GLM-5.3-Flash vs Qwen3.8-Flash-Next：编程、成本与可用性

GLM-5.3-Flash 是什么？

GLM-5.3-Flash 是 Z.ai 在 GLM-5 系列中首个原生多模态模型，于 2026 年 8 月 26 日发布，总参数 3200 亿、激活参数 180 亿。Z.ai 的发布文章称，其在编程与智能体基准上优于 GLM-5.2，同时价格约为后者的十分之一；在折扣档位上，Artificial Analysis Intelligence Index v4.1.1 得分为 57，单次任务成本为 0.045 美元。

其架构才是核心看点：混合线性与稀疏注意力、流形约束超连接（mHC）、30 万亿 token 的多模态语料，以及 45 层（对比 GLM-4.5 的 92 层）。Z.ai 在命名前曾以 ox-alpha 匿名身份在 OpenCode 与 OpenRouter 上运行，并部署在国产 AI 芯片上。权重以 MIT 许可发布在 Hugging Face，提供 SGLang、vLLM 与 TokenSpeed 的服务方案。

更多细节可参阅我们的独立GLM-5.3-Flash 指南。上代内容见我们的 GLM-5.2 指南及本地运行 GLM-5 进行智能体编程教程。

Qwen3.8-Flash-Next 是什么？

Qwen3.8-Flash-Next 是阿里巴巴通义千问团队在 2026 年 8 月 26 日发布的面向 Qwen4 架构的开放权重预览。主模型 1250 亿参数，外加 510 亿参数的 n-gram 嵌入表，每个 token 激活参数 60 亿。原生上下文为 262,144 个 token，可用 YaRN 扩展至 1,000,000。通义称其训练成本约为 Qwen3.7-Plus 的九分之一。

面向生产的 SKU 是 QwenCloud 上的Qwen3.8-Flash，标价为每百万输入 token 0.16 美元、每百万输出 token 0.47 美元，API 标注为即将上线。云端模型 ID 为 qwen3.8-flash。我们已发布独立的Qwen3.8-Flash-Next 指南，以及使用 OpenCode 将 Qwen3.8-Flash-Next 作为本地编程智能体运行的配置教程。

GLM-5.3-Flash vs Qwen3.8-Flash-Next：正面比较

在两家都公布的基准上，GLM-5.3-Flash 领先——这也符合其规模更大的直觉。两者的定价非常接近。

编程与智能体式工作流

在两家放在同一行对比的编程与工具使用分数上，GLM-5.3-Flash 领先。Z.ai 于 8 月 26 日的表中列出：DeepSWE v1.1 为 63.4、Toolathlon Verified 为 78.4、NL2Repo 为 56.3。Qwen 的表中对应三项为 58.7、73.5 与 48.1。

除此之外，由于两家选择的其他基准不同，难以直接横评。Qwen 公布了 SWE-bench Pro 62.5 与 SWE-bench Multilingual 81.0。Z.ai 则公布了 Terminal Bench 2.1 为 84.3、AutomationBench 为 48.8，以及自家 Z.ai Code Bench v1.0 在最大努力下 29.0 的结果（Claude Code 2.1.207 下的 Claude Opus 4.8 为 29.5）。

在重叠集合上，我会将 GLM 视为更强的编程型 Flash，但在 Z.ai 公布 SWE-bench 成绩前，不急于判定该项胜者。

办公与长程智能体

发布长程办公分数的是 Qwen。CoWorkBench 为 73.9、JobBench 为 55.7，均显著领先于 Qwen3.7-Plus（65.1 与 27.6）以及同表行的 Claude Opus 4.6 Max（68.2 与 36.6）。

Z.ai 在“工作”相关的重叠数据为 AutomationBench 48.8 与 OfficeQA Pro 62.4，并公布了面向可视化桌面工作的 ZCode Browser Use 与 Computer Use。

这并非相同测试，难分高下。若您将工作想象为“多小时的办公智能体”，Qwen 给出了相应基准；若是偏向 Zapier 风格自动化或 PDF 办公问答，GLM 给出了对应数据。

架构与服务成本

Qwen3.8-Flash-Next 每 token 激活 60 亿参数；GLM-5.3-Flash 为 180 亿。3 倍差距是两者在硬件侧最清晰的事实，这也是本地部署讨论更常落到 Qwen 的原因。实际中，UD-Q4_K_XL GGUF（约 111GB）可在单张 96GB 显卡上配合内存卸载运行——我们已这样做过。

两者均采用混合注意力。Z.ai 称 GLM-5.3-Flash 相比 GLM-5.3 将注意力计算降低 3.0 倍、KV 缓存缩小 4.4 倍。Qwen 称 QSA 的注意力内核在 100 万 token 下预填速度最高快 7.6 倍、解码快 4.9 倍，且在 90% 前缀缓存命中率下，预填吞吐为 Qwen3.7-Plus 的 8.6 倍。

GLM 的“额外 51B 式”容量并非嵌入表；Qwen 的 51B n-gram 表设计为驻留主内存并预取。配方不同，诉求一致：每瓦特产能更高。

多模态与上下文

两款模型都能在同一代中接收图像与文本。GLM-5.3-Flash 明确为 GLM-5 的首个原生多模态成员，基于 30 万亿 token 的多模态语料训练，具备视频相关视觉能力（MVBench 77.8、MMVU 80.5）。

Qwen3.8-Flash-Next 公布了 AndroidWorld 84.5、LVBench 76.6、RealWorldQA 88.5，以及 CharXiv 无工具 84.6 / 有计算机使用工具 90.6。

上下文窗口的体量相近，不足以单独作为决策依据。GLM 标称原生 100 万 token；Qwen 原生 262,144，可用 YaRN 拉伸至 100 万。研究注解中仍将 GLM 的 100 万视为在生产中“轻度压力测试”。

定价：您实际会花多少钱

撇开促销，几乎难以区分两者定价。Qwen 与 Z.ai 显然瞄准了同一价位层。

Token 费率对照

整体几乎持平。Qwen 略低的输出价利好生成密集型月份；GLM 略低的输入价利好检索。Z.ai 将“思考”token 按输出价计费。Qwen 在 QwenCloud 文档中提供了 enable_thinking 与 reasoning_effort 设置，且未单列思考 token 价格，因此在另行说明前，可将推理视作输出计费。

两家都公布了缓存费率，但定价侧重点不同。Z.ai 的缓存输入为每百万 token 0.03 美元（促销期 0.015 美元），且在促销期内缓存写入免费。Qwen 的缓存读取为 0.016 美元，但显式创建缓存需按每百万 token 0.20 美元计费。

因此，Qwen 将缓存读取费用减半，而 GLM 赠送写入。若您的前缀稳定且长期复用，Qwen 的读取价更优；若您经常重写缓存，GLM 的免费写入更划算，至少在 9 月 9 日之前如此。

真实工作负载的成本

计算公式：（用量 ÷ 1,000,000）× 费率，分别对输入与输出求和，按标准标价。表内不计促销。

API 标价层面的成本几乎打平。选择取决于工作负载匹配度以及端点是否可用。两者均使用各自的分词器，且未公布共享工作负载下的 token 统计，因此请将这些合计视为费率对比，而非最终账单。至 2026 年 9 月 9 日，GLM 的促销会将 GLM 列的总额对半（$0.14、$1.08、$1.00）。

何时选择 GLM-5.3-Flash，何时选择 Qwen3.8-Flash-Next

若您本周需要调用一方 API，GLM-5.3-Flash 是这对组合中唯一“完整”的产品。若您评估 Qwen4 架构，或关注 CoWorkBench 与 JobBench，请先用 Qwen3.8-Flash-Next 的权重本地测试，待 QwenCloud 上线后再接入 qwen3.8-flash。

若以下情况，请选择 GLM-5.3-Flash：

• 您需要在 Z.ai 使用 glm-5.3-flash，或在 OpenRouter 使用 z-ai/glm-5.3-flash，而不想等待排队中的云端 SKU。

• 您的评测集接近 DeepSWE、Toolathlon、NL2Repo 或 Terminal Bench 2.1，并希望选择在重叠项目上分数更高的实验室。

• 您需要 MIT 许可的权重与原生 100 万 token 窗口，且接受激活 180 亿参数。

• 您已订阅 GLM Coding Plan，可享受相对 GLM-5.3 的 3 倍配额，包括截至 2026 年 9 月 9 日的促销。

• 您想要视觉桌面型智能体。ZCode 的 Browser Use 与 Computer Use 已在发布文中出现；而 Qwen 的对应数据是 OSWorld 2.0 的 19.4 分，这并不亮眼。

若以下情况，请选择 Qwen3.8-Flash-Next：

• 您购买的是 Qwen4 的预览，而非已托管完成的一方 API。当前产品形态是权重。

• 您真正关心的是办公智能体基准。CoWorkBench 和 JobBench 是 Qwen 的主打，而非 GLM 的。

• 您希望每 token 仅激活 60 亿参数，并使用可驻留主内存的 n-gram 表，包括与Qwen3.8-27B 本地部署相邻的环境。

• 您已在使用 Qwen Chat、Qwen Studio、Qwen Code，或将任一兼容 OpenAI 的智能体（OpenCode、Codex、Qwen Code）指向本地 llama.cpp 端点。Claude Code 需要中转代理。

如何开始使用 GLM-5.3-Flash 与 Qwen3.8-Flash-Next

GLM-5.3-Flash 现已可调用。Qwen3.8-Flash-Next 也可用，但仅限于您自有硬件或通过 OpenRouter 等路由使用。Qwen 自家的 API 端点预计很快上线。

请严格按 ID 书写。Qwen3.8-Flash-Next 的云端 ID 就是 qwen3.8-flash（不含“next”），不要根据权重名自行“发明”qwen3.8-flash-next 的云端 ID。

发起您的首个 API 调用

两者都支持 OpenAI 的聊天补全格式，因此可复用同一标准客户端。最快的对比方式是使用 OpenRouter，两者共用一个 base URL，您只需更换模型字符串。

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)

走一方 API 会损失可移植性。Z.ai 的端点在 docs.z.ai，接受 thinking: {"type": "enabled"}，reasoning_effort 可设为 low、high 或 max。阿里巴巴端接受 enable_thinking，reasoning_effort 默认为 xhigh，基于 DashScope（国际、北京或弗吉尼亚）URL。SDK 用法基本一致，但“推理力度”的参数名不可移植，若打算切换，请预留一个小适配层。

完整的 Qwen 上手可参阅我们的本地运行 Qwen3.8-Flash-Next教程与Qwen Code CLI 教程。GLM 家族的本地服务请参考本地运行 GLM-5 以进行智能体编程。若您已在用 Qwen3.8-27B 机器，我们的RTX 5090 配置是对应的本地路径，而非此 125B 预览。

结语

若您本周需要对接可用的 Flash API，请用 GLM-5.3-Flash。若您在研究 Qwen4，或更认可 CoWorkBench 而非 DeepSWE，请在本地使用 Qwen3.8-Flash-Next 权重，并在 API 上线后切换到 qwen3.8-flash。

我觉得最有意思的是，双方的标价几乎没有分歧。争论的焦点在于可用性与您愿意忽略哪些未公布的项目，而不是“价格翻倍”的悬崖。

若您想系统理解两家 MoE 背后的概念，推荐我们的大型语言模型（LLM）概念课程，接着是AI 智能体基础学习路径。若做 Hugging Face 与权重相关的实践，玩转 Hugging Face是务实的下一步。