MIDM K 3.0 Pro vs GLM-5.5：这场对比不得不借用模型

这场对比中有一半并不存在。并不存在名为GLM-5.5的模型：Z.ai 从未宣布过它、为其定价、发布过它的模型卡，或以此名称发布过权重，而且该公司自己的产品线止于 2026 年 8 月发布的 GLM-5.3。因此，一个题为“MIDM K 3.0 Pro vs GLM-5.5”的页面有三种选择——编造一份规格表、拒绝撰写，或将该韩国模型与人们实际可以调用的 Z.ai 旗舰模型进行比较，同时解释 5.5 这个名称指的是什么。本文选择第三种。Mi:dm K 3.0 Pro，KT 自 2026 年 10 月 29 日起以每百万输入 token 0.20 美元、每百万输出 token 0.80 美元的价格提供服务，下面将其与GLM-5.3进行比较——后者是 Z.ai 于 2026 年 8 月 14 日发布的 7500 亿参数文本旗舰模型——并首先回答 GLM-5.5 的问题，因为通过输入那个名称来到这里的读者理应知道自己正在看什么。

GLM-5.5 是什么，以及这个名字为何频频出现

这个名字来自一份预测，而不是来自一款产品。2026年6月转述的一位分析师的预测认为，Z.ai的下一款旗舰产品将在8月推出；为其选定的编号是5.5，而对比页面、定价指南和发布追踪器都是依据这一猜测编写的。8月到了，Z.ai却发布了GLM-5.3——8月14日宣布，API约在8月18日上线，开放权重于8月28日发布，随后GLM-5.3-Flash于8月26日推出。这一预测在编号和模型上都错了。

此后，命名在两个方向上一直悬而未决。GLM-5.3、GLM-5.4、GLM-5.5 和 GLM-6 都曾在同一时间段被提及，而 Z.ai 未确认其中任何一个；当前旗舰仍是 GLM-5.3，厂商自己的模型页面恰好列出了三张卡片——GLM-5.3、GLM-5.3-FlashX 和 GLM-5.2。任何发布 GLM-5.5 价目表或基准测试表的人，都是在发布一个附有型号的猜测。

这不是跳过比较的理由。这恰恰是拿它来对照现成模型的理由，而本页其余部分所做的正是这件事。

这两个模型，就现有数据而言

• 参数 — GLM-5.3 是一个拥有 7530 亿参数的混合专家模型，这一数字读取自 Z.ai 自己公开的仓库中的 safetensors 元数据，而非来自新闻稿。根据 KT 自己的模型卡，Mi:dm K 3.0 Pro 总参数量为 1200 亿，每个 token 激活 120 亿参数。Z.ai 模型的规模是它的六倍，而且由于其激活参数量没有以相同形式公布，更有用的比较方式是将总容量与一个刻意较小的激活切片进行比较。

• 上下文与输出 — GLM-5.3 可读取 1,000,000 个 token，最多返回 128,000 个。Mi:dm K 3.0 Pro 可读取 261,795 个，最多返回 235,615 个。一方在输入上胜出，另一方在输出上胜出，且两者均以较大优势领先。

• 模态——两者都是文本输入、文本输出。二者均不接受图像、音频或文件。在这一维度上，它们完全相同，这在2026年的对决中很罕见，也使比较比大多数情况更清晰。

• 价格 — 在 Z.ai 的价目表上，GLM-5.3 为每百万 tokens 输入 $1.40、输出 $4.40，缓存读取为 $0.26。Mi:dm K 3.0 Pro 则为 $0.20 和 $0.80，缓存读取为 $0.04。输入价格便宜七倍，输出便宜五倍半。

• 推理控制——GLM-5.3 的思考始终开启，无法禁用；传入禁用标志会导致请求失败。深度通过 reasoning_effort 设置为 low、high 或 max，默认值为 max。Mi:dm K 3.0 Pro 暴露一个推理标志并单独返回推理轨迹，且没有公开的推理强度等级。

• 工具调用 — GLM-5.3 将工具、tool_choice 和并行工具调用列为支持的参数，并记录了原生函数调用。Mi:dm K 3.0 Pro 的目录条目则完全没有列出工具参数。

• 独立评分 — GLM-5.3 在 Artificial Analysis Intelligence Index 上得分为 44.8，在 Vals Index 上以 53.51% 位列第十六，每项指数任务的实测成本为 2.01 美元。Mi:dm K 3.0 Pro 在该指数上没有任何记录。

• 权重 — GLM-5.3 可在 GLM 许可证下从 Z.ai 自有的 Hugging Face 组织下载。Mi:dm K 3.0 Pro 完全不开源；KT 的公开仓库止步于 2025 年的 Mi:dm 2.0 一代。

比一个有得分的模型便宜五倍半

以 2026 年的前沿标准来看，44.8 分的 GLM-5.3 属于中游水平的模型——稳稳落在 Gemini 4 Argon（52.6）与 Claude Opus 5.5（58）所处的五十五分上下区间之下，又远高于 36 分的 DeepSeek V4 Pro。这样的分数说明：一个模型在通用推理上足够称职，而在它被专门调优的方向上表现强劲；对 GLM-5.3 来说，这个方向就是仓库级编码与长周期智能体任务。

Mi:dm K 3.0 Pro 没有得分。这种缺失正是价格差距中的全部风险，而具体说明要朝另一个方向缩小差距需要什么，是值得的。要让这款韩国模型在可核查任务上成为更划算的选择，它需要在每美元有用性上落在距 44.8 约五点五分以内的范围。一个 120B 模型、激活参数 12B，定价为 Z.ai 费率的七分之一，显然并非超出该区间——小模型全年都在逼近大模型，而混合架构正是为长上下文效率而设计，这正是 GLM 系列用原始规模来应对的方面。

但“并不明显超出范围”并不是证据。GLM-5.3 的 44.8 是固定评测框架针对已上线端点运行所得的结果；Mi:dm K 3.0 Pro 的缺席，则是一款已计费十三天的模型所带来的结果。正确的判断是：便宜模型是价格不错但尚属未知，昂贵模型则是成本五倍的已知量。

GLM-5.3 更大的体量究竟体现在哪里

三个地方，而它们正是决定大多数制作选择的那三个。

背景。100 万 token 对 262K 是这些模型之间最大的单一差异，而且当工作负载需要时，这是无法通过工程手段绕开的差异。一个持有 monorepo 的 agent、一个不断累积工具结果的研究任务，或一个阅读文档集的法律审查，都会触达 262K 并继续下去。分块是变通办法，而分块正是交叉引用推理消亡之处。如果你的提示词经常超过 250K token，那么 Mi:dm K 3.0 Pro 并不是更便宜的选择——它是一个不同的、更小的产品。

GLM-5.3 的文档记录了兼容 OpenAI 接口下的原生函数调用，支持并行调用和结构化 JSON，并且它明确是为自主多步工程而构建的。任何智能体循环都依赖工具调用的可靠性，而不只是具备该能力，而 Z.ai 已在 GLM-5 系列中持续提供这项能力一年。KT 则完全没有为这个模型记录该能力。对于编码智能体来说，仅这一差异就足以在考虑价格之前决定选择。

权重。GLM-5.3 可以下载、自行托管并进行微调。对于有任何数据驻留要求、许可限制，或需要在自己的硬件上评估模型的人来说，这一点很重要。Mi:dm K 3.0 Pro 仅提供 API，因此唯一的评估途径就是供应商的端点——这在韩国会产生实际后果：公共部门和受监管的采购方往往根本无法将文本发送到外国 API，而在韩国，本土托管的韩语模型正是最初考虑 KT 的全部理由。

当韩国模型的价格不再是头条时

两个结构性细节使“便宜七倍”这一说法不像字面上那么有决定性。

首先是冗长性。GLM-5.3 的思考始终开启，并默认以最大强度运行，这意味着无论任务是否需要，它都会在每次请求中消耗推理 token——这就是为什么其每项索引任务成本 2.01 美元高于价目表所暗示的水平，也是为什么用它运行完整索引测试套件的成本为 2,503 美元，而 Gemini 4 Argon 在名义上 token 单价更高的情况下为 2,407 美元。Mi:dm K 3.0 Pro 的推理轨迹可以开关，因此在简单分类任务上，这款韩国模型每次回答的 token 数可能远低于其竞争对手。在困难推理上，情况则反转：由于没有公开的努力等级阶梯，就无法购买更多思考量，只能选择开或关。

第二点是折扣。KT 自己的 Token Factory 页面目前显示，输入价格为 ₩190，对比划线价 ₩271；输出价格为 ₩759，对比 ₩1,085——这是在美元标价基础上的 30% 促销折扣，使实际费率降至 $0.14 和 $0.56。GLM-5.3 的 $1.40 和 $4.40 是标准价目表。基于 $0.14 编制的预算应在签署前按 $0.20 重新测算，因为发布促销并不等于价格。

还有一个缓存细节会缩小长时间运行的智能体中的差距：GLM-5.3 读取缓存输入的价格为 $0.26，Mi:dm K 3.0 Pro 为 $0.04。两者都大约是其自身基础费率的五分之一，因此在缓存 token 上，价格比保持在大约便宜六倍，而不是七倍——这已经足够接近，主要结论仍然成立，但如果你的大部分输入是重复前缀，这一点值得了解。

韩语文本与用所有数据训练的模型对比

Z.ai 训练 GLM-5.3 用于软件工程和智能体任务，以中英文为其重心。KT 则早在 Mi:dm 2.0 于 2025 年以 12B 和 2B 的开源双版本发布之前，就一直专门为韩语训练 Mi:dm 系列，其企业宣传材料将该系列描述为针对韩国社会、文化及专业领域知识进行调优。

在韩语语料上，这一差异是更倾向于选择较小模型的最合理理由，而且它可以以通用指数无法做到的方式进行衡量。从你自己的韩语流量中抽取几百条——支持对话记录、监管申报文件、内部工单——并用一个你已经信任的标准答案来给两个模型的结构化输出打分。测试中韩语模型那一半只需几美分，GLM-5.3 那一半则要几美元。结果会比两家厂商的营销宣传更能告诉你该用哪个模型来做韩语工作。

在英文代码上，这种调优毫无价值，而 GLM-5.3 的 44.8 分及其有文档支持的工具调用，是更强的起点。

给他们打电话，以及路由器无法解决的一件事

GLM-5.3 已在 OrcaRouter 上线，模型标识为 z-ai/glm-5.3，每百万 token 输入 $1.26、输出 $3.96 —— 低于 Z.ai 自家 $1.40 和 $4.40 的价目，我们这边不加价，缓存读取为 $0.26。它与 Gemini 4 Argon、Claude Opus 5.5 以及 超过 200 个其他模型共用同一把密钥，这意味着 Z.ai 系列、Google 系列和 Anthropic 系列可以在同一个脚本内比较，并通过更改模型字符串来切换。

Mi:dm K 3.0 Pro 不在我们的路由上。它仅由 KT 提供，而单一供应商模型就是单点故障：为其引用的可用性数字衡量的是过去一天内一家公司的端点，一旦请求失败无处可转。如果你的工作流依赖它，兜底方案就必须落在你自己的代码里——而合理的兜底是选择与其他一切共用同一密钥的模型，这样一次超时就不会把你推去签第二家供应商的合同。

在 GLM-5.5 的问题仍未定论之际，这就是这一对比的实际形态。凡是智能体类任务、长文本任务，以及独立评分构成部分论证依据的任务，都将 GLM-5.3 放入路由路径。对于大批量、可核查的韩语层级——其价格确实在发挥实际作用——则将 Mi:dm K 3.0 Pro 置于带硬性超时的直接调用之后。当 Z.ai 真的发布下一款旗舰模型时，路由规则只需改一个字符串；当 KT 发布基准测试时，决策的另一半也会随之改变。

什么会使这个页面过时

只有两件事——而且仅有两件——能让“GLM-5.5”从预测变成真正的讨论对象：Z.ai 发布附带模型卡和价格条目的公告，或发布带有该版本号的权重。这两件事都尚未发生，当前旗舰仍是 GLM-5.3，GLM-5.3-Flash 和 FlashX 位列其旁。

另一方面，Mi:dm K 3.0 Pro 需要一份已发布的评测——无论是厂商的还是独立第三方的——才能从“便宜且不知名”转变为团队可以据此规划的东西，而目前还不存在这样的数字。在出现之前，比较仍如原文所述：一款经过实测的 Z.ai 旗舰，价格是它的五倍半；一个架构有趣且享有促销价的韩国模型；以及一个只存在于预测中的版本号。