GLM-5.3-Flash vs Qwen3.8-Flash-Next: codificação, custo e acesso

O que é o GLM-5.3-Flash?

O GLM-5.3-Flash é o primeiro modelo nativamente multimodal da Z.ai na série GLM-5, lançado em 26 de agosto de 2026 com 320 bilhões de parâmetros totais e 18 bilhões ativos. O post de lançamento da Z.ai afirma que ele supera o GLM-5.2 em testes de codificação e agentes por cerca de um décimo do preço, e marca 57 no Artificial Analysis Intelligence Index v4.1.1 a US$ 0,045 por tarefa no nível com desconto.

A arquitetura é o verdadeiro destaque: atenção híbrida linear e esparsa, Manifold-Constrained Hyper-Connections (mHC), um corpus multimodal de 30 trilhões de tokens e 45 camadas em vez das 92 do GLM-4.5. A Z.ai o executou anonimamente como ox-alpha no OpenCode e no OpenRouter antes de batizá-lo, hospedado em chips de IA chineses. Os pesos estão no Hugging Face sob licença MIT, com receitas de serving para SGLang, vLLM e TokenSpeed.

Veja mais detalhes no nosso guia do GLM-5.3-Flash. Para a geração anterior, confira nosso guia do GLM-5.2 e o tutorial sobre rodar o GLM-5 localmente para codificação com agentes.

O que é o Qwen3.8-Flash-Next?

O Qwen3.8-Flash-Next é o preview de pesos abertos da equipe Qwen da Alibaba, lançado em 26 de agosto de 2026, com a arquitetura planejada para o Qwen4. O modelo principal tem 125 bilhões de parâmetros, mais uma tabela de embeddings n-gram de 51 bilhões de parâmetros, com 6 bilhões de parâmetros ativos por token. O contexto nativo é de 262.144 tokens, extensível para 1.000.000 com YaRN. A Qwen diz que o treinamento custou cerca de um nono do Qwen3.7-Plus.

O SKU de produção é o Qwen3.8-Flash no QwenCloud, listado a US$ 0,16 por 1M de tokens de entrada e US$ 0,47 por 1M de tokens de saída, com a API marcada como em breve. O ID do modelo na nuvem é qwen3.8-flash. Já publicamos um guia do Qwen3.8-Flash-Next e um tutorial de setup sobre como rodar o Qwen3.8-Flash-Next localmente como agente de código com OpenCode.

GLM-5.3-Flash vs Qwen3.8-Flash-Next: comparação direta

Nos benchmarks que ambos os laboratórios publicaram, o GLM-5.3-Flash está à frente, como esperado por ser o maior dos dois modelos. Os preços são muito semelhantes.

Codificação e fluxos agentic

O GLM-5.3-Flash lidera as pontuações de codificação e uso de ferramentas que ambos os fornecedores colocaram lado a lado. A tabela de 26 de agosto da Z.ai lista DeepSWE v1.1 em 63,4, Toolathlon Verified em 78,4 e NL2Repo em 56,3. A tabela da Qwen lista 58,7, 73,5 e 48,1 nesses mesmos testes.

Fora isso, a comparação é difícil porque os benchmarks escolhidos diferem entre os fornecedores. A Qwen publicou SWE-bench Pro em 62,5 e SWE-bench Multilingual em 81,0. A Z.ai publicou Terminal Bench 2.1 em 84,3 e AutomationBench em 48,8, além de um resultado interno Z.ai Code Bench v1.0 de 29,0 no esforço máximo contra 29,5 do Claude Opus 4.8, rodado no Claude Code 2.1.207.

Eu trataria o GLM como o Flash de agente de código mais forte no conjunto sobreposto e evitaria coroar um vencedor no SWE-bench sem a pontuação publicada da Z.ai.

Trabalho de escritório e agentes de longo horizonte

A Qwen é o laboratório que publicou pontuações de longo horizonte para tarefas de escritório. CoWorkBench é 73,9 e JobBench é 55,7, bem à frente do Qwen3.7-Plus (65,1 e 27,6) e do Claude Opus 4.6 Max nessas linhas (68,2 e 36,6).

Os números de "trabalho" da Z.ai que se sobrepõem são AutomationBench 48,8 e OfficeQA Pro 62,4, além de ZCode Browser Use e Computer Use para trabalho visual em desktop.

Não são os mesmos testes, então não definem um vencedor. Se o seu modelo mental do trabalho é um agente de escritório multi-hora, a Qwen publicou os testes. Se é automação ao estilo Zapier ou QA de PDFs, a Z.ai publicou esses.

Arquitetura e custo de serving

O Qwen3.8-Flash-Next ativa 6 bilhões de parâmetros por token. O GLM-5.3-Flash ativa 18 bilhões. Essa diferença de 3x é o dado de hardware mais direto nessa dupla, e é por isso que a conversa de serving local tende a cair no Qwen. Na prática, o GGUF UD-Q4_K_XL (~111GB) roda em uma única placa de 96GB com offload para RAM — fizemos aqui.

Ambos usam atenção híbrida. A Z.ai diz que o GLM-5.3-Flash reduz o compute de atenção em 3,0x e o tamanho do cache KV em 4,4x versus o GLM-5.3. A Qwen afirma que o kernel de atenção do QSA é até 7,6x mais rápido no prefill e 4,9x no decode em 1M de tokens, e 8,6x a vazão de prefill do Qwen3.7-Plus com 90% de acerto no prefix-cache.

O truque extra de capacidade ao estilo 51B do GLM não é uma tabela de embeddings; a tabela n-gram de 51B do Qwen foi projetada para ficar na RAM do host e fazer prefetch. Receitas diferentes, mesma proposta: mais capacidade por watt.

Recursos multimodais e contexto

Ambos os modelos recebem imagens na mesma geração que texto. O GLM-5.3-Flash é explicitamente o primeiro membro nativamente multimodal do GLM-5, treinado em um corpus multimodal de 30 trilhões de tokens, com linhas de visão capazes de vídeo (MVBench 77,8, MMVU 80,5).

O Qwen3.8-Flash-Next publica AndroidWorld 84,5, LVBench 76,6, RealWorldQA 88,5 e CharXiv 84,6 sem ferramenta de uso de computador / 90,6 com uma.

O tamanho da janela de contexto é próximo o suficiente para não decidir sozinho. O GLM anuncia janela nativa de 1M de tokens. O Qwen é nativo em 262.144 e estica para 1.000.000 com YaRN. Análises nas notas de pesquisa ainda tratam o 1M do GLM como moderadamente testado em produção.

Preços: quanto você realmente paga

Fora promoções, é quase impossível distinguir os preços dos dois modelos. Qwen e Z.ai estão mirando claramente o mesmo patamar aqui.

Taxas por token, lado a lado

O desenho é quase plano. A saída um pouco mais barata do Qwen ajuda em meses com muita geração; a entrada um pouco mais barata do GLM ajuda em recuperação. A Z.ai cobra tokens de raciocínio na tarifa de saída. A Qwen documenta enable_thinking e reasoning_effort no QwenCloud sem preço separado para tokens de raciocínio, então trate o raciocínio como saída até que digam o contrário.

Ambos publicam tarifas de cache, e precificam o trade de forma diferente. A Z.ai lista leitura de entrada em cache a US$ 0,03 por 1M (US$ 0,015 na promo) e torna as gravações em cache gratuitas durante a janela promocional. A Qwen lê cache a US$ 0,016, mas cobra US$ 0,20 por 1M de tokens para criar um cache explícito.

Assim, a Qwen reduz pela metade sua taxa de leitura de cache, e o GLM oferece a escrita. Se seus prefixos são estáveis e duradouros, a leitura da Qwen vence; se você reescreve caches com frequência, as escritas gratuitas do GLM vencem, pelo menos até 9 de setembro.

Quanto custa uma carga real

Fórmula: (volume ÷ 1M) × tarifa, somado entre entrada e saída, nas tarifas padrão de tabela. Valores promocionais ficam fora da tabela.

O custo de tabela da API empata. A decisão recai sobre o ajuste à carga e se o endpoint existe. Ambos usam tokenizadores específicos do fornecedor, e nenhum publicou contagens de tokens para a mesma carga, então trate esses totais como comparação de tarifa, não de fatura. Até 9 de setembro de 2026, a promoção do GLM reduz à metade os totais da coluna GLM (US$ 0,14, US$ 1,08, US$ 1,00).

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

Se você precisa chamar uma API própria esta semana, o GLM-5.3-Flash é o único produto completo da dupla. Se você está avaliando a arquitetura do Qwen4, ou se se importa com CoWorkBench e JobBench, comece agora com os pesos do Qwen3.8-Flash-Next e adicione o qwen3.8-flash quando estiver disponível no QwenCloud.

Escolha GLM-5.3-Flash se...

• Você precisa de glm-5.3-flash na Z.ai, ou z-ai/glm-5.3-flash no OpenRouter, sem esperar um SKU de nuvem na fila.

• Seu conjunto de avaliação se parece com DeepSWE, Toolathlon, NL2Repo ou Terminal Bench 2.1, e você quer o laboratório que publicou as maiores pontuações sobrepostas.

• Você quer pesos MIT e uma janela nativa de 1M de tokens, e tudo bem ativar 18B de parâmetros.

• Você já está em um GLM Coding Plan e pode usar a franquia 3x versus GLM-5.3, incluindo a promoção até 9 de setembro de 2026.

• Você quer agentes visuais de desktop. Browser Use e Computer Use do ZCode estão no post de lançamento, e o número de resposta da Qwen é OSWorld 2.0 em 19,4, que não é um troféu.

Escolha Qwen3.8-Flash-Next se...

• Você está comprando um preview do Qwen4, não uma API gerenciada finalizada. Hoje, o produto são os pesos.

• Os testes de agente de escritório são os que você realmente acompanha. CoWorkBench e JobBench são a história publicada da Qwen, não do GLM.

• Você quer 6B de parâmetros ativos e uma tabela n-gram que pode ficar na memória do host, inclusive ao lado de um setup local do Qwen3.8-27B.

• Você já vive no Qwen Chat, Qwen Studio, Qwen Code ou aponta qualquer agente compatível com OpenAI (OpenCode, Codex, Qwen Code) para um endpoint local do llama.cpp hoje. O Claude Code precisa de um proxy de tradução.

Como começar com GLM-5.3-Flash e Qwen3.8-Flash-Next

O GLM-5.3-Flash pode ser chamado agora. O Qwen3.8-Flash-Next também, só que no seu próprio hardware ou via roteadores como o OpenRouter. O endpoint de API da própria Qwen deve chegar em breve.

Digite esses IDs exatamente. O ID do Qwen3.8-Flash-Next é qwen3.8-flash (sem o "next"), então não invente um ID de nuvem qwen3.8-flash-next a partir do nome do peso.

Fazendo sua primeira chamada de API

Ambos os modelos falam o formato de chat completions da OpenAI, então você reaproveita o cliente padrão em qualquer um. A forma mais rápida de testá-los lado a lado é o OpenRouter, onde ambos ficam atrás de uma base URL, e a string do modelo é a única coisa que você muda.

from openai import OpenAI
import os

# Um cliente, dois modelos. Troque a string do modelo na linha 12 — nada mais muda.
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",  # ou "qwen/qwen3.8-flash"
    messages=[{"role": "user", "content": "Refatore esta função..."}],
    extra_body={"reasoning": {"effort": "high"}},
)
print(completion.choices[0].message.content)

Ir na API própria custa portabilidade. O endpoint da Z.ai vive em docs.z.ai e aceita thinking: {"type": "enabled"} com reasoning_effort definido como low, high ou max. O da Alibaba usa enable_thinking com reasoning_effort padrão xhigh, em uma base URL do DashScope (internacional, Pequim ou Virgínia). É o mesmo SDK em ambos, mas o controle de raciocínio não é portátil, então preveja um pequeno adaptador se pretende alternar.

Para um passo a passo completo do Qwen, leia nosso tutorial sobre como rodar o Qwen3.8-Flash-Next localmente e o tutorial do Qwen Code CLI. Para serving local da família GLM, use Run GLM-5 Locally For Agentic Coding. Se você já está em uma máquina com Qwen3.8-27B, nosso setup no RTX 5090 é o caminho local irmão, não este preview de 125B.

Considerações finais

Se você precisa publicar contra uma API Flash ativa esta semana, use o GLM-5.3-Flash. Se você está estudando o Qwen4 ou acredita mais no CoWorkBench do que no DeepSWE, use os pesos do Qwen3.8-Flash-Next localmente e mude para o qwen3.8-flash via API quando for lançado.

O que acho mais interessante é como os preços de tabela quase não divergem. A discussão é sobre acesso e qual linha não publicada você está disposto a ignorar, não sobre um penhasco de custo 2x.

Se você quer os conceitos por trás de ambos os MoEs, recomendo nosso curso Large Language Models (LLMs) Concepts e, em seguida, a trilha AI Agent Fundamentals. Para trabalho com hubs e pesos, Working with Hugging Face é o próximo passo prático.