GLM 5.3 Flash vs Qwen3.8 2.4T A95B
完整资料:GLM 5.3 Flash(Zhipu AI)和 Qwen3.8 2.4T A95B(Alibaba),包括全部基准测试、价格和排名。
更新于 · 数据来自 12 个来源
截至 2026年11月16日,GLM 5.3 Flash 与 Qwen3.8 2.4T A95B 的质量不相上下(BenchLeader Index 57.8 比 51.4,在 ±15.1 的误差范围内)。GLM 5.3 Flash 更便宜,对方的价格是它的 13 倍(每百万 token 混合价格 $0.238 比 $3.00)。看重智能体与工具(59 比 48)和推理(48 比 46)选 GLM 5.3 Flash;看重知识(49 比 45)选 Qwen3.8 2.4T A95B。
要点(截至 2026年11月16日)
- GLM 5.3 Flash 的 BenchLeader Index 为 57.8,Qwen3.8 2.4T A95B 为 51.4(BenchLeader,2026年11月16日)。
- GLM 5.3 Flash 每百万 token 混合价格为 $0.238(标价,2026年11月16日)。
- Qwen3.8 2.4T A95B 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
- 在两者都有结果的 27 项基准测试中,Qwen3.8 2.4T A95B 领先 14 项(BenchLeader,2026年11月16日)。
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 |
|---|---|---|---|
| 智能体与工具调用 | GLM 5.3 Flash | 类别得分 59 比 48;CWE-Bench (AA) 55.8% 比 28.3% | 高 |
| 推理 | GLM 5.3 Flash | 类别得分 48 比 46;HLE-Diamond (AA) 18.2% 比 20.1% | 中 |
| 知识 | Qwen3.8 2.4T A95B | 类别得分 49 比 45;AA-Omniscience v1.1 7.8 比 0.7 | 中 |
| 长文档 | 均可 | 类别得分 65 比 65;AA-LCR v1.1 80.0% 比 80.3% | 均可 |
| 对话质量(人类偏好) | – | 只有 GLM 5.3 Flash 有 Arena 评分(类别得分 66) | 无法比较 |
| 成本最低 | GLM 5.3 Flash | 每百万 token 混合价格 $0.238 比 $3.00;智能体编程会话 $0.011 比 $0.144 | – |
| 首次回答最快 | 均可 | 首个回答 token 87.0 秒(GLM 5.3 Flash)比 107.3 秒(Qwen3.8 2.4T A95B) | – |
| 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
- GLM 5.3 Flash 与 Qwen3.8 2.4T A95B 的质量不相上下(57.8 比 51.4,在 ±15.1 的误差范围内)。
- GLM 5.3 Flash 在智能体与工具、推理方面更强。
- Qwen3.8 2.4T A95B 在知识、长上下文方面更强。
- GLM 5.3 Flash 更便宜,对方的价格是它的 13 倍(每百万 token 混合价格 $0.238 比 $3.00)。
- GLM 5.3 Flash 的输出速度是对方的 1.3 倍(54 比 41 token/秒)。
概览
| 规格 | GLM 5.3 Flash | Qwen3.8 2.4T A95B |
|---|---|---|
| 提供商 | Zhipu AI | Alibaba |
| 发布日期 | 2026年8月20日 | 2026年8月12日 |
| 上下文窗口(token) | 1,000,000 | 1,000,000 |
| 对比时的配置 | GLM 5.3 Flash | Qwen3.8 2.4T A95B |
| 开放权重 | 是 | 是 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $0.150 / $0.500 / $0.030 | $2.00 / $6.00 / $0.250 |
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 | GLM 5.3 Flash | Qwen3.8 2.4T A95B | 领先者 |
|---|---|---|---|
| 推理 | 48.3 | 46.4 | GLM 5.3 Flash |
| 编程 | 56.9 | – | 无法比较 |
| 智能体与工具 | 58.7 | 47.8 | GLM 5.3 Flash |
| 数学 | 68.8 | – | 无法比较 |
| 知识 | 45.1 | 49.0 | Qwen3.8 2.4T A95B |
| 人类偏好 | 66.4 | – | 无法比较 |
| 多模态 | 64.0 | – | 无法比较 |
| 长上下文 | 64.6 | 64.8 | 持平 |
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):编程, 数学, 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 27 项基准测试中,GLM 5.3 Flash 领先 13 项,Qwen3.8 2.4T A95B 领先 14 项。
| 综合 Index | GLM 5.3 Flash | Qwen3.8 2.4T A95B | 领先者 |
|---|---|---|---|
| BenchLeader Index | 57.8 | 51.4 | 不相上下 |
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 | GLM 5.3 Flash | Qwen3.8 2.4T A95B |
|---|---|---|
| 每百万 token 混合价格 | $0.238 | $3.00 |
| 每百万 token 输入 / 输出 | $0.150 / $0.500 | $2.00 / $6.00 |
| 每百万 token 缓存输入 | $0.030 | $0.250 |
| 每项任务价格:聊天回复 | $0.0002 | $0.0026 |
| 每项任务价格:总结一份 30 页的报告 | $0.0021 | $0.028 |
| 每项任务价格:代码编辑 | $0.0017 | $0.021 |
| 每项任务价格:智能体编程会话 | $0.011 | $0.144 |
| 每项任务价格:结构化信息提取 | $0.0004 | $0.0052 |
| 智能体编程会话(输入大多命中缓存) | $0.0056 | $0.065 |
| 每项基准测试任务成本(AA Index) | $0.583 | – |
| 每项任务输出 token(AA Index) | 134k | – |
| 其中推理部分 | 103k | – |
| 每项任务耗时(AA Index) | 41 min | – |
| 输出速度 | 54 tok/s | 41 tok/s |
| 首次回答时间 | 87.0 秒 | 107.3 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 220.4 秒 | 248.5 秒 |
每个模型都按其排名最高的推理强度设置进行对比。GLM 5.3 Flash 得分 57.8,首个回答 token 需 87 秒;GLM 5.3 Flash (max) 为 52.4(87 秒)。Qwen3.8 2.4T A95B 得分 51.4,首个回答 token 需 107 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 136 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 | GLM 5.3 Flash | Qwen3.8 2.4T A95B |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 57.8 | 51.4 |
| 智能体与工具得分 | BenchLeader | 58.7 | 47.8 |
| 编程得分 | BenchLeader | 56.9 | – |
| 人类偏好得分 | BenchLeader | 66.4 | – |
| 知识得分 | BenchLeader | 45.1 | 49.0 |
| 长上下文得分 | BenchLeader | 64.6 | 64.8 |
| 数学得分 | BenchLeader | 68.8 | – |
| 多模态得分 | BenchLeader | 64.0 | – |
| 推理得分 | BenchLeader | 48.3 | 46.4 |
| 混合价格(美元/百万 token) | BenchLeader | $0.238 | $3.00 |
| 输出速度 | BenchLeader | 54 tok/s | 41 tok/s |
| 首次回答时间 | BenchLeader | 87.0 秒 | 107.3 秒 |
| 上下文窗口 | BenchLeader | 1,000,000 token | 1,000,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 90.2%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1500 | – |
| LiveBench 2.0 Reasoning | LiveBench | 77.6%† | – |
| LiveBench 1.0 Reasoning | LiveBench | 77.6% | – |
| GPQA Diamond (AA) | Artificial Analysis | 91.2% | 93.5% |
| Humanity's Last Exam (AA) | Artificial Analysis | 39.9% | 42.5% |
| HLE-Diamond (AA) | Artificial Analysis | 18.2% | 20.1% |
| GPQA Diamond (Vals) | Vals AI | 86.4%† | – |
| ARC-AGI-1 | ARC Prize | 91.0%† | – |
| ARC-AGI-2 | ARC Prize | 65.8%† | – |
| CritPt | Artificial Analysis | 15.4% | 20.0% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 24.5% | – |
| Arena Expert | Arena (LMArena) | 1511 | – |
| Chess Puzzles | Epoch AI Benchmarking Hub | 21.0%† | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 8.0%† | – |
| BTF-3 | Epoch AI Benchmarking Hub | 14.9% | – |
| 编程 | |||
| SciCode | SciCode | 51.6% | – |
| FrontierCode | Cognition | 31.8%† | – |
| Arena Coding | Arena (LMArena) | 1526 | – |
| Arena WebDev | Arena (LMArena) | 1609 | – |
| LiveBench 2.0 Coding | LiveBench | 70.9%† | – |
| LiveBench 1.0 Coding | LiveBench | 79.0% | – |
| SciCode (AA) | Artificial Analysis | 51.6% | 54.0% |
| LiveCodeBench | Vals AI | 80.5%† | – |
| IOI | Vals AI | 52.5%† | – |
显示全部 136 项基准测试
| 指标 | 发布方 | GLM 5.3 Flash | Qwen3.8 2.4T A95B |
|---|---|---|---|
| 编程 | |||
| SWE-bench (Vals) | Vals AI | 92.0%† | – |
| Code Migration | Vals AI | 20.5%† | – |
| Code Migration v1.1 | Vals AI | 51.6%† | – |
| ProgramBench | Vals AI | 0.0%† | – |
| Vibe Code Bench 1-100 | Vals AI | 16.0%† | – |
| Vibe Code Bench v1.1 | Vals AI | 30.8%† | – |
| SWE Atlas v1.1 | Scale AI SEAL | 55.3% | – |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | 66.9% | – |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | 53.3% | – |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | 45.7% | – |
| Surface Evolver Bench | Epoch AI Benchmarking Hub | 52.5%† | – |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | 63.4%† | – |
| CursorBench | Cursor | 36.8%† | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 303.6† | – |
| FrontierSWE | Epoch AI Benchmarking Hub | 18.1%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 32.8% | 11.1% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 84.3% | 82.0% |
| GameBench 2 Overall | DuelLab GameBench 2 | 54.9 | 52.8 |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 57.2† | 49.3† |
| Design Arena Website | Design Arena | 1257 | – |
| FrontierCode 1.1 (AA) | Artificial Analysis | 41.0% | – |
| FrontierCode 2.0 (AA) | Artificial Analysis | 17.6% | – |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 37.0%† | – |
| APEX-Agents | Mercor | 52.8% | – |
| Arena Agent | Arena (LMArena) | -2.9 | – |
| LiveBench Long Agentic | LiveBench | 20.7%† | – |
| LiveBench Browser | LiveBench | 59.8%† | – |
| LiveBench Agentic Coding | LiveBench | 56.8% | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | 62.9%† | – |
| MCP Atlas | Scale AI SEAL | – | 84.5%† |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 57.1% | 55.4% |
| GDPval-AA v2.1 | Artificial Analysis | 1648 | 1614 |
| τ³-Banking (AA) | Artificial Analysis | 47.2% | 49.1% |
| ITBench SRE (AA) | Artificial Analysis | 51.2% | – |
| Analyst Agent (AA) | Artificial Analysis | 25.0% | – |
| CyberBench | Vals AI | 67.9%† | – |
| Finance Agent v2 | Vals AI | 57.9%† | – |
| Finance Agent v2.1 | Vals AI | 60.6%† | – |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 10.4%† | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 6.7%† | – |
| Legal Research Bench | Vals AI | 45.2%† | – |
| SkillsBench | Vals AI | 40.2%† | – |
| SREBench | Vals AI | 0.8%† | – |
| Tax Agent Bench | Vals AI | 31.6%† | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | 37.4%† | – |
| Terminal-Bench Science | Vals AI | 2.9%† | – |
| Arena Agent Task Completion | Arena (LMArena) | 1.3 | – |
| PostTrainBench | Epoch AI Benchmarking Hub | 36.8%† | – |
| AutomationBench | Artificial Analysis | 60.4% | 57.3% |
| GDP.pdf (AA) | Artificial Analysis | 15.4% | 15.6% |
| Harvey LAB-AA v1.1 | Harvey | 0.8% | – |
| EnterpriseOps-Gym | Artificial Analysis | 33.2% | 47.4% |
| AA-Briefcase v1.1 | Artificial Analysis | 1450 | 1430 |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 4.8% | – |
| CWE-Bench (AA) | Artificial Analysis | 55.8% | 28.3% |
| DeepSec-Bench (AA) | Artificial Analysis | 19.9% | 9.5% |
| CyberGym end-to-end (AA) | Artificial Analysis | 74.0% | 0.0% |
| MKA (AA) | Artificial Analysis | 36.2% | – |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 55.8%† | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 17.1%† | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 93.9%† | – |
| ProofBench | Vals AI | 21.0%† | – |
| LiveBench Mathematics | LiveBench | 81.2% | – |
| Arena Maths | Arena (LMArena) | 1505 | – |
| 知识 | |||
| LiveBench 2.0 Data Analysis | LiveBench | 76.4%† | – |
| LiveBench Research | LiveBench | 73.9%† | – |
| LiveBench 1.0 Data Analysis | LiveBench | 76.4% | – |
| AA-Omniscience v1.1 | Artificial Analysis | 0.7 | 7.8 |
| MMLU-Pro | Vals AI | 86.1%† | – |
| LegalBench | Vals AI | 83.9%† | – |
| TaxEval | Vals AI | 75.6%† | – |
| Excel Modeling Benchmark | Vals AI | 55.9%† | – |
| Excel Modeling Benchmark v1.1 | Vals AI | 66.3%† | – |
| MedScribe | Vals AI | 88.9%† | – |
| Access to Justice Benchmark | Vals AI | 71.1%† | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 14.0%† | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 28.2% | 31.4% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 61.6% | 65.5% |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 77.3% | – |
| LiveBench Instruction Following | LiveBench | 52.8% | – |
| Arena Instruction Following | Arena (LMArena) | 1474 | – |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1475 | – |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 1844 |
| Arena Creative Writing | Arena (LMArena) | 1435 | – |
| Arena Multi-turn | Arena (LMArena) | 1476 | – |
| Arena Longer Queries | Arena (LMArena) | 1480 | – |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1295 | – |
| LiveBench Design | LiveBench | 73.7%† | – |
| MMMU-Pro (Vals) | Vals AI | 86.0%† | – |
| SAGE | Vals AI | 89.3%† | – |
| Humanity's Sixth Sense | Scale AI SEAL | 26.8%† | – |
| VIALS-AA | Handshake AI | 39.8% | – |
| Code2Video-AA | Artificial Analysis | 975 | – |
| AA-3D | Artificial Analysis | 937 | – |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 80.0% | 80.3% |
| MLCR | Artificial Analysis | 11.7% | 30.6% |
| FACTS Grounding | 56.1% | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 153.8 | – |
| LiveBench 2.0 | LiveBench | 60.7%† | – |
| LiveBench 1.0 | LiveBench | 71.6% | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 27.8 | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 41.8 | 40.0 |
| AA Progress Index v1 | Artificial Analysis | 318.6 | 317.8 |
| Vals Index | Vals AI | 50.9† | – |
| Vals Finance Index | Vals AI | 55.8%† | – |
| Vals Router Index | Vals AI | 50.9% | – |
| Vals Legal Index | Vals AI | 71.0%† | – |
| AA Cyber Index | Artificial Analysis | 49.9 | 12.6 |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 26.7% | 21.6%† |
| DistressBench | Scale AI SEAL | 72.7% | 77.5% |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | 44.4 | 27.8 |
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
- GLM 5.3 Flash:BenchLeader Index 56.7 → 57.8。
- Qwen3.8 2.4T A95B:BenchLeader Index 52.0 → 51.5。
- GLM 5.3 Flash:1 项分数修订。
- GLM 5.3 Flash:5 项分数修订。
- GLM 5.3 Flash:1 项新结果(FORTRESS)。
- GLM 5.3 Flash:2 项分数修订;价格 $0.034/M → $0.030/M。
- Qwen3.8 2.4T A95B:1 项分数修订。
- GLM 5.3 Flash:价格 $0.030/M → $0.034/M。
- GLM 5.3 Flash:价格 $0.034/M → $0.030/M。
- Qwen3.8 2.4T A95B:BenchLeader Index 53.0 → 52.0。
相关对比
- GLM 5.3 Flash vs Claude Opus 5.5
- GLM 5.3 Flash vs GPT-6.1 Sol
- GLM 5.3 Flash vs Gemini 4 Argon
- Qwen3.8 2.4T A95B vs Gemini 4 Argon
- GLM 5.3 vs Qwen3.8 2.4T A95B
- GLM 5.3 Flash vs Qwen3.8 Max
- GLM 5.3 Flash vs Claude Sonnet 5.5
- GLM 5.3 Flash vs GPT-5.3-Codex
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
GLM 5.3 Flash vs Qwen3.8 2.4T A95B:常见问题
- GLM 5.3 Flash 比 Qwen3.8 2.4T A95B 更好吗?
- GLM 5.3 Flash 与 Qwen3.8 2.4T A95B 的质量不相上下(57.8 比 51.4,在 ±15.1 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。
- GLM 5.3 Flash 和 Qwen3.8 2.4T A95B 哪个更便宜?价格会变吗?
- 目前 GLM 5.3 Flash 更便宜:每百万 token $0.238 比 $3.00(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。
- GLM 5.3 Flash 和 Qwen3.8 2.4T A95B 哪个更快?
- GLM 5.3 Flash 输出更快(输出 54 比 41 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 GLM 5.3 Flash 还是 Qwen3.8 2.4T A95B 更好?
- GLM 5.3 Flash 在智能体任务方面得分更高(类别得分 59 比 48,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,GLM 5.3 Flash 为 47.2%,Qwen3.8 2.4T A95B 为 49.1%。
- 处理长文档哪个更好?
- 两者在长上下文基准测试上持平(65 比 65)。两者都支持 1,000,000 token 的上下文。
更多问题(3)
- 哪个延迟更低?
- GLM 5.3 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 87.0 秒比 107.3 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 GLM 5.3 Flash 和 Qwen3.8 2.4T A95B 的看法一致吗?
- 在两者都有结果的 27 项基准测试中,GLM 5.3 Flash 领先 13 项,Qwen3.8 2.4T A95B 领先 14 项。
- GLM 5.3 Flash 是什么时候发布的?
- GLM 5.3 Flash 于 2026年8月20日 发布。