Claude Haiku 5.5 vs GLM 5.3 Flash：在两家厂商都引用的基准测试中势均力敌

让 Claude Haiku 5.5 和 GLM 5.3 Flash跑 Terminal Bench 4.0，你会得到同一个数字：两者都是 0.32828。不是接近——而是完全相同，精确到小数点后五位，在这项该厂商在自己发布材料中主推、Z.ai 的发布材料也同样主推的基准测试上。对于两个建立在完全不同技术栈上、由不同国家的厂商相隔六周发布的模型来说，这种巧合值得停下来想想。

这也是一个不该拿来作决策的数字。这两个模型在其他所有维度上都泾渭分明，而这种分化的模式非同寻常，足以改变你解读任一厂商高调宣称的方式。其中一个赢下了综合指数和每任务成本数据。另一个则几乎赢下了一切看起来像实际部署的方面。

它们不是按能力区分的。它们是按形状区分的。

从那个表明“这些属于同一类模型”的数字开始。

• SciCode——Claude Haiku 5.5 为 0.5498，GLM 5.3 Flash 为 0.5162。Anthropic 得两分，而在一个两分不过是噪声的基准上。

• Terminal Bench 4.0 — 0.32828 对 0.32828。平局，分毫不差。

• 上下文窗口 — 两者均为 100 万 token。

• 输出价格，第一档 — 两者均为每百万 token $0.50。

四行，四个近乎匹配。如果你停在这里，你会得出这些模型可以互换、应按价格挑选的结论。那个结论会是错的，而下一组行正是原因所在。

在它们出现分歧的地方，方向是一致的。

那些确实能将它们区分开的行并非零散分布。它们聚成两组，而每个模型都完全独占其中一组。

该智能体组属于 GLM 5.3 Flash。在 AutomationBench 上，GLM 5.3 Flash 的部分得分读数为 0.6037，而 Claude Haiku 5.5 为 0.3541——相差 25 个百分点，这是这两个模型在任意共同测评项上最大的单项差异。在 Tau-Bench Banking 上，GLM 5.3 Flash 的读数为 0.4722；Claude Haiku 5.5 在该项没有已公布的数值。GPQA 上 GLM 5.3 Flash 的读数为 0.9121；同样没有 Anthropic 的数值可供比较。在衡量一个模型能否将多步骤任务连贯地维持下去、并在结构化领域内可靠地使用工具的指标上，Z.ai 的模型所领先的幅度，远超综合指数上方向相反的那点差距。

综合与成本这一组属于 Claude Haiku 5.5。Artificial Analysis Intelligence Index v4.3.2 的读数为 43.40 对 41.81——相差 1.59 分，这也是每一份关于这场对比的总结都会引用的数字。每完成一个 Index 任务的成本为 0.21 美元对 0.25 美元。每个 Index 任务的挂钟时间为 424.6 秒对 1,035.4 秒：Anthropic 的模型用时不到一半。

这就是这个选择的格局。Claude Haiku 5.5 更快、每完成一项任务成本更低，综合表现也更高。GLM 5.3 Flash 在人们购买廉价模型时所针对的那一类具体工作上更可靠。

该相信哪一个？

单独来看，两者都不成立——而分歧本身就是信息。

智能指数是对推理、科学、编程和智能体类别的加权综合。它的设计目的是用一个单一数字回答“这个模型大致有多强”，而它确实做到了这一点。它做不到的是告诉你，1.59 分的领先优势究竟来自你的工作负载所涉及的类别，还是来自它从不触及的类别。在这里，这一领先优势在很大程度上来自 SciCode 和 Humanity's Last Exam 这类行——0.5498 对 0.5162，以及 0.4439 对 0.3985——而 25 分的劣势则落在 AutomationBench 上，且符号相反。

在终端循环中构建编程助手的团队会注意到 SciCode 的优势。构建一个必须端到端完成银行工作流的智能体的团队会注意到 AutomationBench 的差距，而且每天都会注意到它。这两个团队看着同一个指数，却应该得出相反的结论。

实际做法是把综合评分当作筛选器，而不是排名。如果两个模型相差约两个指数点以内，综合评分只说明它们处在同一档，并没有告诉你该选哪一个。到那时，唯一值得看的就是与你工作负载匹配的那些行——如果某家供应商没有公布你需要的那一行，那么这一缺失本身就是一条数据点，而不是一个可以用假设来填补的空白。

没人会写进对比表的那行：分词器

Anthropic 自己的文档中有一句话，会改变所有涉及 Claude Haiku 5.5 的价格比较，而且很容易被略过。该模型使用与 Claude 4.7 及更高版本共享的较新分词器，对相同文本，它统计出的 token 数比它所取代的模型多约 30%。

把这一点与价目表对照来看，算下来的账就没有标价所暗示的那么漂亮了。Claude Haiku 5.5 的输入费率为每百万 token 0.10 美元，而 GLM 5.3 Flash 为 0.15 美元——前者有 1.5 倍的优势。如果同一提示词要多消耗 30% 的 token，那么在相同文本上的实际优势会明显收窄，尽管并未消失。第一档的输出费率同为 0.50 美元，因此分词器效应在那里会直接体现，没有任何因素将其抵消。

实测结果才是这一说法诚实的版本：按照 Artificial Analysis 自己的核算，Claude Haiku 5.5 每个 Index 任务生成 162,164 个输出 token，而 GLM 5.3 Flash 为 68,673 个——是后者的 2.4 倍——但每个已完成任务的成本仍为 0.21 美元，而后者为 0.25 美元。费率优势在冗长之下依然成立，而它剩下的部分比价目表上说的要小。

这两者中只有一个的费率被标为统一固定。Claude Haiku 5.5 的价格在提示词超过 100,000 token 后会上涨至输入 $0.50、输出 $2.50；而 GLM 5.3 Flash 并未公布相当的阈值。对于大多数聊天和代码辅助类流量而言，这一阶梯永远不会触发。但对于长文档或大上下文的智能体任务，它却会持续触发，而到了那个时候，两者的对比会发生反转，其差距远超第一档数字所显示的程度。

在任何数据说话之前就一锤定音的那句话

以上一切都假定你能够在这两个模型之间自由选择。很大一部分团队做不到这一点，原因就在于规格表中的某一项——基准测试的讨论往往会把这一项埋没。

GLM 5.3 Flash 采用开放权重，以 MIT 许可证发布，总参数 3200 亿，活跃参数 180 亿。它可以被下载、自托管、微调、量化、固定到某个版本，并运行在你掌控的租户环境内。Claude Haiku 5.5 是专有模型，仅提供 API，未公布参数规模，没有许可证，也没有代码仓库。

如果你的需求文档写明，模型必须运行在你们自己的硬件上，或者某个特定检查点必须在未来三年内保持可调用，那么在读到价格栏之前，这场比较就已经结束了。这不是什么技术细节。这正是团队最终会选择开放权重中端模型的最常见原因，也正是为什么 AutomationBench 上 25 个百分点的优势并不是唯一把方向拉向 Z.ai 的因素。

反过来也一样，同样需要这份坦诚。Anthropic 为 Claude Haiku 5.5 公布了不早于 2027 年 10 月的退役承诺，并通过第一方 API 提供该模型，附带系统卡和一套有文档记录的评估集。开放权重的发布并不会自动更持久——你在拿到权重的同时也继承了运维负担，而许可证文件并不是支持合同。你想要这两者中的哪一个，取决于你的团队，而不是取决于模型。

双方同用一个按键，如果你想用实证方式一决高下的话

GLM 5.3 Flash 已收录在 OrcaRouter 目录中，按 Z.ai 的标价提供，加价为 0%，是直接透传而非混合计价，因此上方的费率就是账单上的费率，Z.ai 做出的任何调整都会在同一天落到我们这边。Claude Haiku 5.5 不在我们的目录中——它可通过 Anthropic 自家的 API 访问——与其让它隐而不宣，不如明确说明这一点。

目录真正让事情变简单的，是这场对决实际所需的测试形态。综合指数与智能体条目之间的分歧，是一个关于你工作负载的假设，而要解决它，唯一的办法就是让两个模型跑在同一份 trace 上。当路由上是 GLM 5.3 Flash、同一网关另一侧接的是 Anthropic 时，这就变成改一次配置，而不是做两套集成——一个 API 覆盖 200 多个模型，一个密钥， 自动故障转移在底下兜底，想按任务类别切分流量、从一张账单上读出成本时，还有路由 DSL 可用。

结论，以数据所能支撑的方式陈述

如果你的工作是文本输入、文本输出，你的提示词停留在第一档定价内，并且你是按 token 为真实用量付费，那么 Claude Haiku 5.5 在这里是更好的模型：综合得分更高，每个已完成任务的成本更低，而且每个任务的速度快一倍以上。终端基准测试的头条数字不分胜负，不应被用来决定任何事情。

如果你的工作是一个必须在无人监督下完成多步骤工作流的智能体，那么 GLM 5.3 Flash 在唯一一个恰好衡量这一点的共享基准测试上领先 25 分，而且由于你可以持有权重，它是两者中修改成本更低的那一个。

0.32828 处的并列正是这对模型的合适写照，但并不是因为这两个模型相等。它是唯一一行：两个几乎再无其他共同点的模型恰好落在同一个数字上——而把这个数字当作比较的总结，正是采购决策会基于表中最不具信息量的数字作出的原因。