DeepSeek V4.1 Flash 1017 vs GLM 5.3
完整资料:DeepSeek V4.1 Flash 1017(DeepSeek)和 GLM 5.3(Zhipu AI),包括全部基准测试、价格和排名。
更新于 · 数据来自 13 个来源
截至 2026年11月16日,DeepSeek V4.1 Flash 与 GLM 5.3 的质量不相上下(BenchLeader Index 57.7 比 58.8,在 ±4.6 的误差范围内)。DeepSeek V4.1 Flash 更便宜,对方的价格是它的 4.1 倍(每百万 token 混合价格 $0.525 比 $2.15)。看重编程(63 比 60)、长上下文(66 比 65)和推理(56 比 55)选 DeepSeek V4.1 Flash;看重知识(54 比 48)选 GLM 5.3。DeepSeek V4.1 Flash 的输出更快(约 2 倍)。
要点(截至 2026年11月16日)
- DeepSeek V4.1 Flash 的 BenchLeader Index 为 57.7,GLM 5.3 为 58.8(BenchLeader,2026年11月16日)。
- DeepSeek V4.1 Flash 每百万 token 混合价格为 $0.525(标价,2026年11月16日)。
- GLM 5.3 每百万 token 混合价格为 $2.15(标价,2026年11月16日)。
- DeepSeek V4.1 Flash 比 GLM 5.3 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 55 项基准测试中,DeepSeek V4.1 Flash 领先 38 项(BenchLeader,2026年11月16日)。
- 在 Arena WebDev 上,DeepSeek V4.1 Flash 1017 的评分为 1664,GLM 5.3 为 1623(LMArena,截至 2026年11月16日 的公布数据)。
按用途怎么选
推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。
| 用途 | 推荐 | 理由 | 置信度 |
|---|---|---|---|
| 编程 | DeepSeek V4.1 Flash 1017 | 类别得分 63 比 60;Arena WebDev 1664 比 1623 | 中 |
| 智能体与工具调用 | 均可 | 类别得分 58 比 58;Terminal-Bench 38.5% 比 41.2% | 均可 |
| 数学 | 均可 | 类别得分 61 比 60;FrontierMath Tiers 1–3 71.2% 比 68.8% | 均可 |
| 推理 | DeepSeek V4.1 Flash 1017 | 类别得分 56 比 55;GPQA Diamond 93.2% 比 90.9% | 中 |
| 知识 | GLM 5.3 | 类别得分 54 比 48;AA-Omniscience v1.1 6.0 比 0.9 | 中 |
| 长文档 | DeepSeek V4.1 Flash 1017 | 类别得分 66 比 65;AA-LCR v1.1 82.7% 比 79.7% | 中 |
| 对话质量(人类偏好) | – | 只有 GLM 5.3 有 Arena 评分(类别得分 67) | 无法比较 |
| 成本最低 | DeepSeek V4.1 Flash 1017 | 每百万 token 混合价格 $0.525 比 $2.15;智能体编程会话 $0.023 比 $0.102 | – |
| 首次回答最快 | DeepSeek V4.1 Flash 1017 | 首个回答 token 39.7 秒(DeepSeek V4.1 Flash 1017 (max))比 57.6 秒(GLM 5.3 (max)) | – |
| 低预算大批量 | 两者都不选 | 通常更小的模型更合适:便宜好用的大模型、最快的大模型 | – |
主要差异
- DeepSeek V4.1 Flash 1017 (max) 与 GLM 5.3 (max) 的质量不相上下(57.7 比 58.8,在 ±4.6 的误差范围内)。
- DeepSeek V4.1 Flash 1017 (max) 在编程、长上下文、数学、推理方面更强。
- GLM 5.3 (max) 在知识方面更强。
- DeepSeek V4.1 Flash 1017 (max) 更便宜,对方的价格是它的 4.1 倍(每百万 token 混合价格 $0.525 比 $2.15)。
- DeepSeek V4.1 Flash 1017 (max) 的输出速度是对方的 2.0 倍(174 比 88 token/秒)。
概览
| 规格 | DeepSeek V4.1 Flash 1017 | GLM 5.3 |
|---|---|---|
| 提供商 | DeepSeek | Zhipu AI |
| 发布日期 | 2026年10月17日 | 2026年8月18日 |
| 上下文窗口(token) | 1,048,576 | 1,000,000 |
| 对比时的配置 | DeepSeek V4.1 Flash 1017 (max) | GLM 5.3 (max) |
| 开放权重 | 是 | 是 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $0.300 / $1.20 / $0.0060 | $1.40 / $4.40 / $0.260 |
逐类别对比
类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。
| 类别 | DeepSeek V4.1 Flash 1017 (max) | GLM 5.3 (max) | 领先者 |
|---|---|---|---|
| 推理 | 55.7 | 54.7 | DeepSeek V4.1 Flash 1017 |
| 编程 | 63.0 | 59.7 | DeepSeek V4.1 Flash 1017 |
| 智能体与工具 | 57.6 | 57.6 | 持平 |
| 数学 | 60.9 | 60.0 | 持平 |
| 知识 | 47.7 | 53.5 | GLM 5.3 |
| 人类偏好 | – | 67.2 | 无法比较 |
| 多模态 | 63.0 | – | 无法比较 |
| 长上下文 | 66.0 | 64.5 | DeepSeek V4.1 Flash 1017 |
| 综合 | 55.5 | – | 无法比较 |
同一图表对比
各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。
未绘制(测得的模型少于两个):指令遵循, 多模态, 人类偏好。
各来源的分歧
在两者都有结果的 55 项基准测试中,DeepSeek V4.1 Flash 1017 领先 38 项,GLM 5.3 领先 17 项。所有同时评测两者的综合评分都认为 DeepSeek V4.1 Flash 1017 更强。
| 综合 Index | DeepSeek V4.1 Flash 1017 (max) | GLM 5.3 (max) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 57.7 | 58.8 | 不相上下 |
| AA Intelligence Index v5.0.1 | 32.6 | 31.6 | DeepSeek V4.1 Flash 1017 |
| Vals Index | 61.3 | 59.9 | DeepSeek V4.1 Flash 1017 |
各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。
价格、速度与延迟
标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。
| 指标 | DeepSeek V4.1 Flash 1017 (max) | GLM 5.3 (max) |
|---|---|---|
| 每百万 token 混合价格 | $0.525 | $2.15 |
| 每百万 token 输入 / 输出 | $0.300 / $1.20 | $1.40 / $4.40 |
| 每百万 token 缓存输入 | $0.0060 | $0.260 |
| 每项任务价格:聊天回复 | $0.0005 | $0.0019 |
| 每项任务价格:总结一份 30 页的报告 | $0.0043 | $0.019 |
| 每项任务价格:代码编辑 | $0.0036 | $0.015 |
| 每项任务价格:智能体编程会话 | $0.023 | $0.102 |
| 每项任务价格:结构化信息提取 | $0.0008 | $0.0037 |
| 智能体编程会话(输入大多命中缓存) | $0.0096 | $0.050 |
| 每项基准测试任务成本(AA Index) | $0.602 | $5.01 |
| 每项任务输出 token(AA Index) | 139k | 119k |
| 其中推理部分 | 91k | 85k |
| 每项任务耗时(AA Index) | 13 min | 23 min |
| 输出速度 | 174 tok/s | 88 tok/s |
| 首次回答时间 | 39.7 秒 | 57.6 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 91.2 秒 | 144.1 秒 |
按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 DeepSeek V4.1 Flash 1017 (max) 上花费 $0.602,在 GLM 5.3 (max) 上花费 $5.01;完成同样的工作,DeepSeek V4.1 Flash 1017 (max) 输出的 token 是对方的 1.2 倍。
每个模型都按其排名最高的推理强度设置进行对比。DeepSeek V4.1 Flash 1017 (max) 得分 57.7,首个回答 token 需 40 秒;DeepSeek V4.1 Flash 1017 (high) 为 51.2(20 秒),DeepSeek V4.1 Flash 1017 (无推理) 为 44.9(1 秒)。GLM 5.3 (max) 得分 58.8,首个回答 token 需 58 秒;GLM 5.3 (low) 为 47.3(7 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本
全部基准测试
共 162 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。
| 指标 | 发布方 | DeepSeek V4.1 Flash 1017 (max) | GLM 5.3 (max) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 57.7 | 58.8 |
| 智能体与工具得分 | BenchLeader | 57.6 | 57.6 |
| 编程得分 | BenchLeader | 63.0 | 59.7 |
| 综合得分 | BenchLeader | 55.5 | – |
| 知识得分 | BenchLeader | 47.7 | 53.5 |
| 长上下文得分 | BenchLeader | 66.0 | 64.5 |
| 数学得分 | BenchLeader | 60.9 | 60.0 |
| 多模态得分 | BenchLeader | 63.0 | – |
| 推理得分 | BenchLeader | 55.7 | 54.7 |
| 人类偏好得分 | BenchLeader | – | 67.2 |
| 混合价格(美元/百万 token) | BenchLeader | $0.525 | $2.15 |
| 输出速度 | BenchLeader | 174 tok/s | 88 tok/s |
| 首次回答时间 | BenchLeader | 39.7 秒 | 57.6 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 1,000,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 93.2% | 90.9% |
| SimpleBench | SimpleBench | – | 66.2%† |
| Arena Hard Prompts | Arena (LMArena) | – | 1507 |
| LiveBench 2.0 Reasoning | LiveBench | 89.1% | – |
| LiveBench 1.0 Reasoning | LiveBench | – | 85.8%† |
| GPQA Diamond (AA) | Artificial Analysis | – | 91.7% |
| Humanity's Last Exam (AA) | Artificial Analysis | 43.3% | 42.3% |
| HLE-Diamond (AA) | Artificial Analysis | 25.3% | 17.9% |
| GPQA Diamond (Vals) | Vals AI | – | 88.1% |
| ARC-AGI-1 | ARC Prize | 93.5% | – |
| ARC-AGI-2 | ARC Prize | 78.1% | – |
| ARC-AGI-3 | ARC Prize | 5.8% | – |
| CritPt | Artificial Analysis | 24.0% | 19.1% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 25.0% | 33.5% |
| MysteryMechanism | Vals AI | – | 23.0% |
| HLE-Diamond (Scale) | Scale AI SEAL | 20.5%† | 16.4%† |
| Arena Expert | Arena (LMArena) | – | 1522 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 46.0% | 37.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 49.0% | 33.0% |
| LMCA | Epoch AI Benchmarking Hub | – | 55.5%† |
| DTBench | Epoch AI Benchmarking Hub | – | 87.7%† |
| BTF-3 | Epoch AI Benchmarking Hub | – | 14.9%† |
| 编程 | |||
| SciCode | SciCode | 55.9% | 59.0% |
| WeirdML | WeirdML | – | 75.4% |
| FrontierCode | Cognition | – | 40.1% |
显示全部 162 项基准测试
| 指标 | 发布方 | DeepSeek V4.1 Flash 1017 (max) | GLM 5.3 (max) |
|---|---|---|---|
| 编程 | |||
| Arena Coding | Arena (LMArena) | – | 1522 |
| Arena WebDev | Arena (LMArena) | 1664 | 1623 |
| LiveBench 2.0 Coding | LiveBench | 80.4% | – |
| LiveBench 1.0 Coding | LiveBench | – | 79.0%† |
| LiveCodeBench | Vals AI | – | 80.5% |
| IOI | Vals AI | – | 68.4% |
| SWE-bench (Vals) | Vals AI | – | 95.4% |
| Code Migration | Vals AI | 44.2% | 44.2% |
| Code Migration v1.1 | Vals AI | 67.5% | 55.1% |
| ProgramBench | Vals AI | – | 1.5% |
| Vibe Code Bench 1-100 | Vals AI | – | 20.0% |
| Vibe Code Bench v1.1 | Vals AI | 87.7% | 78.1% |
| Vibe Code Bench 1-100 v1.1 | Vals AI | 26.1% | 29.8% |
| SWE Atlas v1.1 | Scale AI SEAL | – | 58.1%† |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 70.2%† |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 55.6%† |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 48.6%† |
| SWE-Bench Pro V2 | Scale AI SEAL | – | 95.6% |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | – | 84.3% |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 69.0% |
| CursorBench | Cursor | 47.7% | 42.6% |
| ALE-Bench | Epoch AI Benchmarking Hub | 1622 | 1317.4† |
| FrontierSWE | Epoch AI Benchmarking Hub | – | 30.2% |
| WeirdML v3 | WeirdML | 9.2%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 33.8% | 41.9% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 83.9% |
| Startrise Frontend | Startrise | – | 73.2%† |
| GameBench 2 Overall | DuelLab GameBench 2 | 61.4† | 64.6† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 69.9 | 72.3 |
| Design Arena Website | Design Arena | 1295† | 1279† |
| FrontierCode 1.1 (AA) | Artificial Analysis | 43.7% | 40.1% |
| FrontierCode 2.0 (AA) | Artificial Analysis | 28.5% | 21.6% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 38.5% | 41.2% |
| APEX-Agents | Mercor | 69.8% | 56.6%† |
| Arena Agent | Arena (LMArena) | 2 | 1 |
| LiveBench Long Agentic | LiveBench | 38.8% | – |
| LiveBench Browser | LiveBench | 67.2% | – |
| LiveBench Agentic Coding | LiveBench | – | 60.9%† |
| Terminal-Bench 2.1 (Vals) | Vals AI | – | 71.5% |
| MCP Atlas | Scale AI SEAL | – | 84.2%† |
| HiL-Bench | Scale AI SEAL | – | 58.3%† |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 62.3% | 57.5% |
| GDPval-AA v2.1 | Artificial Analysis | 1746 | 1655 |
| τ³-Banking (AA) | Artificial Analysis | – | 50.3% |
| ITBench SRE (AA) | Artificial Analysis | – | 46.1% |
| Analyst Agent (AA) | Artificial Analysis | – | 38.8% |
| CyberBench | Vals AI | – | 72.1% |
| Finance Agent v2 | Vals AI | 57.0% | 55.8% |
| Finance Agent v2.1 | Vals AI | 62.9% | 65.0% |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 14.2% | 14.6% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 9.2% | 8.3% |
| Legal Research Bench | Vals AI | 45.2% | 49.0% |
| SkillsBench | Vals AI | – | 47.5% |
| SREBench | Vals AI | – | 9.2% |
| Tax Agent Bench | Vals AI | 44.4% | 43.3% |
| Terminal-Bench 4.0 (Vals) | Vals AI | 31.8% | 38.9% |
| Terminal-Bench Science | Vals AI | – | 5.7% |
| Arena Agent Task Completion | Arena (LMArena) | 2.3 | 3.1 |
| PostTrainBench | Epoch AI Benchmarking Hub | – | 34.5% |
| Vending-Bench 2 | Andon Labs | – | 8163.6† |
| AutomationBench | Artificial Analysis | 66.6% | 62.2% |
| GDP.pdf (AA) | Artificial Analysis | 17.2% | 11.2% |
| Harvey LAB-AA v1.1 | Harvey | – | 0.3% |
| EnterpriseOps-Gym | Artificial Analysis | – | 36.4% |
| AA-Briefcase v1.1 | Artificial Analysis | 1570 | 1501 |
| GDPx | GDPx by SemiAnalysis | 5.4% | 2.7% |
| Design Arena Agentic | Design Arena | 1282† | 1239† |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 12.9% | 9.5% |
| CWE-Bench (AA) | Artificial Analysis | 69.2% | 55.8% |
| DeepSec-Bench (AA) | Artificial Analysis | 24.9% | 24.3% |
| CyberGym end-to-end (AA) | Artificial Analysis | 76.3% | 29.0% |
| MKA (AA) | Artificial Analysis | 38.5% | – |
| FACTS Search | – | 87.7%† | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 71.2% | 68.8% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 46.3% | 29.3% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 99.4% | 91.1% |
| ProofBench | Vals AI | – | 49.0% |
| LiveBench Mathematics | LiveBench | – | 87.9%† |
| ArXivMath | MathArena | 42.5% | – |
| BrokenArXiv | MathArena | 48.7% | – |
| Arena Maths | Arena (LMArena) | – | 1501 |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 42.5% | 41.0% |
| LiveBench 2.0 Data Analysis | LiveBench | 79.5% | – |
| LiveBench Research | LiveBench | 78.6% | – |
| LiveBench 1.0 Data Analysis | LiveBench | – | 70.2%† |
| AA-Omniscience v1.1 | Artificial Analysis | 0.9 | 6.0 |
| MMLU-Pro | Vals AI | – | 86.8% |
| LegalBench | Vals AI | – | 84.8% |
| TaxEval | Vals AI | – | 72.4% |
| PRBench Finance | Scale AI SEAL | 47.1%† | – |
| PRBench Legal | Scale AI SEAL | 47.3%† | – |
| Excel Modeling Benchmark | Vals AI | 61.8% | 56.3% |
| Excel Modeling Benchmark v1.1 | Vals AI | 69.2% | 69.1% |
| MedCode | Vals AI | – | 42.9% |
| MedScribe | Vals AI | – | 88.8% |
| Public Benefits Bench v1.1 | Vals AI | – | 68.5% |
| Access to Justice Benchmark | Vals AI | 73.1% | 73.7% |
| Financial Coaching Bench | Vals AI | – | 74.1% |
| Immigration Bench | Vals AI | – | 66.7% |
| DrugDiscoveryBench | Scale AI SEAL | 60.6%† | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 39.6% | 32.3% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 35.9% | 61.1% |
| HealthBench Professional (AA) | OpenAI | – | 52.8% |
| FACTS Parametric | – | 40.3%† | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | – | 79.9%† |
| LiveBench Instruction Following | LiveBench | – | 69.3%† |
| MultiChallenge | Scale AI SEAL | 74.9%† | – |
| Arena Instruction Following | Arena (LMArena) | – | 1481 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | – | 1482 |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 2076† |
| Arena Creative Writing | Arena (LMArena) | – | 1456 |
| Arena Multi-turn | Arena (LMArena) | – | 1482 |
| Arena Longer Queries | Arena (LMArena) | – | 1488 |
| 多模态 | |||
| LiveBench Design | LiveBench | 79.8% | – |
| MMMU-Pro | Artificial Analysis | 80.6% | – |
| Humanity's Sixth Sense | Scale AI SEAL | 30.1% | – |
| VIALS-AA | Handshake AI | 40.4% | – |
| Code2Video-AA | Artificial Analysis | – | 1034 |
| AA-3D | Artificial Analysis | – | 794 |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 82.7% | 79.7% |
| MLCR | Artificial Analysis | 26.7% | 17.2% |
| FACTS Grounding | – | 55.2%† | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 159.4† | 157.1† |
| LiveBench 2.0 | LiveBench | 70.3% | – |
| LiveBench 1.0 | LiveBench | – | 76.1%† |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 32.6 | 31.6 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 45.1 | 44.8 |
| AA Progress Index v1 | Artificial Analysis | 323.7 | 322.7 |
| Vals Index | Vals AI | 61.3 | 59.9 |
| Vals Finance Index | Vals AI | 60.9% | 61.4% |
| Vals RSI Index | Vals AI | – | 22.9% |
| Vals Router Index | Vals AI | 61.3%† | 59.7%† |
| Vals Legal Index | Vals AI | 71.9% | 74.6% |
| AA Cyber Index | Artificial Analysis | 56.8 | 36.4 |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 27.2%† | 28.2% |
| DistressBench | Scale AI SEAL | – | 72.5%† |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | 44.4 | 33.3 |
数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。
DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.
变化
- DeepSeek V4.1 Flash 1017 (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
- DeepSeek V4.1 Flash 1017 (max):BenchLeader Index 58.5 → 58.0。
- DeepSeek V4.1 Flash 1017 (max):1 项新结果(Terminal-Bench);1 项分数修订。
- DeepSeek V4.1 Flash 1017 (max):BenchLeader Index 59.0 → 58.5。
- GLM 5.3 (max):1 项新结果(PostTrainBench)。
- DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
- GLM 5.3 (max):4 项分数修订。
- DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
- DeepSeek V4.1 Flash 1017 (max):3 项分数修订。
- GLM 5.3 (max):1 项分数修订;价格 $0.30/M → $0.26/M。
相关对比
- DeepSeek V4.1 Flash 1017 vs Claude Fable 5.2
- DeepSeek V4.1 Flash 1017 vs Gemini 4 Carbon
- DeepSeek V4.1 Flash 1017 vs Claude Opus 5.5
- GLM 5.3 vs Gemini 4 Carbon
- GLM 5.3 vs Claude Opus 5.5
- GLM 5.3 vs GPT-6 Astra
- DeepSeek V4 Pro vs GLM 5.3
- DeepSeek V4.1 Flash 1017 vs GLM 5.2
排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型
DeepSeek V4.1 Flash 1017 vs GLM 5.3:常见问题
- DeepSeek V4.1 Flash 1017 比 GLM 5.3 更好吗?
- DeepSeek V4.1 Flash 1017 (max) 与 GLM 5.3 (max) 的质量不相上下(57.7 比 58.8,在 ±4.6 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
- DeepSeek V4.1 Flash 1017 和 GLM 5.3 哪个更便宜?价格会变吗?
- 目前 DeepSeek V4.1 Flash 1017 更便宜:每百万 token $0.525 比 $2.15(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
- 编程用 DeepSeek V4.1 Flash 1017 还是 GLM 5.3 更好?
- DeepSeek V4.1 Flash 1017 在编程方面得分更高(类别得分 63 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,DeepSeek V4.1 Flash 1017 为 1664,GLM 5.3 为 1623。
- DeepSeek V4.1 Flash 1017 和 GLM 5.3 哪个更快?
- DeepSeek V4.1 Flash 1017 输出更快(约 2 倍;输出 174 比 88 token/秒,Artificial Analysis 7 日中位数)。
- DeepSeek V4.1 Flash 和 DeepSeek V4.1 Flash 1017 是同一个模型吗?
- 本页对比的检查点是 DeepSeek V4.1 Flash 1017(BenchLeader Index 57.7);它取代了之前的版本,因此搜索 DeepSeek V4.1 Flash 的用户也会来到本页。
更多问题(5)
- 智能体和工具调用用 DeepSeek V4.1 Flash 1017 还是 GLM 5.3 更好?
- 两者在智能体任务方面持平(类别得分 58 比 58)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,DeepSeek V4.1 Flash 1017 为 38.5%,GLM 5.3 为 41.2%。
- 处理长文档哪个更好?
- DeepSeek V4.1 Flash 1017 在长上下文基准测试上得分更高(66 比 65)。两者都约为 1M token(DeepSeek V4.1 Flash 1017 为 1,048,576,GLM 5.3 为 1,000,000)。
- 哪个延迟更低?
- DeepSeek V4.1 Flash 1017 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 39.7 秒比 57.6 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
- 第三方基准测试对 DeepSeek V4.1 Flash 1017 和 GLM 5.3 的看法一致吗?
- 在两者都有结果的 55 项基准测试中,DeepSeek V4.1 Flash 1017 领先 38 项,GLM 5.3 领先 17 项。所有同时评测两者的综合评分都认为 DeepSeek V4.1 Flash 1017 更强。
- DeepSeek V4.1 Flash 1017 是什么时候发布的?
- DeepSeek V4.1 Flash 1017 于 2026年10月17日 发布。