为 Claude Opus 5.5 与 GLM-5.4 生成了一张标题卡,其中包含三个标签,分别写着“GLM-5.4:无此模型”“GLM-5.3 开放权重,2026年8月18日”和“Opus 5.5 正式发布(GA)2026年9月22日”,页脚注明已于2026年11月19日核查 Z.ai 文档和 Hugging Face。OrcaRouter 标志位于右下角。
Guides & Insights

Claude Opus 5.5 对比 GLM-5.4:便宜的 Token 并不等于便宜的任务

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

模型选型中最昂贵的错误,是拿价目表来比较,而不是比较最终完成的任务。Claude Opus 5.5 每百万输入 token 收费 4 美元,每百万输出 token 收费 20 美元。GLM-5.3——Z.ai 实际发布的模型,也是任何输入“GLM-5.4”的人真正在找的模型——收费分别为 1.40 美元和 4.40 美元。单看标价,这个中国开放权重模型的价格大约只有五分之一。但按 Artificial Analysis 自己对完成一项任务所需成本的测算,这一差距缩小到了 2 倍。真正构成这次对比核心的,是这一差距的缩小,而不是价目表。

首先,说说名称。GLM-5.4 并不存在。Z.ai 的文档索引将 GLM-5.3 和 GLM-5.3-Flash 列为当前文本模型,该实验室的 Hugging Face 组织中没有名称含“5.4”的仓库,而且 11 月 19 日在 Hub 上进行全文搜索没有任何结果。这个编号只是一个搜索词,并非已发布版本。GLM-5.3 于 2026 年 8 月发布——按 Artificial Analysis 的发布日期是 8 月 18 日,权重自 8 月 25 日起在 Hub 上提供——下文所有说法所指的正是这个模型。

GLM-5.3 是什么,以及它的价格是多少

GLM-5.3 是 Z.ai 的开放权重文本旗舰模型。它与 GLM-5.2 使用相同的基座模型,所有提升都来自后训练,因此许可证和架构保持不变,改进也恰好集中在两个地方:复杂编程和长时程智能体任务。它拥有 100 万 token 上下文、128K 最大输出、纯文本输入,并且推理无法关闭——共有三档推理强度,低、高和最高,默认使用最高。

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.

• 价格 — Claude Opus 5.5 输入 $4.00 / 输出 $20.00 / 缓存读取 $0.20,对比 GLM-5.3 $1.40 / $4.40。

• 权重——仅提供封闭 API,还是在 Hugging Face 上以 Apache 式开放发布、可下载并自托管。

• 上下文 — 两者均为 1M tokens,两者最大输出均为 128K。

• 推理强度控制——Opus 5.5 运行无法禁用的自适应思考,默认 medium,而 GLM-5.3 的推理始终开启,默认 max。

• 智能指数 —— 在 v5.0.1 修订版上为 59.1 对 31.7,相差 27.4 分。

• 每项 Index 任务的成本 — 10.04 美元 vs 5.01 美元,差距为 2 倍,而非标价所暗示的 4.5 倍。

• 模态 — 文本与图像输入 vs 仅文本输入。

为什么4.5倍的价格优势会变成2倍的成本优势

Artificial Analysis 让两个模型跑完了同一套 Index 测试,并统计了各自消耗的 token 数量。Claude Opus 5.5 在整个测试套件中生成了 2.18 亿个输出 token,GLM-5.3 则生成了 1.35 亿个。这与大多数人的预期方向相反——在这里,价格更高的模型反而是更啰嗦的那个——但真正关键的比例是相对于价格的比例,GLM-5.3 那 1.6 倍的 token 优势,远不足以抵消它在另一方向上 4.5 倍的每 token 价格优势。

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.

像做预算那样算这笔账。在两项模型消耗相同 token 数的任务上,GLM-5.3 便宜 4.5×。实际上,Opus 5.5 每消耗 1 个 token,GLM-5.3 约消耗 0.62 个 token,因此在计入输入 token 之前,有效比率接近 2.8×;而实测的每任务成本为 $5.01 对 $10.04,使其达到 2×。这仍然是实实在在的节省——大约一半——但一半与五分之一是不同的决策。一个按标价做预算、却拿到 2× 账单的团队,会构建错误的商业论证。

有一个二阶效应值得特别指出,因为它让不止一个团队栽了跟头:GLM-5.3 的推理默认设置为 max。如果迁移只替换模型 ID,却保持推理默认值不变,就会得到该模型最昂贵、最慢的配置,而冗长恰恰就源于此。Z.ai 自己的迁移说明明确指出,不再支持禁用推理,并且 low必须刻意设置。

能力差距是真实存在的,而且并不均衡。

27 分的指数差距听起来足以直接淘汰,而在通用知识工作中,这几乎确实如此。但各基准测试的分数沿着一条比综合分数更重要的分界线,将这两个模型区分开来。以下所有数据均来自 Artificial Analysis,使用同一测试框架,且两个模型均处于各自的最高强度设置。

• Terminal-Bench 4.0 — 59.6% 对比 41.9%。在智能体终端任务上相差 18 个百分点。

• FrontierCode-AA 2.0 — 46.4% 对 21.6%。Opus 5.5 达到 GLM-5.3 的两倍以上。

• Terminal-Bench-Science 0.1 — 59.0% 对 9.5%。这是榜单上最大的差距,堪称一场碾压。

• HLE-Diamond — 67.9% 对比 17.9%。

• AA-Omniscience — 准确率为 65.5% 时为 48.1,而准确率为 32.3% 时为 6.0。

• GDPval-AA v2.1 — 1866 Elo 对 1655,是该组中差距最小的,为 211 分。

• ITBench-SRE — 38.2% 对 46.1%,这是 GLM-5.3 少数胜出的场景之一。

• LCR(长上下文推理)——84.7% 对 79.7%。

这个规律是:GLM-5.3 在长上下文推理和站点可靠性任务上表现稳健,但在科学密集型终端工作和知识回忆上表现不佳。如果你的工作负载是对长上下文进行文档分析,27 分的综合得分会夸大这一差距。如果是在不熟悉的代码仓库上进行智能体编程——这正是两家厂商都在宣传的场景——综合得分则会低估这一差距。

Z.ai 发布的厂商对比表比较的是 Opus 4.8,而不是 Opus 5.5

在信任你在任何图表中看到的 GLM 与 Claude 对比数据之前,这一点值得了解。Z.ai 的 GLM-5.3 模型卡中有一张基准测试表,包含“Opus 4.8”列和“Fable 5 (w/ fallback)”列。Claude Opus 5.5 在 GLM-5.3 发布五周后推出,并未出现在其中。这并非不诚实——该表是在 5.3 发布时制作的,当时 Opus 5.5 尚不存在——但这确实意味着大多数人正在寻找的那项对比从未被任何一家厂商发布过,而目前唯一可得的同一测试框架下的数据,就是上面那些独立数据。

Z.ai 自己公布的数据中确实有一项值得认真对待的说法,因为它指向了这款开放权重模型的真正优势:在其漏洞发现基准 CyberGym 上,GLM-5.3 得分 84.5,而 Opus 4.8 为 78.1。模型卡将这一提升描述为“涌现式”——随着后训练规模扩大,网络能力提升得比团队预期更快——并且其漏洞利用基准的得分较 GLM-5.2 增长了一倍以上。Anthropic 于 9 月 29 日发布了一份关于 GLM-5.3 网络能力的分析,而厂商通常不会对竞争对手的开放权重发布做这种事。如果你从事的是防御性安全工具相关工作,这就是这款开放模型真正领先的一个维度,也是开放权重最重要的一个维度:你可以在自己的基础设施上运行分类器,而不是把与漏洞利用相关的提示发送到别人的 API。

开放权重真正改变决策的地方

以上所有内容都是能力与成本比较,而在这两方面,Claude Opus 5.5 在大多数工作中都胜出。GLM-5.3 仍会被部署的原因与这两者都无关:而是因为 5.3 系列模型可以下载、在你自己的网关后面运行,并且从不离开你的网络。

有三种具体情况会让这一点比 27 个指数点更重要。受监管的数据无法跨越司法辖区边界,在这种情况下,选择要么是 GLM-5.3,要么别无选择。在大规模分类场景中,对基础模型进行 3 亿参数的微调,就能在你的标签上以远低于每次调用成本的成本胜过通用模型。还有网络安全相关工具,在这里,基准优势与自托管要求指向同一方向。

至于其余部分,诚实的建议是让路由决策尽量低成本。两个模型共用同一个 OrcaRouter 密钥——anthropic/claude-opus-5.5和 z-ai/glm-5.3——均按供应商标价 0% 加价,这一点对 Z.ai 一侧比对 Anthropic 一侧更重要,因为 Z.ai 在 2026 年对这条产品线做了两次调价。把高流量、低风险的调用批次交给 GLM-5.3,把规划循环交给 Opus 5.5,并让故障转移来覆盖廉价层级供应商某天状态不佳的情况。路由 DSL 让这件事只需改一次配置,而不是做两套集成;预算里该写的是每任务混合成本,而不是任何一个标价。

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.

答案,名字已定

Claude Opus 5.5 是更适合智能体编程、科学密集型终端工作以及任何重视召回效果的场景的模型。每完成一项任务,它的成本约为 GLM-5.3 的两倍,而不是四倍半;对于两家厂商宣传的工作负载来说,这一差价是值得的。

当模型权重必须掌握在自己手中,当工作负载是长上下文推理或值班分诊,或者当任务是网络防御时,GLM-5.3 就是正确的选择。它是一款真正接近前沿水平的开源模型,价格也确实低廉;其最大弱点——科学终端类工作仅 9.5%——范围足够狭窄,以至于一次针对具体工作负载的评估就能在一个下午告诉你,它对你是否重要。

GLM-5.4,即标题中的那个模型,并不在讨论范围内。它只是一个背后并无实际发布的版本号,而如果 Z.ai 真的发布它,那么上面这套算术就是它必须超越的基准。

本文中的对比3

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新