Thẻ tiêu đề được tạo cho Claude Opus 5.5 so với GLM-5.4, với ba chip ghi 'GLM-5.4: không có mô hình như vậy', 'GLM-5.3 trọng số mở, 18 tháng 8 năm 2026' và 'Opus 5.5 GA 22 tháng 9 năm 2026', cùng chân trang ghi chú rằng tài liệu Z.ai và Hugging Face đã được kiểm tra vào ngày 19 tháng 11 năm 2026. Logo OrcaRouter ở góc dưới bên phải.
Guides & Insights

Claude Opus 5.5 vs GLM-5.4: Token rẻ không đồng nghĩa với tác vụ rẻ

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Sai lầm tốn kém nhất khi chọn mô hình là so sánh bảng giá thay vì so sánh các tác vụ đã hoàn thành. Claude Opus 5.5 có giá 4 đô-la mỗi triệu token đầu vào và 20 đô-la mỗi triệu token đầu ra. GLM-5.3 — mô hình mà Z.ai thực sự phát hành, và cũng là mô hình mà bất kỳ ai gõ "GLM-5.4" đang tìm kiếm — có giá 1,40 đô-la và 4,40 đô-la. Trên giá niêm yết, mô hình trọng số mở của Trung Quốc có giá chỉ khoảng một phần năm. Theo chính cách Artificial Analysis đo chi phí để hoàn thành một tác vụ, khoảng cách thu hẹp còn 2×. Sự thu hẹp đó, chứ không phải bảng giá, mới là câu chuyện của phép so sánh này.

Đầu tiên, cái tên. GLM-5.4 không tồn tại. Mục lục tài liệu của Z.ai liệt kê GLM-5.3 và GLM-5.3-Flash là các mô hình văn bản hiện hành, tổ chức Hugging Face của phòng thí nghiệm không có kho lưu trữ nào chứa "5.4", và một tìm kiếm toàn văn trên Hub vào ngày 19 tháng 11 không trả về kết quả nào. Con số này là một cụm từ tìm kiếm, không phải một bản phát hành. GLM-5.3 được phát hành vào tháng 8 năm 2026 — ngày 18 tháng 8 theo ngày phát hành của Artificial Analysis, với trọng số có trên Hub từ ngày 25 tháng 8 — và đó là mô hình mà mọi tuyên bố dưới đây đều nói về.

GLM-5.3 là gì và chi phí bao nhiêu

GLM-5.3 là mô hình văn bản chủ lực trọng số mở của Z.ai. Nó sử dụng cùng mô hình nền tảng như GLM-5.2, với mọi cải thiện đến từ quá trình hậu huấn luyện, đó là lý do vì sao giấy phép và kiến trúc không thay đổi và vì sao các cải tiến tập trung vào đúng hai lĩnh vực: lập trình phức tạp và công việc tác tử dài hạn. Nó có ngữ cảnh 1M token, đầu ra tối đa 128K, đầu vào chỉ văn bản, và khả năng suy luận không thể tắt — ba mức nỗ lực, thấp, cao và tối đa, mặc định là tối đa.

Headless capture of Z.ai's developer documentation page for GLM-5.3, showing the model overview, the note that it uses the same base model as GLM-5.2 with all gains from post-training, and the feature section stating a 1M-token context window and 128K maximum output.

• Giá — Claude Opus 5.5 $4.00 đầu vào / $20.00 đầu ra / $0.20 đọc bộ nhớ đệm so với GLM-5.3 $1.40 / $4.40.

• Trọng số — chỉ API đóng so với bản phát hành mở kiểu Apache trên Hugging Face, có thể tải xuống và tự lưu trữ.

• Ngữ cảnh — cả hai đều 1M token, cả hai đều có đầu ra tối đa 128K.

• Kiểm soát nỗ lực — Opus 5.5 chạy suy nghĩ thích ứng không thể tắt, mặc định medium so với GLM-5.3 luôn bật suy luận, mặc định max.

• Chỉ số Trí tuệ — 59,1 so với 31,7 trên bản sửa đổi v5.0.1, chênh lệch 27,4 điểm.

• Chi phí mỗi tác vụ Index — $10.04 so với $5.01, khoảng cách 2×, không phải 4,5× như giá niêm yết ngụ ý.

• Phương thức — đầu vào văn bản và hình ảnh so với chỉ văn bản.

Tại sao lợi thế về giá 4,5× lại trở thành lợi thế về chi phí 2×

Artificial Analysis đã chạy cả hai mô hình qua cùng một bộ Index và đếm số token mà mỗi mô hình đã dùng. Claude Opus 5.5 tạo ra 218M token đầu ra trên toàn bộ bộ này. GLM-5.3 tạo ra 135M. Đó không phải hướng mà hầu hết mọi người kỳ vọng — mô hình đắt tiền lại là mô hình dài dòng hơn ở đây — nhưng tỷ lệ quan trọng là so với giá, và lợi thế 1.6× về token của GLM-5.3 không đủ gần để bù đắp lợi thế 4.5× về giá trên mỗi token theo hướng ngược lại.

Generated two-column scoreboard titled 'Claude Opus 5.5 vs GLM-5.3 - the scoreboard'. Left column Claude Opus 5.5 rows: Intelligence Index 59.1, cost per task $10.04, Terminal-Bench 4.0 59.6%, FrontierCode 2.0 46.4%, weights closed, price $4 / $20. Right column GLM-5.3 rows: Intelligence Index 31.7, cost per task $5.01, Terminal-Bench 4.0 41.9%, FrontierCode 2.0 21.6%, weights Apache open, price $1.40 / $4.40. Footer: both per Artificial Analysis index v5.0.1, GLM-5.4 does not exist. OrcaRouter logo bottom-right.

Hãy tính theo cách một bản ngân sách vẫn tính. Với một tác vụ mà cả hai mô hình tiêu tốn cùng số token, GLM-5.3 rẻ hơn 4,5×. Trên thực tế, GLM-5.3 tiêu tốn khoảng 0,62 token cho mỗi một token mà Opus 5.5 tiêu tốn, nên tỷ lệ hiệu dụng rơi vào khoảng 2,8× trước khi tính token đầu vào, và con số đo được trên mỗi tác vụ là $5,01 so với $10,04 đưa nó về mức 2×. Vẫn là một khoản tiết kiệm thực sự — khoảng một nửa — nhưng một nửa là một quyết định khác với một phần năm. Một nhóm lập ngân sách dựa trên giá niêm yết rồi nhận hóa đơn gấp 2× hẳn đã xây dựng sai phương án kinh doanh.

Có một hiệu ứng bậc hai đáng lưu ý vì nó đã khiến không chỉ một nhóm bị vấp: giá trị mặc định cho suy luận của GLM-5.3 là max. Một quá trình chuyển đổi chỉ thay ID mô hình mà để nguyên mặc định suy luận sẽ nhận được cấu hình đắt đỏ và chậm nhất của mô hình, và đó chính xác là nơi sự dài dòng phát sinh. Ghi chú chuyển đổi của chính Z.ai nêu rõ rằng việc tắt suy luận không còn được hỗ trợ và rằng low phải được đặt một cách có chủ đích.

Khoảng cách về năng lực là có thật, và nó không đồng đều.

Khoảng cách chỉ số 27 điểm nghe như thể sẽ bị loại ngay, và với công việc tri thức phổ thông thì gần như đúng là vậy. Nhưng các con số theo từng benchmark lại tách hai mô hình ra theo một đường ranh giới quan trọng hơn điểm tổng hợp. Tất cả số liệu dưới đây là của Artificial Analysis, cùng một bộ khung kiểm thử, cả hai đều ở thiết lập nỗ lực cao nhất.

• Terminal-Bench 4.0 — 59,6% so với 41,9%. Khoảng cách 18 điểm trong công việc terminal dạng tác tử.

• FrontierCode-AA 2.0 — 46,4% so với 21,6%. Opus 5.5 cao hơn gấp đôi GLM-5.3.

• Terminal-Bench-Science 0.1 — 59,0% so với 9,5%. Khoảng cách lớn nhất trên bảng xếp hạng, và là một trận thảm bại.

• HLE-Diamond — 67,9% so với 17,9%.

• AA-Omniscience — 48,1 ở độ chính xác 65,5% so với 6,0 ở độ chính xác 32,3%.

• GDPval-AA v2.1 — 1866 Elo so với 1655, mức chênh lệch hẹp nhất trong bộ ở 211 điểm.

• ITBench-SRE — 38,2% so với 46,1%, một trong số ít điểm mà GLM-5.3 giành chiến thắng.

• LCR (suy luận ngữ cảnh dài) — 84,7% so với 79,7%.

Quy luật là GLM-5.3 trụ vững ở lý luận ngữ cảnh dài và các tác vụ độ tin cậy hệ thống, nhưng lại sụp đổ ở công việc terminal nặng về khoa học và việc truy xuất kiến thức. Nếu khối lượng công việc của bạn là phân tích tài liệu trên ngữ cảnh dài, thì điểm tổng hợp 27 điểm đang phóng đại mức khác biệt. Nếu đó là lập trình tác tử trên các kho mã xa lạ — điều mà cả hai nhà cung cấp đều quảng bá — thì điểm tổng hợp lại đánh giá thấp mức khác biệt đó.

Bảng của nhà cung cấp do Z.ai công bố so sánh Opus 4.8, chứ không phải Opus 5.5.

Điều đáng biết trước khi bạn tin vào bất kỳ con số so sánh GLM với Claude nào mà bạn tìm thấy trong biểu đồ. Thẻ mô hình GLM-5.3 của Z.ai có một bảng benchmark với cột "Opus 4.8" và cột "Fable 5 (w/ fallback)". Claude Opus 5.5, phát hành năm tuần sau GLM-5.3, không xuất hiện trong đó. Đó không phải là sự không trung thực — bảng được lập khi 5.3 ra mắt và Opus 5.5 chưa tồn tại — nhưng điều đó có nghĩa là phép so sánh mà hầu hết mọi người đang tìm kiếm chưa từng được bên nào công bố, và những con số cùng harness duy nhất có sẵn là những con số độc lập ở trên.

Những con số của chính Z.ai có một tuyên bố đáng được xem xét nghiêm túc, vì nó chỉ ra điểm mạnh thực sự của mô hình trọng số mở: trên CyberGym, chuẩn đánh giá phát hiện lỗ hổng của họ, GLM-5.3 đạt 84,5 so với 78,1 của Opus 4.8. Thẻ mô tả mức tăng này là "emergent" — năng lực an ninh mạng tăng nhanh hơn mức nhóm phát triển kỳ vọng khi hậu huấn luyện được mở rộng — và các chuẩn đánh giá khai thác tăng hơn gấp đôi so với GLM-5.2. Anthropic đã công bố một phân tích về năng lực an ninh mạng của GLM-5.3 vào ngày 29 tháng 9, điều mà các nhà cung cấp thường không làm đối với bản phát hành trọng số mở của đối thủ. Nếu công việc của bạn là công cụ bảo mật phòng thủ, đó là trục duy nhất mà mô hình mở thực sự dẫn trước, và cũng là trục mà trọng số mở quan trọng nhất: bạn có thể chạy bộ phân loại trên hạ tầng của riêng mình thay vì gửi các lời nhắc gần với khai thác lỗ hổng đến API của người khác.

Nơi các trọng số mở thực sự thay đổi quyết định

Tất cả những điều trên là một so sánh về năng lực và chi phí, và ở cả hai phương diện, Claude Opus 5.5 đều giành phần thắng cho hầu hết công việc. Lý do GLM-5.3 vẫn được triển khai không nằm ở cả hai điều đó: đó là vì một mô hình thuộc dòng 5.3 có thể được tải xuống, chạy phía sau gateway của riêng bạn và không bao giờ rời khỏi mạng của bạn.

Ba tình huống cụ thể mà điều đó vượt trội hơn 27 điểm chỉ số. Dữ liệu được quản lý chặt chẽ không thể vượt qua ranh giới tài phán, nơi lựa chọn là GLM-5.3 hoặc không có gì. Phân loại khối lượng lớn, nơi một bản tinh chỉnh 300M tham số của mô hình nền đánh bại mô hình tổng quát trên nhãn của bạn với chi phí mỗi lần gọi chỉ bằng một phần nhỏ. Và các công cụ liên quan đến an ninh mạng, nơi lợi thế benchmark và yêu cầu tự lưu trữ cùng chỉ về một hướng.

Với mọi thứ còn lại, khuyến nghị trung thực là giữ quyết định định tuyến ở mức rẻ. Cả hai mô hình đều nằm trên một khóa OrcaRouter — anthropic/claude-opus-5.5 và z-ai/glm-5.3 — với mức tăng giá 0% so với giá niêm yết của nhà cung cấp, điều này quan trọng hơn đối với phía Z.ai so với phía Anthropic vì Z.ai đã định giá lại dòng này hai lần trong năm 2026. Hãy định tuyến các lượt xử lý khối lượng lớn, rủi ro thấp sang GLM-5.3 và vòng lặp lập kế hoạch sang Opus 5.5, đồng thời để cơ chế chuyển đổi dự phòng xử lý trường hợp nhà cung cấp của tầng giá rẻ gặp một buổi chiều tồi tệ. DSL định tuyến biến điều đó thành một thay đổi cấu hình thay vì hai tích hợp, và con số tổng hợp trên mỗi tác vụ là con số cần đưa vào ngân sách thay vì một trong hai mức giá niêm yết.

Headless capture of OrcaRouter's model page for z-ai/glm-5.3, showing the model name and its sections for code samples, pricing, performance and public benchmarks.

The answer, when the name is settled

Claude Opus 5.5 là mô hình tốt hơn cho lập trình tác tử, công việc terminal nặng về khoa học và bất kỳ việc gì mà khả năng nhớ lại là quan trọng. Chi phí cho mỗi tác vụ hoàn thành của nó cao hơn khoảng gấp đôi so với GLM-5.3, chứ không phải gấp bốn rưỡi, và mức chênh lệch đó là xứng đáng với các khối lượng công việc mà cả hai nhà cung cấp quảng bá.

GLM-5.3 là lựa chọn đúng khi trọng số phải thuộc về bạn, khi khối lượng công việc là suy luận ngữ cảnh dài hoặc phân loại sự cố trực ca, hoặc khi công việc là phòng thủ không gian mạng. Đây là một mô hình mở thực sự tiệm cận biên giới với mức giá thực sự thấp, và điểm yếu lớn nhất của nó — công việc khoa học trên terminal ở mức 9,5% — đủ hẹp để một đánh giá dành riêng cho khối lượng công việc sẽ cho bạn biết trong một buổi chiều liệu điều đó có quan trọng với bạn hay không.

GLM-5.4, mô hình trong tiêu đề, không phải là một phần của quyết định. Đó là một số phiên bản không có bản phát hành nào đằng sau nó, và nếu Z.ai phát hành nó thì phép tính ở trên chính là thứ mà nó sẽ phải vượt qua.

So sánh trong bài viết này3

Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày