
Qwen 4 對決 GLM-5.5:開放權重模型才是昂貴的那一方
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 90 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-0717 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 87 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 133 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百萬 tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 126 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 147 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百萬 tokens · 123 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百萬 tokens · 219 tok/s
關於開放權重的直覺認知是:它們是便宜的選項。但在這場對比中,事實並非如此。GLM-5.3是 Z.ai 實際提供的最新 GLM,跑完 Artificial Analysis 指數套件要花 5.01 美元,得分 31.7——換算下來每個指數點 15.8 美分。Qwen4-Max花 3.27 美元拿到 42.9 分——每個指數點 7.6 美分。這個專有模型在每單位實測能力的效率上高出一倍以上,而它正是你下載不到的那一個。同時,GLM-5.5——也就是本文標題裡的那個模型——並不存在:Z.ai 的文件索引與定價頁面都只停在 GLM-5.3,而 5.4 與 5.5 的文件路徑則回傳找不到。因此,接下來要做的比較,是針對實際出貨的那個 GLM,並把缺漏的版本號就當成缺漏的版本號,而不是拿來虛構出一份規格表。
首先,那張已存在的卡片
GLM-5.3 於 2026 年 8 月 18 日在 GLM-5.3 License 下問世,權重已公開,且僅接受文字輸入。Qwen4-Max 於 2026 年 11 月 16 日開始按用量計費,屬專有模型,支援圖像輸入,且 Alibaba Cloud 是其唯一託管商。兩者的發布日期相隔九十天,並分別位於封閉與開放分界線的兩側,而這正是本文真正要探討的軸線。
• 每百萬 token 價格 — GLM-5.3 輸入 $1.40/輸出 $4.40;Qwen4-Max 在新加坡為 $1.50/$4.50,其他地區為 $1.413/$4.24。按 token 費率計算,Z.ai 的價格方案較便宜,分別低 7% 與 2%。
• 快取輸入——GLM-5.3 每百萬 token 的讀取費用為 $0.26;Qwen4-Max 為 $0.075,快取寫入五分鐘為 $1.875、一小時為 $3.00。Qwen 的快取讀取便宜 3.5 倍,這正是每任務結果與每 token 結果會指向不同方向的原因。
• 上下文 — 兩者皆為 1,000,000 個 token。GLM-5.3 的輸出上限為 128,000;Qwen4-Max 在不進行思考時允許 131,072,或在推理與回答之間共用 262,144。
• 權重 — GLM-5.3 已公開發布,並採用其自有授權;Qwen4-Max 則未公開,且僅由單一廠商提供託管。這就是全部的差異,以下所有內容皆由此而來。
• 模態 — Qwen4-Max 接受文字與圖像;GLM-5.3 則是文字進、文字出。如果你的流程會輸入截圖或 PDF,那比較到這裡就結束了。
• 推理控制 — GLM-5.3 的推理功能一律開啟,提供低、高與最高三種強度等級,預設為最高;Qwen4-Max 則提供低、高與 xhigh 三種等級,預設為高。
• 訓練沿革——Z.ai 將 GLM-5.3 描述為與 GLM-5.2 相同的基礎模型,並透過後訓練改進,而非進行全新的預訓練。當你將它的分數與採用新架構的模型相比較時,這一點值得了解。

七美分與十六美分,說明
每點成本差距並不是定價造成的假象。GLM-5.3 每項任務 $5.01 可拆解為 $4.49 輸入與 $0.52 輸出——90% 是輸入,而其中 $4.13 的輸入是快取讀取。Qwen4-Max 的 $3.27 是 $2.80 輸入與 $0.47 輸出,其中 $1.12 是快取讀取、$1.67 是快取寫入。因此,兩個模型幾乎沒把錢花在它們生成的 token 上,幾乎全花在重新讀取上下文上。
差別在於每個模型為了得出答案所消耗的上下文多寡。GLM-5.3 在整套測試中讀取 103 億個輸入 token,並輸出 1.35 億個輸出 token;Qwen4-Max 讀取 99 億個,並輸出 1.27 億個。數量幾乎相同。因此,十九分的分數差距也不是用量多寡的問題——單純只是其中一個模型在這些任務上表現更好,而每項任務的成本差異來自快取定價,其中 $0.075 的讀取費用對上 $0.26 的讀取費用,會在百億個 token 的規模上層層放大。
值得帶走的重點是這個機制:在長上下文基準測試執行中,決定帳單的是快取讀取費率,而不是表面上的輸入費率。輸入費率為 $1.40、快取讀取為 $0.26 的模型,每項任務的成本可能高於輸入費率為 $1.50、快取讀取為 $0.075 的模型。
這十九個點所在的位置
Terminal-Bench 4.0 — Qwen4-Max 48.5%、GLM-5.3 41.9%。相差七個百分點,是所有代理式測試套件中最接近的一組。
• FrontierCode 2.0 — 26.5% 對 21.6%。五個百分點;就絕對值而言,兩個模型在這方面都偏弱。
HLE Diamond — 44.9% 對 17.9%。二十七個百分點,也是整份比較中差距最懸殊的一項。
• 全知性 —— 27.7 對 6.0,幻覺率分別為 28.4% 與 38.9%。GLM-5.3 既較不準確,也更不可能選擇不作答,這是最糟糕的組合。
• 能力子分數 — Qwen4-Max 在兩款模型皆有回報的全部五項指標中均領先:工程 50.1 對 37.6、財務與會計 54.1 對 42.1、法律 49.6 對 35.8、策略與營運 56.9 對 47.4,以及經濟 51.3 對 37.3。
那份清單上沒有任何一項接近到值得爭論。真正有趣的問題不是 Qwen4-Max 是否更好,因為它顯然就是。

Qwen4-Max 唯一做不到的一件事
上面每一列都是能力比較,而當這兩個模型其中之一可以讓你帶回家時,「能力」就是錯誤的框架。Z.ai 依自家授權條款公開 GLM-5.3 的權重;阿里巴巴對 Qwen4-Max 則什麼都沒公開,只列出單一主機。這個差異改變了三件沒有任何基準測試能衡量的事。
• 持續性——當供應商的定價頁面變更、某個區域遭淘汰,或收到淘汰通知時,你所託管的模型仍能持續回應。Qwen4-Max 在 2026 年 11 月 25 日就有先例:預覽識別碼在正式推出後九天便退役,任何仍指向 qwen4-max-preview 的設定都停止運作。
• {{1}}成本曲線{{/1}} — GLM-5.3 的邊際成本會成為你的 GPU 使用率。在持續高負載量下,這通常低於 API 費率;在突發性低負載量下則更糟。交叉點是使用率計算問題,而非模型品質問題。
• 控制 — 微調、量化、kernel 選擇,以及檢視模型實際運作情況的能力。Qwen4-Max 完全沒有這些。
相較於此,這個開放模型弱了十九個指數點,更不善於棄答,而且對圖像視而不見。對於全新部署而言,這筆取捨並不吸引人。對於一個已圍繞自架推論堆疊建構的系統——在其中,GLM-5.3 的替代方案不是 Qwen4-Max,而是前一版 GLM——授權條款才是決定性特徵,而分數差距則是必須承擔的營運成本。
為什麼開放模型反而是昂貴的那一個,用一句話說明
因為開放權重把成本從 token 計量轉移到工程預算,而工程預算不會出現在費率表上。要在自己的硬體上架起 GLM-5.3,意味著容量規劃、一套你能自行修補的推論服務堆疊,以及一套夠好的評估工具,足以判斷你的部署是否與參考實作相符——無論單一團隊的用量多大,這些成本都會超過每項任務 3.27 美元的差距。每個指數點 15.8 美分是看得見的數字;看不見的那個更大,而且無論你服務一千個請求還是一百萬個,它都只付一次。
這樣的盤算在規模放大後會反轉,而且如果你需要微調,反轉得更徹底。微調正是那樣一項需求:它讓開放模型不只是更便宜,而是唯一可行的選項;而 Qwen4-Max 在指標上的領先再多,也無法取代它。
呼叫可路由的那一個
GLM-5.3 已在我們的型錄中,型號為 z-ai/glm-5.3,依 Z.ai 的定價表,每百萬 token 輸入 $1.26、輸出 $3.96,未加收任何費用——與 Z.ai 公布的費率相同,包括其對費率所做的任何調整。Qwen4-Max 不在我們的型錄中;qwen4 識別碼會回傳 not-found,且其路由是阿里巴巴的 Model Studio API 與數個第三方平台。我們提供的最接近 Qwen 模型是 qwen/qwen3.8-max,價格為 $2.00 與 $6.00。
這就為任何想在不簽第二份合約的情況下取得更強模型的人,留下一個實務上的操作順序:透過你已經有的端點,在 z-ai/glm-5.3 上執行評估;如果這十九點的差距對你的使用情境是致命的,那就依照你自己的 token 組成來估算 Qwen4-Max 的價格,而不是拿它對照該指數。本文中的逐項任務數字,是根據一個快取流量異常沉重的基準測試框架建模而來;而以短提示、長輸出為主的生產工作負載,會大幅壓縮 $5.01 與 $3.27 之間的差距,因為這兩筆帳單幾乎都不是輸出。

我們需要看到什麼
GLM-5.5 會讓這項比較重新洗牌,而目前完全沒有它的蹤跡——截至 2026 年 11 月 17 日,Z.ai 自家頁面上沒有文件路徑、沒有定價列,也沒有模型識別碼。若它真的推出,該問的問題是:Z.ai 是否會像對 5.3 那樣公開權重、是否加入圖像輸入,以及是否修正拒答行為,因為最後那個數字(38.9%)正是讓 GLM-5.3 難以推薦用於任何未經審查用途的原因,且其影響更甚於指數差距。
與此同時,誠實的總結既違反直覺又簡短。這個開放模型每分的成本更高,在每一項受測的評測套件上得分都更低,而且恰恰只對某一類買家而言仍是正確選擇:那種受制於授權條款、而非受制於基準分數的買家。
本文中的比較1
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
