GLM 5.3 Prime vs GLM-5.3-Flash: Khoảng cách giá gấp 18 lần giữa hai mô hình khác nhau

Đây là so sánh trong một dòng, dành cho bất kỳ ai đến với quyết định mua hàng đã gần như chốt sẵn: GLM 5.3 Prime chính là GLM-5.3 với trọng số hàng đầu của nó, được bán qua một tầng phục vụ tăng tốc ở mức $2.80 và $8.80 mỗi triệu token, và GLM-5.3-Flash là một mô hình riêng biệt, đa phương thức nguyên bản, có trọng số mở riêng ở mức $0.15 và $0.50. Khoảng cách giữa chúng là khoảng mười tám lần ở cả đầu vào lẫn đầu ra. Đó không phải là sự khác biệt về tầng lớp — mà là một mô hình khác ở một vị trí khác trong dòng mô hình, và lý do duy nhất khiến hai cái tên nằm cạnh nhau trong một danh sách mô hình là cả hai đều xuất hiện trong vòng sáu tuần của nhau.

Hiểu sai điều này sẽ rất tốn kém theo cả hai hướng. Coi Flash là một phiên bản giá rẻ của Prime thì bạn sẽ bất ngờ vì những gì nó không thể làm được. Coi Prime là một Flash nhanh hơn thì bạn sẽ phải trả cao hơn gấp mười tám lần cho một mô hình không thể nhìn thấy hình ảnh.

Hãy bắt đầu với việc mỗi thứ thực sự là gì.

GLM-5.3-Flash là một mô hình mixture-of-experts đa phương thức với 320 tỷ tham số, 18 tỷ tham số hoạt động, được phát hành vào ngày 26 tháng 8 năm 2026 theo giấy phép MIT, với trọng số trên Hugging Face và ModelScope. Nó chấp nhận văn bản, hình ảnh, video và tệp một cách gốc ngay trong cùng một yêu cầu, sở hữu cửa sổ ngữ cảnh 1.000.000 token và giới hạn đầu ra 128.000 token, đồng thời được tiền huấn luyện riêng biệt thay vì chưng cất từ mô hình chủ lực. Thiết kế attention lai tuyến tính kết hợp thưa (linear-plus-sparse) của nó cắt giảm tính toán attention khoảng ba lần và thu nhỏ KV cache hơn bốn lần so với GLM-5.3, và đó chính là nguồn gốc lợi thế chi phí của nó ở cấp độ kiến trúc, chứ không phải đến từ một khoản giảm giá.

GLM 5.3 Prime chính là GLM-5.3 — một mô hình hỗn hợp chuyên gia thưa với 40 tỷ tham số hoạt động, được công bố vào ngày 14 tháng 8 năm 2026, xuất hiện trên API từ ngày 18 tháng 8 và mở trọng số vào ngày 25 tháng 8 — được phục vụ qua một luồng tốc độ cao. Vẫn cùng cửa sổ ngữ cảnh 1.000.000 token, cùng giới hạn đầu ra 131.072 token, đầu vào là văn bản và đầu ra là văn bản, bắt buộc phải suy luận ở mức thấp, cao hoặc tối đa với tối đa là mặc định. Tài liệu của chính Z.ai không liệt kê SKU Prime nào; hạng này tồn tại trên một nền tảng bên thứ ba, nơi nêu tên một nhà cung cấp thượng nguồn duy nhất đứng sau nó.

Bảng tỷ số

• Giá — GLM 5.3 Prime $2,80 / $8,80 mỗi 1M so với GLM-5.3-Flash $0,15 / $0,50 mỗi 1M
• Đầu vào được lưu đệm — $0,56 mỗi 1M so với $0,03 mỗi 1M
• Hệ số nhân — khoảng 18× trên đầu vào và đầu ra, trước mọi bước lưu đệm
• Phương thức — chỉ văn bản so với đầu vào văn bản, hình ảnh, video và tệp
• Tham số — 40B hoạt động trên MoE hàng đầu so với tổng 320B / 18B hoạt động
• Trọng số — mở, theo giấy phép riêng có ngưỡng doanh thu so với MIT, có thể tải xuống ngay hôm nay
• Đầu ra tối đa — 131.072 token so với 128.000 token
• Ngữ cảnh — 1.000.000 token ở cả hai
• Intelligence Index — GLM-5.3 đạt 45 trên chỉ số v4.3.2; GLM-5.3-Flash đạt 42
• Chi phí mỗi tác vụ Index — $2,01 cho bản hàng đầu so với $0,25 cho Flash
• Tốc độ — khoảng 61 token đầu ra mỗi giây so với khoảng 46, cả hai đều là trung vị được đo độc lập
• Quyền truy cập thuê bao — Prime không có trong Coding Plan của Z.ai; Flash thì có, với hạn mức gấp 3×

Hai hàng trong danh sách đó xứng đáng được đề cập kỹ hơn là chỉ một gạch đầu dòng. Điểm đầu tiên là khoảng cách về trí tuệ: ba điểm trên Artificial Analysis Intelligence Index, 45 so với 42, theo bản sửa đổi v4.3.2. Một bản sửa đổi trước đó của cùng chỉ số này đặt các mô hình đó ở mức 60 và 57, và cặp số cũ đó vẫn lan truyền rộng rãi trong các bài đưa tin ra mắt — đừng trộn lẫn hai cặp số này, vì các con số không thể so sánh được giữa các bản sửa đổi. Ba điểm là một khoảng cách hẹp, thể hiện ở việc trôi lệch nhiều hơn một chút trên các chuỗi tác tử rất dài và nhạy cảm hơn với các chỉ dẫn mơ hồ, chứ không phải là một lớp mô hình khác.

Yếu tố thứ hai là tốc độ, và nó đảo ngược trực giác mà những cái tên tạo ra. Flash chậm hơn trong hai mẫu khi đo độc lập — khoảng 46 token đầu ra mỗi giây so với 61 của mẫu chủ lực, trong một phân khúc mà mức trung bình là 67. Flash xứng với tên gọi của nó nhờ giá cả và khả năng đa phương thức, chứ không phải độ trễ. Điều đó quan trọng cho so sánh này, vì lý do thường thấy để chọn một mô hình nhỏ là nó trả lời nhanh hơn, còn ở đây thì không.

Quyết định mà thực sự thuộc về bạn để đưa ra

Vì hai mô hình khác nhau trên ba trục cùng lúc — phương thức, giấy phép và giá — nên lựa chọn thường được giải quyết ngay ở trục đầu tiên và không bao giờ đi tới phần tính toán. Flash đọc được hình ảnh và video; Prime không đọc được gì ngoài văn bản. Nếu khối lượng công việc của bạn có liên quan đến ảnh chụp màn hình, một trang được quét, một ảnh chụp giao diện người dùng hay một khung hình video, thì việc so sánh kết thúc trước khi giá được đưa vào bàn, và bạn đang mua Flash.

Nếu khối lượng công việc của bạn thuần túy là văn bản và câu hỏi thực sự là về chất lượng, thì câu trả lời trung thực là khoảng cách chỉ số ba điểm chính là toàn bộ thứ bạn đang mua với mức 18×. Liệu điều đó có đáng hay không phụ thuộc hoàn toàn vào việc bạn có thể kiểm chứng đầu ra hay không. Ở những nơi câu trả lời có thể kiểm tra được — mã biên dịch được, một truy vấn trả về các hàng, một trích xuất có cấu trúc xác thực được theo schema — thì sai sót thỉnh thoảng của Flash rất rẻ để phát hiện và rẻ để thử lại, và với một phần mười tám mức giá, bạn có thể thử lại rất nhiều lần. Ở những nơi đầu ra là văn xuôi mà một người phải đánh giá, hoặc một kế hoạch dài nhiều bước không có bước kiểm tra trung gian, thì khoảng cách khó khắc phục hơn và việc trả thêm dễ biện minh hơn.

Nơi các trọng số mở thay đổi bài toán

Flash được cấp phép theo MIT, và mức lượng tử hóa nhỏ nhất có thể dùng được của nó cần khoảng 93 GB bộ nhớ tăng tốc — với nhiều đội, đó là một nút bộ nhớ lớn duy nhất, còn với một số bên, nó chỉ là sai số làm tròn trên hóa đơn. GLM-5.3 mang một giấy phép riêng yêu cầu các nhà vận hành model-as-a-service quy mô lớn có doanh thu vượt một ngưỡng nhất định phải trải qua đánh giá an ninh, và mức lượng tử hóa thực tế nhỏ nhất của nó vào khoảng 217 GB, tức là một triển khai đa nút đối với hầu hết mọi người.

Sự bất đối xứng đó có nghĩa là so sánh thực sự đối với một nhóm có khối lượng lớn không phải là 8,80 đô la của Prime so với 0,50 đô la của Flash. Mà là 8,80 đô la của Prime so với chi phí khấu hao trên mỗi triệu token đầu ra của chính bạn trên phần cứng bạn đã sở hữu, chạy các trọng số bạn có thể tải xuống ngay hôm nay mà không cần thảo luận về giấy phép. Đối với một nhóm có phần cứng và khối lượng như vậy, con số đó thường là nhỏ nhất trong ba, và nó chỉ có sẵn ở phía Flash của so sánh này.

Mua cả hai, và mua chúng cùng nhau

Hầu hết các hệ thống production không cần phải chọn. Mẫu phù hợp với cặp này là một router: Flash trên đường dẫn mặc định cho công việc văn bản và đa phương thức, mô hình hàng đầu để leo thang khi một tác vụ dài hạn hoặc lần thử đầu tiên không vượt qua kiểm tra. Đó là hai ID mô hình và một hàm quyết định, và chi phí khi phân chia hơi sai chỉ là vài xu mỗi nghìn yêu cầu chứ không phải là một vấn đề kiến trúc.

Chúng tôi cung cấp GLM-5.3-Flash ở mức $0.07 và $0.25 mỗi triệu token — thấp hơn mức $0.15 và $0.50 trong bảng giá của chính nhà cung cấp — và GLM-5.3 theo mức giá niêm yết của nhà cung cấp là $1.40 và $4.40, cả hai đều không có phụ phí nào từ phía chúng tôi — giá niêm yết của nhà cung cấp được chuyển thẳng qua thay vì định giá lại, nên khi nhà cung cấp thay đổi mức giá thì nó đến phía chúng tôi ngay cùng ngày với họ. Cả hai ID nằm sau một khóa duy nhất cùng với hơn 200 mô hình khác, khiến việc nâng cấp từ Flash lên flagship chỉ còn là đổi tên mô hình trong cùng một luồng gọi thay vì phải tích hợp thêm một lần nữa. Tự động chuyển đổi dự phòng xử lý trường hợp nhà cung cấp thượng nguồn duy nhất đằng sau một tầng nhanh bị suy giảm, và với một tầng như Prime, vốn chỉ niêm yết đúng một nhà cung cấp, đó không phải là mối lo giả định.

Chúng ta nên nói thẳng về những giới hạn của điều đó: OrcaRouter không host GLM 5.3 Prime, và chúng tôi cũng không host GLM-5.3-FlashX. Cả hai trang mô hình đều trả về 404 tại đây. Nếu thứ bạn cần là khả năng tăng tốc của Prime, bạn sẽ mua nó từ nền tảng bán nó.

Điều mà chúng tôi thực sự sẽ nói với bạn

Nếu bạn đã đọc đến tận đây để tìm người thắng cuộc, thì câu trả lời là cặp này chưa từng là một cuộc so tài. Flash thắng về chi phí, về phương thức, về giấy phép và về khả năng triển khai, và thắng cả bốn hạng mục với cách biệt lớn. Tuyên bố duy nhất của mẫu flagship là ba điểm chỉ số và khoảng 15 token đầu ra mỗi giây nhiều hơn, đổi lại nó tính giá cao gấp mười tám lần. Với phần lớn khối lượng công việc văn bản, Flash là lựa chọn mặc định đúng đắn, còn nghĩa vụ chứng minh thuộc về lựa chọn đắt đỏ.

Chỗ cần cẩn trọng là ở khoảng giữa. Một đội cần chất lượng suy luận hàng đầu trên văn bản và cũng cần đọc hình ảnh sẽ rốt cuộc phải chạy cả hai mô hình, và sự cám dỗ là định tuyến mọi thứ đến mô hình hàng đầu vì đó là mô hình có danh tiếng. Đó là lúc 18× lặng lẽ trở thành một khoản mục chi phí thực sự. Hãy định tuyến công việc đa phương thức đến Flash, chuyển lên mô hình cao hơn khi thất bại, và kiểm tra tỷ lệ chuyển lên thực tế của bạn là bao nhiêu trước khi bạn cho rằng nó cao.