10月6日，知乎上冒出来一篇35道题的自建测试。博主Rabbit把qwen3.8-max和GLM-5.3丢进同一批TypeScript函数调用链题目里，结论跟两家官方宣传刚好反着来：纯代码生成两家打平，多步调用链GLM反超16.7个百分点，流式稳定性Qwen 105次请求零断流、GLM断了6次。这条测试底下，两边拥趸吵翻了天：有人刚退了GLM max套餐，吐槽"代码库比较大的情况下，让它去改个功能，它能烧一亿token还改不对"。也有人发帖骂"5.3全是乱码幻觉、已经没法用"。知乎知乎小红书
我不打算裁决"国模第一"。你钱包此刻真正的问题也不是这个。我把8月底到现在社区里真跑过的实测、和四套互相打架的价格口径全部摆成表，这个二选一的答案大概率是：各排各的班。
一、先把两家的"尺子"摆出来，给榜单热度降降温
GLM-5.3（8月14日发布）：和GLM-5.2共用同一个基座，按智谱官方的说法，所有提升都来自后训练强化学习，编程是开源阵营里最强、但离闭源前沿还有距离。Artificial Analysis竞技场开分60，和Kimi K3并列60，被社区称为"中国唯二挤进T1的模型"。多个编程基准拿下开放权重模型最高分——但TerminalBench 3.0分数翻了近6倍，当天就有博主公开质疑测法。微博微博微博
Qwen3.8-Max-0902（9月2日更新，2.4T参数）：Code Arena的WebDev榜首秀1691分，高Claude Opus 5 Max 3分、高Kimi K3 Max 17分，"超越Opus 5"当天刷屏。结果到9月7日，实时榜变成1754分、排第四，前面还有Claude Fable 5.1（1896）、GPT-6 Astra（1860）和Opus 5（1766）。小红书
关于榜单就一句话：Arena实时榜是擂主制，不是奖杯陈列柜。你看到"超越XX"的标题时，先看看这条标题的保质期。
二、社区跑过的实测，结果指向完全不同的方向
# | 谁测的 | 测了什么 | 关键结果 |
|---|---|---|---|
1 | Rabbit（知乎，10/6） | 35道TypeScript真实项目题 | 单步调用87.5%对87.5%打平；12道多步调用链GLM高16.7pp；流式Qwen零断流、GLM断6次 |
2 | stefan_3d_ai（B站，9/24） | Blender/Unity/Godot十项3D硬核任务 | 两家成片"真的能写出切实可用的3D效果"，共同短板是稳定性；另拉Grok 4.6做付费标杆 |
3 | CodeWithYousaf（B站译制，9/22） | 单次提示生成HTML物理模拟 | DeepSeek、Qwen、GLM三家同题横评 |
4 | 老AI人冬冬（知乎，10/1） | 规划质量：DS-V4-Flash出规划+GLM-5.3-Flash评审三轮 | 组合分0.229，反而输给qwen3.8-flash单发0.252 |
5 | 歸藏（微博，8/27） | GLM-5.3-Flash（Ox-Alpha）三场景实测 | “远低于V4 Flash的价格，能力完爆V4 Flash Vision”，算上审美、前端、多模态自评强于V4 Pro |
6 | 琦仔/AI产品狙击手（知乎/小红书） | 鹈鹕骑自行车SVG一笔画测试 | Qwen3.8-Max、GLM等四家混测，前端审美分化明显 |
7 | Wagtail核心团队开发者（小红书转述，10/3） | 整月只用GLM-5.3-Flash干活 | 认真干活部分68美元；失误清单没有"模型不行"，只有半夜自动化烧掉4.5亿token=150美元、高峰限速被迫临时切DeepSeek/通义 |
8 | LuckyA（小红书，9/21） | qwen3.8-max日常消耗 | “差不多的问题，消耗量是GLM-5.3-Flash的几百倍”（个人体验口径） |
9 | eGaYbXe（知乎，10/6） | GLM编程能力考古 | 2.x/3.x时代在Trae里属"三流梯队"，靠agent兼容性突然走红，并提醒"水军很多" |
把正反两边都摆完再说结论：退套餐的golden Jonathan、骂乱码的MLLE游（那条帖子15个赞底下挂了49条评论）、夸"斩杀线"的歸藏、说GLM同价位前后端"没有对手"的难绷——现有证据撑不起"谁第一"，撑得起"分工"。多步工具调用链GLM有样本优势，长输出稳定性Qwen有样本优势，样本都小到不足以外推。GLM的编程口碑本身就是这两年才立起来的：早年在Trae里它"只能算是3流的梯队"，“后来不知从哪个版本开始，突然就火起来了”，与agent工具的高适配是关键变量。知乎
三、四套价格口径在打架，这里才是钱所在的地方
口径1｜官方挂牌价：智谱定价页GLM-5.3-Flash输入0.8元/输出2.8元每百万token（缓存命中0.23元），社区核对口径是"正好是5.3本尊的十分之一"，反推5.3约输入8元/输出28元每百万。Qwen3.8-Max按Arena.ai和第三方报道口径，输入2美元/输出6美元每百万token，0902更新没涨价。知乎小红书
口径2｜自媒体估算价：Rabbit找不到qwen3.8-max国内单独定价，用Qwen3-235B档（¥0.6/¥2.4）估算出"GLM账单贵4.7倍"。把他的估算和口径1放一起看：若Max真是$2/$6，GLM-5.3每token单价反而更便宜。结论：4.7倍这个数字不能传，别人的账单算不出你的钱。知乎
口径3｜平台/聚合器口径：同一模型不同平台差价明显。WorkBuddy用户实测GLM-5.3-Flash的积分消耗是DeepSeek V4.1-Flash的好几倍。有聚合器宣称GLM-5.3官方价6折，属促销口径，以官网为准。另有口径称qwen3.8-max价格约为Kimi K3的一半。知乎知乎知乎
口径4｜订阅与额度：智谱Coding Plan 118元/月是编程用户的基本盘；额度换算上，阿汤哥实测qwen3.8-flash周25亿token额度≈GLM-5.3-flash的40-45亿token档位。知乎
真正的大头成本其实藏在你自己的配置里：
GLM-5.3-Flash的reasoning_effort默认是max档。按智谱自家Z.ai Code Bench：low档每任务约4万token、完成率21.5%；high档6.7万、28.1%；max档14万、29.0%——从high挪到max，token翻倍，只换0.9分。知乎
qwen的thinking模式按社区推算会把输出单价抬到约2.5倍，还额外吃token量——Rabbit的评测全程关闭了thinking，“我这次评测全程关了 thinking，不然输出单价约涨至 2.5 倍”。知乎
第三方900次rollout统计：DeepSWE上Flash单次成本0.24美元、GLM-5.3是3.99美元；"Flash先行、失败升级旗舰"的级联方案解决率80.9%、每任务1.70美元，约为全用5.3的四成成本。
四、任务分工表（可以直接截图）
你的任务 | 派谁 | 依据（样本都小，看方向别看绝对值） |
|---|---|---|
3-4层嵌套的函数调用链Agent | GLM-5.3 | Rabbit 12题样本，+16.7pp |
长输出、生产环境SSE流式 | qwen3.8-max | 105:0零断流（断点存疑是模型还是网关，自测一遍） |
ticket级批量编码、日常干粗活 | GLM-5.3-Flash，effort显式降到high | 1/10价格、AA 57分，Toolathlon比5.3本尊还高5.4分 |
前端、审美、多模态小任务 | GLM-5.3-Flash | 歸藏实测；5.3本尊是纯文本，视觉能力在Flash这边 |
仓库级大重构 | 两家旗舰都要配回归门禁 | 5.3的NL2Repo 56.3 vs Opus 4.8的69.7；golden Jonathan"一亿token改不对"个案 |
长上下文+文生图+Agent全家桶 | qwen系 | 一个key凑齐Max/Flash/图像/语音/本地小模型，企业省对接成本 |
通宵自动化 | 任何模型，先设token上限 | 4.5亿token/150美元/晚，事故来自没人盯 |
五、避坑清单（每一条都有人付过钱）
GLM的`tool_choice: auto`有时无视、直接输出纯文本，改用`required`稳——Rabbit实测"zhipu 的 tool_choice 参数行为不一致"。知乎
GLM有时把function call的`arguments`返回成对象而不是字符串，写死`JSON.parse`会炸`[object Object]`，加个类型判断——Rabbit把它记为"与 OpenAI function calling 规范不符"的非标准行为。
GLM-5.3-Flash默认max档思考，批量任务先改effort再跑。
高峰时段会限速变慢：AA发布期实测Flash输出50 tok/s出头，低于同类约67的中位水平；备一个同级模型救急，Wagtail团队的做法是切换"也就是改一行配置的事"。
用qwen3.8-max常开用量统计：thinking既涨价又吞token，"消耗几百倍"的抱怨是提醒不是玩笑。
通宵自动化前，先看清自己选了哪个模型——那位英国开发者选错模式跑了一夜AI智能体，“一觉醒来烧掉四亿五千万 token，一百五十美元，五度电”。知乎
榜单"超越XX"的标题保质期以天计，看一周均值再动钱包。
六、接下来盯什么
GLM-5.3-FlashX（9月18日上线，输入2元/输出7元每百万，200 tok/s）：智谱把速度单独拆成新型号卖，它和旗舰5.3之间的定价差，值得你决定要不要为"快"多付钱前先观察。知乎
Qwen国内定价口径：如果阿里哪天单独公布qwen3.8-max的国内价，"4.7倍"之争就终结了，在那之前所有价差结论都是估算。
算力余量：唐杰自己说"其实还是算力短缺"，Flash类模型的限流、减速可能贯穿全年。微博
你自己那5道题：两家API都走OpenAI兼容接口，聚合平台上改个model ID就能A/B——把你项目里最真实的5个任务各跑3次，那张账单才是唯一属于你的评测。
一个月前大家问"GLM-5.3值不值得换"。现在更好的问题是：哪些活继续给老模型，哪些活交给新模型。 模型不是信仰题，是排班题。
