดียวกันกับ GLM-5.2 ซึ่งได้รับการปรับปรุงผ่าน post-training แทนที่จะเป็นการ pretrain ใหม่ เรื่องนี้ควรรู้ไว้เมื่อคุณเปรียบเทียบคะแนนของมันกับโมเดลที่มีสถาปัตยกรรมใหม่

เจ็ดเซนต์กับสิบหก อธิบาย
ช่องว่างต้นทุนต่อคะแนนไม่ใช่ผลจากกลไกการกำหนดราคา ต้นทุน $5.01 ต่องานของ GLM-5.3 แบ่งเป็นอินพุต $4.49 และเอาต์พุต $0.52 — อินพุต 90% และอินพุตจำนวน $4.13 นั้นเป็นการอ่านแคช ส่วน $3.27 ของ Qwen4-Max คืออินพุต $2.80 และเอาต์พุต $0.47 โดยมีการอ่านแคช $1.12 และการเขียนแคช $1.67 ดังนั้นทั้งสองโมเดลจึงแทบไม่ต้องจ่ายอะไรกับโทเค็นที่สร้างขึ้น และจ่ายเกือบทั้งหมดไปกับการอ่านบริบทซ้ำ
ความแตกต่างอยู่ที่ปริมาณบริบทที่แต่ละตัวใช้เพื่อไปให้ถึงคำตอบ GLM-5.3 อ่านโทเคนอินพุต 10.3 พันล้านโทเคนตลอดทั้งชุดทดสอบ และสร้างโทเคนเอาต์พุต 135 ล้านโทเคน ส่วน Qwen4-Max อ่าน 9.9 พันล้านโทเคน และสร้าง 127 ล้านโทเคน ปริมาณใกล้เคียงกันมาก ดังนั้นช่องว่างคะแนน nineteen point จึงไม่ใช่เรื่องของปริมาณเช่นกัน — เป็นเพียงว่าโมเดลหนึ่งทำภารกิจได้ดีกว่า และความแตกต่างของต้นทุนต่อภารกิจมาจากราคาแคช ซึ่งการอ่านที่ $0.075 เทียบกับการอ่านที่ $0.26 จะทบ compounded ไปตลอดสิบพันล้านโทเคน
นี่คือกลไกที่ควรค่าแก่การจดจำ: ในการรันเบนช์มาร์กบริบทยาว อัตราการอ่านแคช ไม่ใช่อัตราอินพุตที่เป็นตัวเลขพาดหัว เป็นตัวกำหนดค่าใช้จ่าย โมเดลที่ราคาอินพุต $1.40 โดยมีค่าอ่านแคช $0.26 อาจมีต้นทุนต่องานสูงกว่าโมเดลที่ราคาอินพุต $1.50 โดยมีค่าอ่านแคช $0.075
ตำแหน่งที่จุดทั้งสิบเก้าตั้งอยู่
• Terminal-Bench 4.0 — Qwen4-Max 48.5%, GLM-5.3 41.9% ห่างกันเจ็ดคะแนน ซึ่งใกล้ที่สุดในบรรดาชุดทดสอบแบบเอเจนต์
• FrontierCode 2.0 — 26.5% เทียบกับ 21.6% ต่างกันห้าจุด ทั้งสองโมเดลยังอ่อนในจุดนี้เมื่อมองในแง่ค่าสัมบูรณ์
• HLE Diamond — 44.9% เทียบกับ 17.9% ห่างกัน 27 จุด และเป็นความแตกต่างที่กว้างที่สุดในการเปรียบเทียบ
• ความรอบรู้ — 27.7 เทียบกับ 6.0 โดยมีอัตราการหลอน 28.4% และ 38.9% ตามลำดับ GLM-5.3 ทั้งมีความแม่นยำต่ำกว่าและมีแนวโน้มจะงดตอบน้อยกว่า ซึ่งเป็น сочетаниеที่แย่ที่สุดเท่าที่เป็นไปได้
• คะแนนย่อยด้านความสามารถ — Qwen4-Max นำทั้งห้าด้านที่ทั้งสองโมเดลรายงาน: วิศวกรรม 50.1 เทียบกับ 37.6, การเงินและการบัญชี 54.1 เทียบกับ 42.1, กฎหมาย 49.6 เทียบกับ 35.8, กลยุทธ์และการดำเนินงาน 56.9 เทียบกับ 47.4 และเศรษฐศาสตร์ 51.3 เทียบกับ 37.3
ไม่มีอะไรในรายการนั้นที่ใกล้พอจะนำมาโต้แย้งกันได้ คำถามที่น่าสนใจไม่ใช่ว่า Qwen4-Max ดีกว่าหรือไม่ เพราะเห็นได้ชัดว่าดีกว่า

สิ่งเดียวที่ Qwen4-Max ทำไม่ได้
ทุกแถวข้างต้นเป็นการเปรียบเทียบความสามารถ และ "ความสามารถ" เป็นกรอบความคิดที่ผิด เมื่อหนึ่งในสองโมเดลสามารถนำกลับบ้านได้ Z.ai เผยแพร่น้ำหนักของ GLM-5.3 ภายใต้สัญญาอนุญาตของตนเอง ส่วน Alibaba ไม่ได้เผยแพร่สิ่งใดสำหรับ Qwen4-Max และระบุโฮสต์เพียงรายเดียว ความแตกต่างนี้เปลี่ยนสามสิ่งที่ไม่มีการวัดด้วยเบนช์มาร์กใด ๆ
• ความต่อเนื่อง — โมเดลที่คุณโฮสต์เองยังคงตอบกลับได้เมื่อหน้าราคาของผู้ให้บริการเปลี่ยนแปลง ภูมิภาคหนึ่งถูกเลิกใช้งาน หรือมีประกาศแจ้งการเลิกใช้งานเข้ามา Qwen4-Max มีกรณีตัวอย่างเมื่อวันที่ 25 พฤศจิกายน 2026 ในเรื่องนี้: ตัวระบุพรีวิวถูกปลดระวางเก้าวันหลังการเปิดให้ใช้งานทั่วไป และการกำหนดค่าใดก็ตามที่ยังชี้ไปที่ qwen4-max-preview ก็หยุดทำงาน
• เส้นต้นทุน — ต้นทุนส่วนเพิ่มของ GLM-5.3 กลายเป็นอัตราการใช้งาน GPU ของคุณ ที่ปริมาณสูงอย่างต่อเนื่อง โดยปกติแล้วจะต่ำกว่าอัตราค่า API แต่หากปริมาณต่ำและมาเป็นช่วง ๆ จะแย่กว่า จุดตัดคือการคำนวณอัตราการใช้งาน ไม่ใช่การคำนวณคุณภาพของโมเดล
• การควบคุม — การปรับแต่งละเอียด การควอนไทซ์ การเลือกเคอร์เนล และความสามารถในการตรวจสอบว่าโมเดลกำลังทำอะไรอยู่ ไม่มีสิ่งเหล่านี้อยู่สำหรับ Qwen4-Max
เมื่อเทียบกับสิ่งนั้น: โมเดลเปิดอ่อนกว่าอยู่สิบเก้าคะแนนดัชนี แย่กว่าในการงดตอบ และมองไม่เห็นภาพ สำหรับการติดตั้งใช้งานในสภาพแวดล้อมใหม่ทั้งหมด การแลกเปลี่ยนนี้ไม่น่าดึงดูด สำหรับระบบที่สร้างขึ้นรอบสแต็กการอนุมานที่โฮสต์เองอยู่แล้ว — ซึ่งทางเลือกแทน GLM-5.3 ไม่ใช่ Qwen4-Max แต่เป็น GLM รุ่นก่อน — ใบอนุญาตคือคุณสมบัติที่ชี้ขาด และช่องว่างของคะแนนคือต้นทุนของการดำเนินธุรกิจ
ทำไมโมเดลแบบเปิดถึงเป็นตัวที่แพง ในหนึ่งประโยค
เพราะ open weights ย้ายต้นทุนจากมิเตอร์ที่คิดตามโทเคนไปยังงบประมาณด้านวิศวกรรม และงบประมาณด้านวิศวกรรมไม่ได้ปรากฏอยู่บน rate card การตั้ง GLM-5.3 ขึ้นมาบนฮาร์ดแวร์ของคุณเองหมายถึงการวางแผนกำลังความสามารถ (capacity planning) serving stack ที่คุณสามารถแพตช์ได้ และ evaluation harness ที่ดีพอจะบอกคุณได้ว่าการติดตั้งของคุณตรงกับ reference หรือไม่ — ต้นทุนเหล่านี้สูงกว่าส่วนต่าง $3.27 ต่องานที่ปริมาณการใช้งานใดก็ตามที่ทีมเดียวรัน 15.8 เซนต์ต่อจุดดัชนีคือตัวเลขที่มองเห็นได้ ส่วนตัวเลขที่มองไม่เห็นนั้นใหญ่กว่า และจ่ายเพียงครั้งเดียวไม่ว่าคุณจะให้บริการหนึ่งพันคำขอหรือหนึ่งล้านคำขอ
การคำนวณนั้นพลิกผลเมื่อขยายสเกล และยิ่งพลิกหนักขึ้นหากคุณต้อง fine-tune การ fine-tune คือข้อกำหนดเดียวที่ทำให้โมเดลเปิดไม่ใช่แค่มีต้นทุนต่ำกว่า แต่เป็นทางเลือกเดียว และความเป็นผู้นำด้านดัชนีของ Qwen4-Max ไม่ว่าจะมากเพียงใดก็ทดแทนสิ่งนี้ไม่ได้
เรียกตัวที่สามารถกำหนดเส้นทางได้
GLM-5.3 อยู่ในแคตตาล็อกของเราในชื่อ z-ai/glm-5.3 ในราคาตามรายการของ Z.ai คือ $1.26 สำหรับอินพุต และ $3.96 สำหรับเอาต์พุตต่อล้าน โดยไม่มีการบวกเพิ่มใด ๆ — เป็นอัตราเดียวกันกับที่ Z.ai ประกาศ รวมถึงการเปลี่ยนแปลงใด ๆ ที่ Z.ai ทำกับอัตราเหล่านี้ Qwen4-Max ไม่ได้อยู่ในแคตตาล็อกของเรา; ตัวระบุ qwen4 จะส่งคืน not-found และเส้นทางของมันคือ Model Studio API ของ Alibaba และแพลตฟอร์มบุคคลที่สามหลายแห่ง โมเดล Qwen ที่ใกล้เคียงที่สุดที่เราให้บริการคือ qwen/qwen3.8-max ในราคา $2.00 และ $6.00
นั่นทำให้เหลือลำดับขั้นที่ใช้ได้จริงสำหรับใครก็ตามที่ต้องการโมเดลที่แข็งแกร่งกว่าโดยไม่ต้องมีสัญญาที่สอง: รันการประเมินบน z-ai/glm-5.3 ผ่าน endpoint ที่คุณมีอยู่แล้ว และหากช่องว่าง 19 จุดนั้นร้ายแรงถึงขั้นใช้ไม่ได้กับกรณีการใช้งานของคุณ ให้เทียบราคา Qwen4-Max กับสัดส่วนโทเค็นของคุณเองแทนการเทียบกับดัชนี ตัวเลขต่องานในบทความนี้จำลองมาจากชุดทดสอบ benchmark ที่มีปริมาณแคชหนักผิดปกติ งานในสภาพแวดล้อมจริงที่มีพรอมป์ต์สั้นและเอาต์พุตยาวจะบีบช่องว่างระหว่าง $5.01 กับ $3.27 ให้แคบลงอย่างรวดเร็ว เพราะแทบไม่มีส่วนใดของบิลทั้งสองใบที่เป็นเอาต์พุต

สิ่งที่เราจะต้องเห็น
GLM-5.5 จะทำให้การเปรียบเทียบนี้เริ่มต้นใหม่ และขณะนี้ยังไม่มีร่องรอยของมันเลย — ไม่มีเส้นทางเอกสาร ไม่มีแถวราคา ไม่มีตัวระบุโมเดลบนหน้าเว็บของ Z.ai เอง ณ วันที่ 17 พฤศจิกายน 2026 หากมันเปิดตัว คำถามที่ต้องถามคือ Z.ai จะเผยแพร่น้ำหนักโมเดลอย่างที่ทำกับ 5.3 หรือไม่ จะเพิ่มการรับข้อมูลภาพหรือไม่ และจะแก้ไขพฤติกรรมการละเว้นการตอบหรือไม่ เพราะตัวเลขสุดท้ายนั้น (38.9%) คือสิ่งที่ทำให้ GLM-5.3 แนะนำได้ยากสำหรับงานใดก็ตามที่ยังไม่ได้ตรวจสอบ ซึ่งสำคัญกว่าช่องว่างของดัชนี
ในระหว่างนี้ บทสรุปที่ตรงไปตรงมากลับขัดกับสัญชาตญาณและสั้นกระชับ โมเดลเปิดมีต้นทุนต่อคะแนนสูงกว่า ได้คะแนนต่ำกว่าในทุกชุดการทดสอบที่วัด และยังคงเป็นตัวเลือกที่เหมาะสมสำหรับผู้ซื้อเพียงประเภทเดียวเท่านั้น: ผู้ที่มีข้อจำกัดเรื่องใบอนุญาตมากกว่าเกณฑ์วัดประสิทธิภาพ
การเปรียบเทียบในบทความนี้3
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
