GLM-5.3-Flash vs Qwen3.8-Flash-Next: 코딩, 비용, 접근성

GLM-5.3-Flash란?

GLM-5.3-Flash는 GLM-5 시리즈 최초의 네이티브 멀티모달 모델로, 2026년 8월 26일에 공개되었습니다. 총 3,200억 파라미터 중 180억이 활성화됩니다. Z.ai의 출시 글에 따르면 코딩 및 에이전트 벤치에서 GLM-5.2를 능가하면서 가격은 약 10분의 1이며, 할인 구간 기준 태스크당 $0.045로 Artificial Analysis Intelligence Index v4.1.1에서 57점을 기록했습니다.

핵심은 아키텍처입니다. 선형·스파스 하이브리드 어텐션, Manifold-Constrained Hyper-Connections(mHC), 30조 토큰 규모의 멀티모달 코퍼스, 그리고 GLM-4.5의 92층 대신 45층을 채택했습니다. Z.ai는 이름 붙이기 전 OpenCode와 OpenRouter에서 ox-alpha라는 익명 이름으로, 중국산 AI 칩에서 서빙했습니다. 가중치는 MIT 라이선스로 Hugging Face에 공개되었고, SGLang, vLLM, TokenSpeed용 서빙 레시피가 제공됩니다.

자세한 내용은 독립 글인 GLM-5.3-Flash 가이드를 참고하세요. 이전 세대는 GLM-5.2 가이드와 에이전틱 코딩을 위한 로컬 GLM-5 실행 튜토리얼을 확인하세요.

Qwen3.8-Flash-Next란?

Qwen3.8-Flash-Next는 알리바바 Qwen 팀이 2026년 8월 26일에 공개한, Qwen4에 도입될 아키텍처의 오픈 웨이트 프리뷰입니다. 메인 모델은 1,250억 파라미터에 510억 파라미터 n-gram 임베딩 테이블이 추가되며, 토큰당 60억 파라미터가 활성화됩니다. 네이티브 컨텍스트는 262,144 토큰이며 YaRN으로 1,000,000까지 확장됩니다. Qwen은 학습 비용이 Qwen3.7-Plus의 약 9분의 1이라고 밝혔습니다.

프로덕션 SKU는 QwenCloud의 Qwen3.8-Flash로, 100만 입력 토큰당 $0.16, 100만 출력 토큰당 $0.47로 게시되어 있으며 API는 곧 제공될 예정입니다. 클라우드 모델 ID는 qwen3.8-flash입니다. 이미 독립 글인 Qwen3.8-Flash-Next 가이드와 OpenCode로 Qwen3.8-Flash-Next를 로컬 코딩 에이전트로 실행하는 방법 튜토리얼을 작성했습니다.

GLM-5.3-Flash vs Qwen3.8-Flash-Next: 정면 비교

두 연구소가 모두 공개한 벤치마크에서는 GLM-5.3-Flash가 앞섭니다. 두 모델의 가격 책정은 매우 비슷합니다.

코딩 및 에이전틱 워크플로

두 벤더가 같은 행으로 제시한 코딩 및 도구 사용 점수에서 GLM-5.3-Flash가 앞섭니다. Z.ai의 8월 26일 표에는 DeepSWE v1.1 63.4, Toolathlon Verified 78.4, NL2Repo 56.3이 기재되어 있습니다. Qwen의 표에는 같은 항목에서 각각 58.7, 73.5, 48.1이 기재되어 있습니다.

그 밖의 항목은 두 벤더가 선택한 벤치가 달라 직접 비교가 어렵습니다. Qwen은 SWE-bench Pro 62.5와 SWE-bench Multilingual 81.0을 공개했습니다. Z.ai는 Terminal Bench 2.1 84.3, AutomationBench 48.8, 그리고 사내 Z.ai Code Bench v1.0 최대 노력 점수 29.0(Claude Code 2.1.207에서 실행된 Claude Opus 4.8의 29.5와 비교)을 공개했습니다.

겹치는 세트에서는 GLM이 더 강한 코딩 에이전트 Flash로 보되, Z.ai의 SWE-bench 점수가 공개되기 전까지 승자를 단정하긴 어렵겠습니다.

오피스 작업과 장기 호라이즌 에이전트

장기 호라이즌 오피스 점수를 공개한 곳은 Qwen입니다. CoWorkBench 73.9, JobBench 55.7로, Qwen3.7-Plus(65.1, 27.6)와 해당 행의 Claude Opus 4.6 Max(68.2, 36.6)를 크게 앞섭니다.

Z.ai가 겹쳐 공개한 “업무” 수치는 AutomationBench 48.8, OfficeQA Pro 62.4이며, 시각적 데스크톱 작업용 ZCode Browser Use와 Computer Use도 제시했습니다.

테스트가 동일하지 않아 승부를 가리진 못합니다. 일을 ‘수시간의 오피스 에이전트’로 본다면 Qwen이 벤치를 제공했고, ‘Zapier 스타일 자동화나 PDF 기반 오피스 QA’로 본다면 GLM이 해당 수치를 제공합니다.

아키텍처와 서빙 비용

Qwen3.8-Flash-Next는 토큰당 60억 파라미터를 활성화하고, GLM-5.3-Flash는 180억을 활성화합니다. 3배 차이는 하드웨어 관점에서 가장 명확한 사실이며, 로컬 서빙 논의가 Qwen으로 모이는 이유이기도 합니다. 실제로 UD-Q4_K_XL GGUF(~111GB)는 RAM 오프로딩을 곁들여 96GB 단일 카드에서 구동됩니다 — 저희도 이렇게 실행했습니다.

둘 다 하이브리드 어텐션을 사용합니다. Z.ai는 GLM-5.3-Flash가 GLM-5.3 대비 어텐션 연산을 3.0배, KV 캐시 크기를 4.4배 줄였다고 밝힙니다. Qwen은 QSA 어텐션 커널이 100만 토큰에서 프리필 최대 7.6배, 디코드 4.9배 빠르며, 프리픽스 캐시 적중률 90%에서 Qwen3.7-Plus 대비 프리필 처리량 8.6배라고 합니다.

GLM의 추가 510억 스타일 용량 트릭은 임베딩 테이블이 아니며, Qwen의 510억 n-gram 테이블은 호스트 RAM 상주·프리페치를 염두에 둔 설계입니다. 레시피는 달라도 메시지는 같습니다. “전력당 더 높은 역량.”

멀티모달 역량과 컨텍스트

두 모델 모두 동일 세대에서 텍스트와 이미지를 입력으로 받습니다. GLM-5.3-Flash는 GLM-5 최초의 네이티브 멀티모달 모델로, 30조 토큰 멀티모달 코퍼스로 학습되었으며, 비디오 대응 비전 행(MVBench 77.8, MMVU 80.5)을 포함합니다.

Qwen3.8-Flash-Next는 AndroidWorld 84.5, LVBench 76.6, RealWorldQA 88.5, CharXiv 84.6(컴퓨터-사용 도구 없이) / 90.6(사용 시)을 공개했습니다.

컨텍스트 윈도우 크기만으로 선택하진 않겠습니다. GLM은 네이티브 100만 토큰 윈도우를 내세웁니다. Qwen은 네이티브 262,144에서 YaRN으로 1,000,000까지 확장합니다. 연구 노트에서는 GLM의 100만이 프로덕션에서 아직 가볍게 스트레스 테스트된 수준으로 다뤄집니다.

가격: 실제로 지불하는 비용

프로모션을 제외하면 두 모델의 가격은 거의 구분하기 어렵습니다. Qwen과 Z.ai 모두 같은 구간을 노리고 있습니다.

토큰 요금 비교

형태는 거의 평평합니다. 생성 비중이 큰 달에는 Qwen의 약간 더 싼 출력이 유리하고, 검색 비중이 크면 GLM의 약간 더 싼 입력이 유리합니다. Z.ai는 사고(thinking) 토큰을 출력 요율로 청구합니다. Qwen은 QwenCloud에서 enable_thinking과 reasoning_effort를 문서화했지만 별도의 사고 토큰 가격은 공개하지 않았으므로, 별도 공지가 있기 전까지는 사고를 출력으로 간주하세요.

두 연구소 모두 캐시 요율을 공개했고, 가격 전략은 다릅니다. Z.ai는 캐시된 입력을 100만 토큰당 $0.03(프로모 시 $0.015)로, 프로모 기간에는 캐시 쓰기를 무료로 제공합니다. Qwen은 캐시 읽기를 $0.016으로 책정하지만, 명시적 캐시 생성을 100만 토큰당 $0.20로 청구합니다.

즉, Qwen은 캐시 읽기 요율을 절반으로 낮추고, GLM은 쓰기를 무료로 제공합니다. 접두(prefix)가 안정적·장기라면 Qwen의 읽기 요율이, 캐시를 자주 다시 쓰면 GLM의 무료 쓰기가(적어도 9월 9일까지는) 유리합니다.

실제 워크로드 비용

공식: (볼륨 ÷ 100만) × 요율을 입력·출력에 대해 합산, 표준 정가 기준. 프로모 금액은 표에서 제외합니다.

API 정가는 사실상 비슷합니다. 결정은 워크로드 적합성과 엔드포인트의 존재 여부에 달려 있습니다. 둘 다 벤더 고유 토크나이저를 사용하고, 공통 워크로드의 토큰 수를 공개하지 않았으므로, 위 합계는 청구서라기보다 요율 비교로 보시기 바랍니다. 2026년 9월 9일까지 GLM 프로모션이 GLM 열 합계를 절반으로 낮춥니다($0.14, $1.08, $1.00).

GLM-5.3-Flash와 Qwen3.8-Flash-Next, 언제 선택할까

이번 주에 퍼스트파티 API 호출이 필요하다면, GLM-5.3-Flash만이 완성된 제품입니다. Qwen4 아키텍처를 검토 중이거나 CoWorkBench와 JobBench를 중시한다면, 지금은 Qwen3.8-Flash-Next 가중치로 시작하고, QwenCloud에 qwen3.8-flash가 열리면 추가하세요.

GLM-5.3-Flash를 선택해야 할 때...

• 대기 중인 클라우드 SKU를 기다리지 않고 Z.ai의 glm-5.3-flash나 OpenRouter의 z-ai/glm-5.3-flash가 바로 필요할 때.

• 평가 세트가 DeepSWE, Toolathlon, NL2Repo, Terminal Bench 2.1과 유사하고, 겹치는 점수를 더 높게 공개한 연구소를 원할 때.

• MIT 라이선스 가중치와 네이티브 100만 토큰 윈도우가 필요하며, 활성 180억 파라미터를 수용할 수 있을 때.

• 이미 GLM 코딩 플랜을 사용 중이며 GLM-5.3 대비 3배 쿼터와 9월 9일까지의 프로모션을 활용할 수 있을 때.

• 시각적 데스크톱 에이전트가 필요할 때. 출시 글에 ZCode의 Browser Use와 Computer Use가 포함되어 있으며, Qwen의 대응 수치인 OSWorld 2.0 19.4는 자랑할 만한 기록이 아닙니다.

Qwen3.8-Flash-Next를 선택해야 할 때...

• 완성된 관리형 API가 아닌 Qwen4 프리뷰를 구매하려는 경우. 오늘 당장은 가중치가 곧 제품입니다.

• 오피스 에이전트 벤치를 실제로 중시하는 경우. CoWorkBench와 JobBench는 Qwen의 이야기이며 GLM의 이야기는 아닙니다.

• 활성 60억 파라미터와 호스트 메모리에 상주 가능한 n-gram 테이블이 필요하며, Qwen3.8-27B 로컬 셋업 옆에서 쓰고 싶을 때.

• 이미 Qwen Chat, Qwen Studio, Qwen Code를 쓰고 있거나, OpenAI 호환 에이전트(OpenCode, Codex, Qwen Code)를 오늘 로컬 llama.cpp 엔드포인트에 연결할 수 있을 때. Claude Code에는 변환 프록시가 필요합니다.

GLM-5.3-Flash와 Qwen3.8-Flash-Next 시작하기

GLM-5.3-Flash는 지금 호출할 수 있습니다. Qwen3.8-Flash-Next도 가능하지만, 현재는 자체 하드웨어나 OpenRouter 같은 라우터를 통해서만 가능합니다. Qwen의 자체 API 엔드포인트도 곧 이어질 것입니다.

모델 ID는 정확히 입력하세요. Qwen3.8-Flash-Next의 ID는 바로 qwen3.8-flash(“next” 없음)이며, 가중치 이름에서 qwen3.8-flash-next 같은 클라우드 ID를 임의로 만들어 쓰면 안 됩니다.

첫 API 호출 만들기

두 모델 모두 OpenAI 챗 컴플리션 포맷을 사용하므로 표준 클라이언트를 그대로 재사용하면 됩니다. 둘을 나란히 빠르게 시험하는 가장 쉬운 방법은 OpenRouter입니다. 둘 다 동일한 베이스 URL 뒤에 있고, 바꿔야 할 것은 모델 문자열뿐입니다.

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)

퍼스트파티를 쓰면 이식성은 낮아집니다. Z.ai 엔드포인트는 docs.z.ai에 있으며 thinking: {"type": "enabled"}와 reasoning_effort를 low, high, max로 받습니다. 알리바바 측은 DashScope 베이스 URL(인터내셔널, 베이징, 버지니아)에서 enable_thinking을 받고 reasoning_effort 기본값은 xhigh입니다. SDK는 같지만 추론 노브는 이식되지 않으니, 전환 계획이 있다면 작은 어댑터를 감안하세요.

Qwen 전체 워크스루는 Qwen3.8-Flash-Next 로컬 실행과 Qwen Code CLI 튜토리얼을 참고하세요. GLM 계열 로컬 서빙은 Run GLM-5 Locally For Agentic Coding을 사용하세요. 이미 Qwen3.8-27B 박스를 쓰고 있다면, RTX 5090 셋업이 이번 1,250억 프리뷰가 아닌, 형제 격 로컬 경로입니다.

마무리

이번 주에 라이브 Flash API로 바로 배포해야 한다면 GLM-5.3-Flash를 쓰세요. Qwen4를 연구 중이거나 DeepSWE보다 CoWorkBench를 더 신뢰한다면, 지금은 Qwen3.8-Flash-Next 가중치를 로컬로 사용하고, API가 열리면 qwen3.8-flash로 전환하세요.

가장 흥미로운 점은 정가가 거의 다르지 않다는 것입니다. 쟁점은 접근성, 그리고 어떤 미공개 행을 무시할지이지, 2배 비용 격차가 아닙니다.

두 MoE의 개념을 정리하고 싶다면 Large Language Models (LLMs) Concepts 코스와 AI Agent Fundamentals 트랙을 추천합니다. 허브와 가중치 작업에는 Working with Hugging Face가 실무적인 다음 단계입니다.