GLM-5.3-Flash vs Qwen3.8-Flash-Next: coding, costi e accesso

Che cos’è GLM-5.3-Flash?

GLM-5.3-Flash è il primo modello nativamente multimodale di Z.ai nella serie GLM-5, rilasciato il 26 agosto 2026 con 320 miliardi di parametri totali e 18 miliardi attivi. Il post di lancio di Z.ai afferma che supera GLM-5.2 nei benchmark di coding e agent a circa un decimo del prezzo, e ottiene 57 sull’Artificial Analysis Intelligence Index v4.1.1 a $0,045 per task sul tier scontato.

L’architettura è il vero punto forte: attenzione ibrida lineare e sparsa, Manifold-Constrained Hyper-Connections (mHC), un corpus multimodale da 30 trilioni di token e 45 layer invece dei 92 di GLM-4.5. Z.ai lo ha fatto girare in forma anonima come ox-alpha su OpenCode e OpenRouter prima di battezzarlo, servito su chip di IA cinesi. I pesi sono su Hugging Face con licenza MIT, con ricette di serving per SGLang, vLLM e TokenSpeed.

Approfondisci nel nostro guida a GLM-5.3-Flash dedicato. Per la generazione precedente, vedi la guida a GLM-5.2 e il tutorial su come eseguire GLM-5 in locale per il coding agentico.

Che cos’è Qwen3.8-Flash-Next?

Qwen3.8-Flash-Next è l’anteprima a pesi aperti del 26 agosto 2026 del team Qwen di Alibaba per l’architettura prevista in Qwen4. Il modello principale ha 125 miliardi di parametri, più una tabella di embedding n-gram da 51 miliardi, con 6 miliardi di parametri attivi per token. Il contesto nativo è 262.144 token, estendibile a 1.000.000 con YaRN. Qwen afferma che l’addestramento è costato circa un nono di Qwen3.7-Plus.

Lo SKU di produzione è Qwen3.8-Flash su QwenCloud, a listino a $0,16 per 1M token in input e $0,47 per 1M token in output, con l’API indicata come in arrivo. L’ID del modello cloud è qwen3.8-flash. Abbiamo già scritto una guida a Qwen3.8-Flash-Next dedicata e un tutorial di setup su come eseguire Qwen3.8-Flash-Next in locale come agente di coding con OpenCode.

GLM-5.3-Flash vs Qwen3.8-Flash-Next: confronto diretto

Sui benchmark pubblicati da entrambi i laboratori, GLM-5.3-Flash è avanti, come prevedibile dato che è il modello più grande dei due. I prezzi dei due modelli sono molto simili.

Workflow di coding e agentici

GLM-5.3-Flash guida i punteggi di coding e uso di tool che entrambi i vendor riportano sulla stessa riga. La tabella del 26 agosto di Z.ai elenca DeepSWE v1.1 a 63,4, Toolathlon Verified a 78,4 e NL2Repo a 56,3. La tabella di Qwen riporta 58,7, 73,5 e 48,1 sugli stessi nomi.

Oltre a questi, il confronto è difficile perché i benchmark selezionati differiscono tra i due vendor. Qwen ha pubblicato SWE-bench Pro a 62,5 e SWE-bench Multilingual a 81,0. Z.ai ha pubblicato Terminal Bench 2.1 a 84,3 e AutomationBench a 48,8, più un risultato interno Z.ai Code Bench v1.0 di 29,0 allo sforzo massimo contro i 29,5 di Claude Opus 4.8, eseguito in Claude Code 2.1.207.

Tratterei GLM come il Flash per agenti di coding più forte tra quelli con set sovrapposto pubblicati, e eviterei di proclamare un vincitore su SWE-bench senza il punteggio pubblicato di Z.ai.

Lavoro d’ufficio e agenti a lungo orizzonte

Qwen è il laboratorio che ha pubblicato punteggi per compiti d’ufficio a lungo orizzonte. CoWorkBench è 73,9 e JobBench è 55,7, entrambi anni luce davanti a Qwen3.7-Plus (65,1 e 27,6) e a Claude Opus 4.6 Max su quelle righe (68,2 e 36,6).

I numeri "work" sovrapponibili di Z.ai sono AutomationBench 48,8 e OfficeQA Pro 62,4, oltre a ZCode Browser Use e Computer Use per lavoro desktop visuale.

Non sono gli stessi test, quindi non decretano un vincitore. Se nel tuo modello mentale il lavoro è un agente da ufficio multi-ora, Qwen ti ha dato i benchmark. Se è automazione in stile Zapier o QA su PDF d’ufficio, te li ha dati GLM.

Architettura e costo di serving

Qwen3.8-Flash-Next attiva 6 miliardi di parametri per token. GLM-5.3-Flash ne attiva 18 miliardi. Questo divario 3x è il dato hardware più netto del confronto, ed è il motivo per cui le discussioni sul serving locale finiscono spesso su Qwen. In pratica, il GGUF UD-Q4_K_XL (~111GB) gira su una singola scheda da 96GB con offload in RAM — l’abbiamo fatto qui.

Entrambi usano attenzione ibrida. Z.ai afferma che GLM-5.3-Flash riduce il compute dell’attenzione di 3,0x e la dimensione della KV cache di 4,4x rispetto a GLM-5.3. Qwen afferma che il kernel di attenzione di QSA è fino a 7,6x più veloce in prefill e 4,9x in decode a 1M token, e 8,6x il throughput di prefill di Qwen3.7-Plus con un tasso di hit della prefix-cache del 90%.

Il trucco di capacità extra in stile 51B di GLM non è una tabella di embedding; la tabella n-gram da 51B di Qwen è progettata per risiedere nella RAM host e fare prefetch. Ricette diverse, stesso pitch: più capacità per watt.

Capacità multimodali e contesto

Entrambi i modelli accettano immagini nella stessa generazione del testo. GLM-5.3-Flash è esplicitamente il primo membro nativamente multimodale della famiglia GLM-5, addestrato su un corpus multimodale da 30 trilioni di token, con righe di vision capaci di video (MVBench 77,8, MMVU 80,5).

Qwen3.8-Flash-Next pubblica AndroidWorld 84,5, LVBench 76,6, RealWorldQA 88,5 e CharXiv 84,6 senza tool di computer-use / 90,6 con uno.

La dimensione della finestra di contesto è abbastanza vicina da non sceglierne una solo per questo. GLM pubblicizza una finestra nativa da 1M token. Qwen è nativo a 262.144 e si estende a 1.000.000 con YaRN. Le note di ricerca trattano ancora l’1M di GLM come moderatamente stress-testato in produzione.

Prezzi: quanto paghi davvero

Al netto delle promo, è quasi impossibile distinguere i prezzi dei due modelli. Qwen e Z.ai puntano chiaramente allo stesso tier.

Tariffe token affiancate

Il profilo è quasi piatto. L’output leggermente più economico di Qwen aiuta nei mesi molto generativi; l’input leggermente più economico di GLM aiuta il retrieval. Z.ai fattura i thinking token alla tariffa di output. Qwen documenta enable_thinking e reasoning_effort su QwenCloud senza un prezzo separato per i thinking token, quindi considera il reasoning come output finché non dicono il contrario.

Entrambi i laboratori pubblicano tariffe di cache, ma prezzano lo scambio in modo diverso. Z.ai lista l’input in cache a $0,03 per 1M token ($0,015 in promo) e rende gratuite le scritture in cache durante la finestra promo. Qwen legge la cache a $0,016 ma addebita $0,20 per 1M token per creare una cache esplicita.

Quindi Qwen dimezza la tariffa di lettura della cache, e GLM regala la scrittura. Se i tuoi prefissi sono stabili e longevi, vince la lettura di Qwen; se riscrivi spesso le cache, vincono le scritture gratuite di GLM, almeno fino al 9 settembre.

Quanto costa un carico reale

Formula: (volume ÷ 1M) × tariffa, sommata tra input e output, a prezzi di listino standard. I dollari promo restano fuori tabella.

Il costo API di listino è pari. La scelta dipende dall’aderenza al carico e dall’esistenza dell’endpoint. Entrambi i modelli usano tokenizer specifici del vendor e nessuno dei due laboratori ha pubblicato conteggi di token per un carico condiviso, quindi tratta questi totali come un confronto di tariffe più che come una fattura. Fino al 9 settembre 2026, la promo di GLM dimezza quei totali nella colonna GLM ($0,14, $1,08, $1,00).

Quando scegliere GLM-5.3-Flash vs Qwen3.8-Flash-Next

Se devi chiamare un’API first-party questa settimana, GLM-5.3-Flash è l’unico prodotto completo della coppia. Se stai valutando l’architettura di Qwen4, o ti interessano CoWorkBench e JobBench, parti subito con i pesi di Qwen3.8-Flash-Next e aggiungi qwen3.8-flash quando sarà disponibile su QwenCloud.

Scegli GLM-5.3-Flash se...

• Ti serve glm-5.3-flash su Z.ai, o z-ai/glm-5.3-flash su OpenRouter, senza aspettare uno SKU cloud in coda.

• Il tuo set di valutazione somiglia a DeepSWE, Toolathlon, NL2Repo o Terminal Bench 2.1, e vuoi il laboratorio che ha pubblicato i punteggi più alti sul set sovrapposto.

• Vuoi pesi con licenza MIT e una finestra nativa da 1M token, e ti va bene attivarne 18B.

• Sei già su un GLM Coding Plan e puoi usare la quota 3x rispetto a GLM-5.3, inclusa la promo fino al 9 settembre 2026.

• Vuoi agenti desktop visuali. Browser Use e Computer Use di ZCode sono nel post di lancio, e il numero di Qwen a confronto è OSWorld 2.0 a 19,4, che non è da podio.

Scegli Qwen3.8-Flash-Next se...

• Stai acquistando un’anteprima di Qwen4, non un’API gestita finita. Oggi il prodotto sono i pesi.

• I benchmark per agenti da ufficio sono quelli che leggi davvero. CoWorkBench e JobBench sono la storia pubblicata da Qwen, non da GLM.

• Vuoi 6B parametri attivi e una tabella n-gram che può stare in memoria host, anche accanto a un setup locale Qwen3.8-27B.

• Vivi già in Qwen Chat, Qwen Studio, Qwen Code, o punti qualsiasi agente compatibile OpenAI (OpenCode, Codex, Qwen Code) a un endpoint locale llama.cpp oggi. Claude Code richiede un proxy di traduzione.

Come iniziare con GLM-5.3-Flash e Qwen3.8-Flash-Next

GLM-5.3-Flash è chiamabile ora. Anche Qwen3.8-Flash-Next lo è, solo sul tuo hardware o tramite router come OpenRouter. L’endpoint API di Qwen dovrebbe seguire a breve.

Digita quegli ID esattamente. L’ID di Qwen3.8-Flash-Next è qwen3.8-flash (senza "next"), quindi non inventare un ID cloud qwen3.8-flash-next partendo dal nome dei pesi.

Fare la tua prima chiamata API

Entrambi i modelli parlano il formato chat completions di OpenAI, quindi puoi riutilizzare lo stesso client in entrambi i casi. Il modo più veloce per provarli fianco a fianco è OpenRouter, dove entrambi stanno dietro un’unica base URL, e l’unica cosa che cambi è la stringa del modello.

from openai import OpenAI
import os

# One client, both models. Swap the model string on line 12 — nothing else changes.
client = OpenAI(
    api_key=os.environ["OPENROUTER_API_KEY"],
    base_url="https://openrouter.ai/api/v1",
)
completion = client.chat.completions.create(
    model="z-ai/glm-5.3-flash",  # or "qwen/qwen3.8-flash"
    messages=[{"role": "user", "content": "Refactor this function..."}],
    extra_body={"reasoning": {"effort": "high"}},
)
print(completion.choices[0].message.content)

Andare first-party ti costa la portabilità. L’endpoint di Z.ai vive su docs.z.ai e accetta thinking: {"type": "enabled"} con reasoning_effort impostato su low, high o max. Quello di Alibaba accetta enable_thinking con reasoning_effort predefinito a xhigh, su una base URL DashScope (internazionale, Pechino o Virginia). È lo stesso SDK in entrambi i casi, ma la manopola del reasoning non è portabile, quindi prevedi un piccolo adapter se pensi di cambiare.

Per una guida completa a Qwen, leggi il nostro tutorial su come eseguire Qwen3.8-Flash-Next in locale e il tutorial sulla CLI di Qwen Code. Per il serving locale della famiglia GLM, usa Esegui GLM-5 in locale per il coding agentico. Se sei già su una macchina Qwen3.8-27B, il nostro setup RTX 5090 è il percorso locale gemello, non questa anteprima da 125B.

Considerazioni finali

Se devi spedire contro un’API Flash attiva questa settimana, usa GLM-5.3-Flash. Se stai studiando Qwen4 o credi più a CoWorkBench che a DeepSWE, usa i pesi di Qwen3.8-Flash-Next in locale e passa a qwen3.8-flash via API quando sarà disponibile.

Ciò che trovo più interessante è quanto poco i prezzi di listino divergano. La discussione riguarda l’accesso e quale riga non pubblicata sei disposto a ignorare, non un baratro di costi 2x.

Se vuoi i concetti alla base di entrambi i MoE, ti consigliamo il corso Large Language Models (LLMs) Concepts, poi il percorso AI Agent Fundamentals. Per lavoro con hub e pesi, Working with Hugging Face è il passo pratico successivo.