一张生成式标题卡,内容为“Hy4 flash 对比 GLM-5.3-Flash”,副标题是“更便宜的那个模型,恰恰是你下载不到的那个”,价格行显示“每百万 token:$0.070 / $0.281 / $0.003,对比 $0.15 / $0.50 / $0.03”,页脚显示“Hy4 flash 于 2026 年 11 月 16 日发布;GLM-5.3-Flash 于 2026 年 8 月 26 日开源。”
Guides & Insights

Hy4 flash 对比 GLM-5.3-Flash:更便宜的模型,是你无法下载的那一个

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

Hy4 flash 和 GLM-5.3-Flash 面向同一类买家——想要百万 token 上下文窗口、图像输入和智能体级工具调用,又不想支付旗舰级价格的人——而它们给出的价目表几乎一模一样。腾讯于 2026 年 11 月 16 日发布的 Hy4 flash,每百万输入 token 收费 0.070 美元,每百万输出 token 收费 0.281 美元,缓存输入为 0.003 美元。智谱于 2026 年 8 月 26 日推出并开源的 GLM-5.3-Flash,标价为 0.15 美元、0.50 美元和 0.03 美元。腾讯在输入价格上约为其一半,输出价格略高于一半,缓存输入便宜十倍,而这一项往往决定大多数智能体的预算。它也是那个没有权重、没有许可证、没有模型卡、也没有独立基准测试的模型,而对手是在 Hugging Face 上以 MIT 许可证发布、在 Artificial Analysis Intelligence Index 上得分 27.8 的模型。

这就是用一句话概括的整个比较,而它并不能干净利落地得出结论。更便宜但无法验证,对比更贵但可检查,这是一种真实的取舍,而不是营销问题;哪一方胜出,取决于两家供应商都不会告诉你的因素。下文将说明双方各自实际公布了什么、价格差异带来了什么又牺牲了什么,以及决策的转折点在哪里。

两张价格卡片,逐行阅读

从已公布的数字开始,因为它们是这项对比中唯一由两家公司都明确说明、并且任何人都能对照账单核实的数字。

• 输入,每百万 tokens — Hy4 flash $0.070;GLM-5.3-Flash $0.15。

• 输出,每百万个 token — Hy4 flash $0.281;GLM-5.3-Flash $0.50。

• 缓存输入,每百万个 token — Hy4 flash $0.003;GLM-5.3-Flash $0.03。

• 上下文窗口 — Hy4 flash 1,048,576 个 token;GLM-5.3-Flash 1,000,000 个 token。

• 每个 token 的激活参数——Hy4 flash 总参数为 224B,激活 12B,其中包括 64B 的 Engram 参数;GLM-5.3-Flash 共 45 层,总参数为 320B,激活 18B。

• 权重 — Hy4 flash 仅作为计划公布,未给出日期;GLM-5.3-Flash 自发布日起即以 MIT 许可在 Hugging Face 上提供。

• 独立智能评分——Hy4 flash 未公布任何成绩;GLM-5.3-Flash 在 Artificial Analysis 智能指数上为 27.8,在同一机构的编程指数上为 71.5。

缓存输入这一项值得比通常获得更多关注。按每百万 token 0.003 美元计算,Hy4 flash 的缓存价格比 GLM-5.3-Flash 便宜十倍,比自家旗舰 Tencent HY4 便宜一百倍。对于每一步都要重新发送固定系统提示、工具 schema 和检索文档的 agent 来说,缓存价格才是大部分时间实际支付的价格,而这里的十倍差距胜过新输入上两倍的差距。如果你的工作负载是检索密集型,Hy4 flash 的优势会比标价所显示的更大。如果你的工作负载是一次性生成且没有复用,优势就会缩小到输入和输出的价格比例上。

两张价格卡在某种程度上都带有促销性质。腾讯云的 TokenHub 正在五折促销,截止期限未说明且为限时活动;WorkBuddy 则免费至 11 月 30 日。智谱的五折首发价已于 2026 年 9 月 9 日到期,且未获延期,因此 8 月下旬流传的 0.075 美元和 0.25 美元价格已不再适用——上表中的价格才是现行标准价。请假设腾讯的促销也会以同样方式结束,并按标价做预算。

参数差距比价格差距小

A generated comparison card titled 'Two cheap models, two designs' with a left column for Hy4 flash reading 224B total, 12B active, 64B Engram parameters, 1M context, $0.070 / $0.281 / $0.003, no weights published, and a right column for GLM-5.3-Flash reading 320B total, 18B active, 45 layers, 1M context, $0.15 / $0.50 / $0.03, MIT weights on Hugging Face. A footer reads 'Hy4 flash figures are Tencent's, published 16 November 2026; GLM-5.3-Flash price and licence per Zhipu, 26 August 2026.'

Hy4 flash 每个 token 激活 1200 亿参数,而 GLM-5.3-Flash 为 1800 亿?Wait check: 12 billion = 120亿, 18 billion = 180亿. I almost wrote 1200. Need correct. Let's ensure final: 120 亿 and 180 亿. 224 billion = 2240亿; 320 billion = 3200亿; 64 billion = 640亿. Good. Need final with correct numbers. Also "a third less" = 少三分之一. Fine.Hy4 flash 每个 token 激活 120 亿参数,而 GLM-5.3-Flash 为 180 亿,每 token 计算量少三分之一,这正是它能以半价出售的机制性原因。有趣的是总量:2240 亿对 3200 亿,其中腾讯总量中有 640 亿位于 Engram 参数中,这些参数存储的是学到的关联,而不是像路由专家那样在每次前向传播中运行。腾讯尚未公布 Hy4 flash 的层数、专家数量或路由宽度,因此最接近架构层面的比较是:两者都是稀疏混合专家模型,活跃参数占比都很小,而且两家厂商出于同样的原因选择了这种设计——服务成本随活跃参数而非总参数增长。

GLM-5.3-Flash 的设计有更详细的文档记录,而且该文档可核查,因为权重是公开的:45 层、混合稀疏加线性注意力、一种 Zhipu 称为 Manifold-Constrained Hyper-Connections 的残差连接方法,以及一种 IndexPool 机制,它将四个索引器键向量压缩成一个加权池,以降低长上下文延迟。预训练在一个 30 万亿 token 的多模态语料库上进行。这些都没有经过独立审计,但它至少是一个足够具体的描述,任何下载该检查点的人都能对其进行证伪。

这种不对称并不在于智谱发布了而腾讯没有。两家都发布了;只是它们发布的东西不同。智谱描述的是一个模型,这是一种关于结构的断言,而检查点可以证实或证伪它。腾讯描述的则是一个结果——KV 缓存只有其旗舰模型的六分之一大小,通过自蒸馏将输出长度减半,在四比特量化加一个 megakernel 的情况下解码速度超过每秒 150 个 token——这是一种关于行为的断言,只有复现才能定论。结果类断言在商业上更有意思,也更难核查。对于权重公开的模型,服务层面的断言会在几周内被外部陌生人检验;而对于不公开权重的模型,只要厂商愿意,它就会一直停留在研究页面上的一句话。

其中一个你可以下载

对相当一部分买家来说,这是决定性的差异,而且差距悬殊。GLM-5.3-Flash 以 MIT 许可证发布,提供 FP8 和 BF16 版本,发布于 Hugging Face 上的 zai-org/GLM-5.3-Flash,自 2026 年 8 月 26 日起一直如此。MIT 允许商业使用、修改、微调和再分发,且没有营收门槛。该模型已投入广泛公开使用近三个月,这意味着推理技术栈已经跟上了它:量化版本已经存在,服务方案也已经存在,任何关于其行为的说法都可以通过实际运行来验证。

Hy4 flash 完全没有类似的东西。那里的承诺只是一句关于未来计划的话,并以继续迭代的意图加以模糊限定,既未指明许可证,也未给出日期。Tencent 此前曾妥善做过这件事——8 月的预览版以 Apache 2.0 发布,权重上线四个托管站点,并且第一天就提供了 vLLM 和 SGLang 方案——因此这一模式毋庸置疑。存疑的是当前措辞的怯懦,它读起来像是对流程的承诺,而不是对产物的承诺。任何计划微调、自托管,或围绕运行自有推理构建成本模型的人,都应把 Hy4 flash 视为仅提供 API,直到代码仓库出现为止。

同样的不对称也适用于证据。GLM-5.3-Flash 有两个数字来自一个两家厂商都未编写的测试框架:在 Artificial Analysis Intelligence Index 上为 27.8,在其 Coding Index 上为 71.5。两者都可核查,而这一对数字说明了具体问题:编码指数 71.5 对通用指数 27.8,描述的是一个真正擅长一件事、在其他所有方面都平平的模型,而这正是一个廉价层级应有的样子。单一头条分数抹掉的正是这种区别,这也是本文中其余厂商数字被作为主张而非结果呈现的原因。Hy4 flash 没有独立评分,其基准测试结果——DeepSWE、Terminal-Bench 4.0、APEX-Agents、OSWorld 2.1 以及腾讯内部测试套件——仅以厂商研究页面上的图表图片形式存在。这不是不信任它们的理由,而是把它们当作假设来对待的理由。

每个供应商测量了什么,以及它击败了谁

两家公司都发布了对比,但它们拿来比较的对象不同,这能说明它们各自认为自己的弱点是什么。

腾讯的核心宣传点是一场盲测:85 名 WorkBuddy 用户、27 个任务类别、259 个真实日常工作测试任务;据称 Hy4 flash 在满意度上接近 Claude Haiku 5.5,同时在该测试组中拥有最低的单任务成本和最短的任务时长。注意是“接近”,而非“优于”;还要注意,该测试组是厂商自家员工在厂商自家产品中的测试。支撑性说法是 WorkIndex 上的单任务成本,这是腾讯内部的八套件基准:为 Hy4 preview 的十三分之一、Tencent HY4 的二十分之一、DeepSeek-V4.1-Flash-1017 的八分之一。与 GLM-5.3-Flash 相比,唯一公布的数字是在元宝内通用聊天中提升 2.52%,这是单一消费级应用上的产品指标,并不能迁移到你实际会运行的任何场景。

智谱的定位则不同:它把这款模型作为以 flash 级成本提供接近前沿能力的产品来卖,对标自家 743B 旗舰来定价,并以开放权重和一项漏洞利用评测结果作为证据,说明这款廉价模型并非玩具。其内部数据已经受过一次独立更正,而真正应当引用的是 AA 的数值。

实际后果是,两家厂商都没有在中立测试框架上发布过正面对比,而你真正想要的那种比较——相同的任务、相同的提示词、相同的测试框架、两个模型——根本不存在。你只能自己动手跑一遍。挑十个你本来就在做的任务,记录下 token 数量,就足以针对你自己的流量情况得出结论,而且比任何一家的发布页面都更有价值。

多模态的两种不同押注

GLM-5.3-Flash 原生支持文本、图像和视频输入,并且是首个采用这种方式的 GLM-5 模型,而不是通过单独的适配器来路由视觉处理。这是一个有文档记录、可测试的说法,而且权重是公开的,因此无需请求许可即可核查。

Hy4 flash 被描述为多模态,而用于评测它的 WorkIndex 套件将视觉理解列为八类任务之一。腾讯尚未说明其视觉路径是原生实现还是适配器,未公布编码器的规模,也未说明是否支持视频。最多只能说,图像输入是宣传内容的一部分,并且该系列中这款模型的前代——腾讯 HY4,于 2026 年 11 月 4 日全面可用——将原生视觉和计算机使用作为主打功能加入,因此对于从它蒸馏而来的模型来说,这项能力看似合理。看似合理并不等于已有文档记载。

如果截图、图表、扫描文档或视频帧在你的流程中起着关键作用,那么 GLM-5.3-Flash 就是那个你可以在正式采用前验证其多模态表现的模型。如果图像只是偶尔出现,这一差距的重要性就不及价格。

决策的转折点

当问题在于处理量,而任务是办公类工作时,就选择 Hy4 flash。文档处理、在长语料上检索、幻灯片生成、简单前端工作、computer-use 循环——这些正是 Tencent 为它构建的工作负载,也是其内部产品数据覆盖的场景,在这些场景中,十倍的缓存折扣与 50% 的输出长度削减叠加起来,能便宜一个数量级。先在你自己的任务上运行它并观察输出 token:如果模型确实更简洁,你的账单会比价目表预测的降得更多;如果它更简洁是因为更浅薄,你会在同一项测量中看到这一点。

当您需要交付物、审计或模态时,请选择 GLM-5.3-Flash。微调、本地部署服务、受监管数据、可向律师出示的许可证、视频输入,或来自并非由 Zhipu 任何人编写的评测框架的评分——所有这些都指向同一个方向。价格分别为 $0.15 和 $0.50,它并不昂贵;对于一款已经经受独立评测的模型来说,这大约只是 GLM-5.3 标价的十分之一。

当工作负载混合时,两者都选。对这两个发布版本的诚实解读是:它们并非真正的替代品——一个是面向大批量日常工作的成本优化型 API 模型,另一个是带有文档化架构的开放检查点,适用于任何需要脱离供应商控制的场景。能同时路由到两者的路由器,比只选一个却选错更划算。

A screenshot of the OrcaRouter model page for GLM 5.3 Flash, slug z-ai/glm-5.3-flash, credited to Z.ai and dated 2026-08-26, describing a 320B-total, 18B-active native multimodal model with a 1M-token context that takes text, image and video in and returns text. The specification strip reads max output 128K, input $0.15 and output $0.50 per million tokens, p50 time to first token 3.82 seconds and p95 10.00 seconds. The pricing panel lists $0.150 input, $0.500 output and $0.030 cache read per million tokens, and the public benchmark panel shows 71.5 on the AA Coding index and 27.8 on AA Intelligence. A button reads 'Get the GLM 5.3 Flash API'.

今天实际可调用的是什么?

这正是两个模型在运营层面以及商业层面的差异所在。GLM-5.3-Flash 已列入 OrcaRouter 目录,型号为z-ai/glm-5.3-flash,按提供商标价每百万输入 token 0.15 美元、每百万输出 token 0.50 美元计费,并附带一个限速的免费层级供评估使用。Hy4 flash 并未在此路由——腾讯尚未向我们提供该模型——因此任何要比较二者的人,flash 一侧需要使用腾讯自家的 TokenHub,而 GLM 一侧则可使用同一个 OrcaRouter 密钥。

这种拆分值得善加利用,而不是心生不满。OrcaRouter 按供应商标价原样透传,不加价,这意味着你对比中的 GLM 一侧完全按智谱的费率计费,并且如果智谱调整价格也能保持正确;没有会过时的经销商价目表。而且就评估本身而言,让 tencent/hy4-preview与z-ai/glm-5.3-flash 处在同一个密钥下也很有用,即使它并非所讨论的模型:该预览版正是 Hy4 flash 的蒸馏来源模型,所以当你测试小模型的回答是否经得起检验时,它是天然的对照。一个密钥、200 多个模型,以及当发布周端点被证明不可靠时的一条故障转移路径——对于一个六天前发布、没有公开正常运行时间记录的模型来说,想要这些是合理的。

A generated decision card titled 'Pick by constraint' with three rows: high volume office-shaped work points to Hy4 flash on price per task; fine-tuning, on-premises serving or a named licence points to GLM-5.3-Flash under MIT; mixed workloads point to routing both from one key. A footer reads 'GLM-5.3-Flash scores 27.8 on the Artificial Analysis Intelligence Index; Hy4 flash has none published.'

价格不是问题

腾讯造出了更便宜的那个模型,而且从数字上看,它便宜出的幅度是实打实的:输入价格只有一半,输出价格略高于一半,缓存只有十分之一。但它没有造出来的,是一个你能检视的模型。没有权重,没有许可证,没有架构细节,没有独立评分,基准测试藏在像素后面,而拿来当招牌的对比,来自它自己员工组成的评审小组。智谱造的是更贵的那个,并且公布了足够多的东西,以至于它的弱点——包括一个被独立测量砍掉十五分的厂商自测指数——都记录在案,供你自己掂量。

发布六天后,这个选择大致就是这个样子:一边是已被实测证实的折扣,对上一个没有文档的模型;另一边是有文档的模型,价格依然很低。折扣很可能是真的,文档的空缺也很可能是暂时的。两者都还不确定,而弄清真相的办法,是花一个下午去实测,而不是花一个季度去做抉择。

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