GPT-6.1 Terra 对比 GLM-5.5：缺失的模型与可下载的那一个

搜索 GPT-6.1 Terra 与 GLM-5.5，会返回大量看似笃定的表格，而所涉模型根本不存在。Z.ai 从未以 GLM-5.5 这个名称发布过模型卡、API 标识符、价格或权重；其产品目录最高仍只到 GLM-5.3——该模型于 2026 年 8 月中旬发布，开放权重在同月稍晚跟进。相比之下，Terra 于 10 月 26 日发布，如今即可调用。因此，真正的比较是 Terra 对 GLM-5.3——而在这组比较中，两个模型每 token 的成本几乎完全相同，但 Terra 每完成一项任务的成本大约只有前者的五分之一。原因并非定价技巧，而是冗长程度。

GLM-5.5 的状态值得准确说明，因为谣言制造机一直产出颇丰。十月底的报道指向 2026 年 10 月底至 11 月初的发布窗口。泄露的笔记显示，总参数量为 2.5 至 3.5 万亿，高于此前声称的 1T 和 1.6T，并瞄准“Fable-class”性能。Z.ai 本身只表示 GLM-5.4 和 GLM-5.5 将属于万亿参数级，并在 8 月 31 日的财报电话会上提到了 GLM-6.0，但未给出日期。这些都不是产品。四项测试——可调用的 API ID、公布含缓存费率的定价、独立排行榜条目，以及可下载的权重——目前四项均未通过。

实际上位于这一比较另一侧的模型

• GLM-5.3 —— 于 2026 年 8 月中旬发布；以 GLM-5.3 许可证开放权重；总参数量约 750B，每 token 约 40B 激活；100 万 token 上下文；128K 输出；纯文本；默认开启思考模式；标价为每 100 万输入/输出 token 1.40 美元/4.40 美元，或通过 OrcaRouter 为 1.26 美元/3.96 美元。

• GPT-6.1 Terra — 发布于 2026 年 10 月 26 日；权重闭源；1.05M token 上下文；128K 输出；文本和图像输入；六档推理级别；每 100 万输入/输出 token 收费 $1.00/$5.00，输入超过 272K token 后升至 $2.00/$7.50；缓存输入 $0.05。

• 独立智能指数——按 Artificial Analysis 当前评分标准，Terra 48、GLM-5.3 45。

在价目表上，这两者几乎是双胞胎。按 OrcaRouter 的直通价格，GLM-5.3 的费用为 $1.26/$3.96，而 Terra 为 $1.00/$5.00。GLM 的输入价格便宜 26%，输出价格便宜 21%。仅凭这两个数字做选择的团队会选 GLM-5.3，然后就此定案。

按 token 计算，它们的成本相同；按任务计算则不同。

Artificial Analysis 衡量的是每项 Intelligence Index 任务的成本，其中计入了模型为得出答案实际消耗的 token 数量。Terra 的成本约为 $0.40。GLM-5.3 约为 $2.01——尽管其 token 单价更低，成本却是前者的五倍。原因在评测本身中清晰可见：在整个测试套件中，Terra 消耗了约 1.3 亿个输出 token，而 GLM-5.3 约为 2.1 亿个。GLM-5.3 思考时间更长、重复表述更多，并为此在计费表上付出代价。

这是理解这场对比时最值得弄明白的一点，而两款模型发布时的报道往往都跳过了这一点。Token 价格只是成本的输入项，而不是成本本身的衡量标准。一个每 token 便宜 20%、但啰嗦程度高 60% 的模型，每次回答的成本反而高 33%。对于高吞吐量的信息抽取、分类或短答案生成，这种反转会直接决定账单。

这也意味着，比较结果会随负载形态而反转。GLM-5.3 的冗长在短输出场景中危害最大，因为此时推理开销占主导。而在长篇生成中，两个模型无论如何都会产出数千个 token，token 单价的差异便重新凸显，GLM 那 21% 的输出折扣也就变成了实打实的成本节省。

毕竟在哪些方面 GLM-5.3 更值得买

开放权重是显而易见的答案，而且这绝非小事。GLM-5.3 可以下载、自托管、微调，并保留在合规边界内。Terra 做不到。对于受监管行业、气隙部署，或者需要一个模型不再在其脚下不断变化的团队来说，在参考基准测试之前，这就已经一锤定音了。

GLM-5.3 在性价比方面也具备很强的技术实力。它在 Artificial Analysis 的指数上领跑开放权重领域，与 Kimi K3 大致持平，并且在网络安全和漏洞研究方面强得非同寻常——智谱自身的网络评估和 Anthropic 的红队测试都表明，它在漏洞利用发现方面接近前沿模型。在 SciCode 上，它得分 59.0，高于 GPT-6.1 Sol 的 54.2，不过该次运行未列出 Terra。它支持 100 万 token 上下文，并提供约 81% 的缓存折扣，这使得重复的长提示词比标价所显示的更便宜。

它的局限同样明显。它仅支持文本：不支持图像、音频或 PDF。思考始终开启，提供多个推理强度级别，但没有真正的关闭开关。而且，冗长是真实的运营成本，而不只是基准测试的产物——它具体表现为更长的延迟、更高的账单，以及下游流水线中需要过滤的更多 token。

Terra 的制胜之处

Terra 在指数上领先 3 个百分点，优势并不大，而独立测试套件让这一优势显得更小。在 Vals Index 上，Terra 得分为 60.17%，而 GLM-5.3 为 59.73%——0.44 个百分点的差距在噪声范围内，但每次测试成本更高，为 2.92 美元。在 DualEntry 的会计基准测试中，GLM-5.3 的得分高于 Terra 的 78.2%，且成本更低。如果问题是“哪个模型更聪明”，诚实的答案是两者足够接近，你选择哪个基准测试，哪个就会胜出。

Terra 的优势则在别处。它支持图像输入，而 GLM-5.3 不支持。它提供六档推理强度，因此可以把简单流量降到低强度档，而 GLM 始终开启思考的方式无法做到这一点。它的知识截止日期是 2026 年 6 月，而 GLM-5.3 的训练窗口更早。而且它速度很快：在 Artificial Analysis 上输出速度为每秒 90.9 个 token，与 GLM-5.3 处于同一区间；后者的实测吞吐量因提供商和快照不同，从 60 多到 90 多不等。速度加上更低的单任务成本，对交互式产品来说确实是很有力的组合。

272K 的附加费对其不利。超过该输入阈值后，Terra 的价格跃升至 $2.00/$7.50，这完全抵消了它相对于 GLM-5.3 的输入优势，并使输出成本高出 89%。长文档工作流应按附加费计价，而不是按标价。

如果 GLM-5.5 真的落地

思考缺失模型的有效方式，不是“它会得多少分”，而是“必须满足什么条件，它才会改变这个决定”。有三件事：

• 它需要大幅减少冗长程度。一个 2.5T 参数的模型，如果思考得比 GLM-5.3 还要久，那么无论其 token 价格看起来多么有吸引力，在每项任务成本上都会落败。关于参数的传闻在这一点上指向了错误的方向。

• 它需要在发布时就开放权重，而不是等到几周之后。GLM-5.3 的权重在 API 上线约十天后才发布；这样的延迟足以打断一个采购周期。

• 它的定价需要低于 GLM-5.3 的价格，或者能力跃升足够大，足以证明溢价合理。一个按前沿价格提供服务的万亿参数模型，不会低于 Terra 每任务 0.40 美元的价格。

这些都不是预测。它是一份在卡片出现当天要执行的检查清单。在那之前，GLM-5.5 是关注 Z.ai 发布说明的理由，而不是推迟决定的理由。

今天两个都运行

GLM-5.3 已在 OrcaRouter 的目录中，价格为每百万 token 1.26 美元/3.96 美元，即供应商标价以 0% 加价透传，并与200 多个其他模型共用一个密钥，支持自动故障转移。截至发稿，Terra 尚未收录于该目录——它可通过 OpenAI 的 API 和多个第三方平台使用——因此实际实验应通过 OrcaRouter 调用 GLM-5.3、通过 OpenAI 调用 Terra，然后在你自己的流量上比较二者，而不是在排行榜上比较。

当你这样做时，要衡量的是每个已完成任务的 token 数，而不是每个 token 的价格。这才是区分这两个模型的数字，也是两个发布帖都没有放进标题的数字。如果 Terra 用少三分之一的输出 token 完成你的工作负载，它 21% 的输出价格劣势就会消失，而其更便宜的输入费率就会开始产生复利效应。如果 GLM-5.3 的推理能通过更少的重试和更少的人工审核为自己买单，那么每任务账单就会反转。基准平均值表明这两个模型相差几个百分点。而你的 token 计数会告诉你哪一个更便宜。

关于"要不要等"的问题，答案很简单。GLM-5.5 可能几周内就会推出；GLM-5.3 现在就能下载，Terra 现在就能调用。需要开放权重的团队，今天只有一个真正可行的选择；而需要最低"每完成一项任务成本"的团队，则有另一个不同的选择。等待一个连端点都没有的模型，并不会让这两个选择中的任何一个变得更好。