GLM 5.3 vs Qwen3.8 2.4T A95B
完整资料:GLM 5.3(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 11 个来源
截至 2026年11月16日,GLM 5.3 与 Qwen3.8 2.4T A95B 的质量不相上下(BenchLeader Index 58.8 比 51.4,在 ±14.6 的误差范围内)。GLM 5.3 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $2.15 比 $3.00)。在两者都有成绩的所有类别中,GLM 5.3 均领先。GLM 5.3 输出更快(约 1.5 倍)。
要点(截至 2026年11月16日)
- GLM 5.3 的 BenchLeader Index 为 58.8,Qwen3.8 2.4T A95B 为 51.4(BenchLeader,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)。
- Qwen3.8 2.4T A95B 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
- GLM 5.3 比 Qwen3.8 2.4T A95B 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 25 项基准测试中,GLM 5.3 领先 15 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 | 类别得分 58 比 48;τ³-Banking (AA) 50.3% 比 49.1% | 高 |
| 推理 | GLM 5.3 | 类别得分 55 比 46;HLE-Diamond (AA) 17.9% 比 20.1% | 高 |
| 知识 | GLM 5.3 | 类别得分 54 比 49;AA-Omniscience v1.1 6.0 比 7.8 | 中 |
| 长文档 | 均可 | 类别得分 65 比 65;AA-LCR v1.1 79.7% 比 80.3% | 均可 |
| 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 | GLM 5.3 | 每百万 token 混合价格 $2.15 比 $3.00;智能体编程会话 $0.102 比 $0.144 | – |
| 首次回答最快 | GLM 5.3 | 首个回答 token 57.6 秒(GLM 5.3 (max))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 (max) 与 Qwen3.8 2.4T A95B 的质量不相上下(58.8 比 51.4,在 ±14.6 的误差范围内)。
- GLM 5.3 (max) 在智能体与工具、知识、推理方面更强。
- Qwen3.8 2.4T A95B 在长上下文方面更强。
- GLM 5.3 (max) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $2.15 比 $3.00)。
- GLM 5.3 (max) 的输出速度是对方的 2.2 倍(88 比 41 token/秒)。
概览
| 规格 | GLM 5.3 | Qwen3.8 2.4T A95B |
|---|---|---|
| 提供商 | Zhipu AI | Alibaba |
| 发布日期 | 2026年8月18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 (max) | 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) | $1.40 / $4.40 / $0.260 | $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 (max) | Qwen3.8 2.4T A95B | 领先者 |
|---|---|---|---|
| 推理 | 54.7 | 46.4 | GLM 5.3 |
| 编程 | 59.7 | – | 无法比较 |
| 智能体与工具 | 57.6 | 47.8 | GLM 5.3 |
| 数学 | 60.0 | – | 无法比较 |
| 知识 | 53.5 | 49.0 | GLM 5.3 |
| 人类偏好 | 67.2 | – | 无法比较 |
| 长上下文 | 64.5 | 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 25 项基准测试中,GLM 5.3 领先 15 项,Qwen3.8 2.4T A95B 领先 10 项。
| 综合 Index | GLM 5.3 (max) | Qwen3.8 2.4T A95B | 领先者 |
|---|---|---|---|
| BenchLeader Index | 58.8 | 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 (max) | Qwen3.8 2.4T A95B |
|---|---|---|
| 每百万 token 混合价格 | $2.15 | $3.00 |
| 每百万 token 输入 / 输出 | $1.40 / $4.40 | $2.00 / $6.00 |
| 每百万 token 缓存输入 | $0.260 | $0.250 |
| 每项任务价格:聊天回复 | $0.0019 | $0.0026 |
| 每项任务价格:总结一份 30 页的报告 | $0.019 | $0.028 |
| 每项任务价格:代码编辑 | $0.015 | $0.021 |
| 每项任务价格:智能体编程会话 | $0.102 | $0.144 |
| 每项任务价格:结构化信息提取 | $0.0037 | $0.0052 |
| 智能体编程会话(输入大多命中缓存) | $0.050 | $0.065 |
| 每项基准测试任务成本(AA Index) | $5.01 | – |
| 每项任务输出 token(AA Index) | 119k | – |
| 其中推理部分 | 85k | – |
| 每项任务耗时(AA Index) | 23 min | – |
| 输出速度 | 88 tok/s | 41 tok/s |
| 首次回答时间 | 57.6 秒 | 107.3 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 144.1 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 (max) 得分 58.8,首个回答 token 需 58 秒;GLM 5.3 (low) 为 47.3(7 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 141 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 (max) | Qwen3.8 2.4T A95B |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 58.8 | 51.4 |
| 智能体与工具得分 | BenchLeader | 57.6 | 47.8 |
| 编程得分 | BenchLeader | 59.7 | – |
| 人类偏好得分 | BenchLeader | 67.2 | – |
| 知识得分 | BenchLeader | 53.5 | 49.0 |
| 长上下文得分 | BenchLeader | 64.5 | 64.8 |
| 数学得分 | BenchLeader | 60.0 | – |
| 推理得分 | BenchLeader | 54.7 | 46.4 |
| 混合价格(美元/百万 token) | BenchLeader | $2.15 | $3.00 |
| 输出速度 | BenchLeader | 88 tok/s | 41 tok/s |
| 首次回答时间 | BenchLeader | 57.6 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 | 90.9% | – |
| SimpleBench | SimpleBench | 66.2%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1507 | – |
| LiveBench 1.0 Reasoning | LiveBench | 85.8%† | – |
| GPQA Diamond (AA) | Artificial Analysis | 91.7% | 93.5% |
| Humanity's Last Exam (AA) | Artificial Analysis | 42.3% | 42.5% |
| HLE-Diamond (AA) | Artificial Analysis | 17.9% | 20.1% |
| GPQA Diamond (Vals) | Vals AI | 88.1% | – |
| CritPt | Artificial Analysis | 19.1% | 20.0% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 33.5% | – |
| MysteryMechanism | Vals AI | 23.0% | – |
| HLE-Diamond (Scale) | Scale AI SEAL | 16.4%† | – |
| Arena Expert | Arena (LMArena) | 1522 | – |
| Chess Puzzles | Epoch AI Benchmarking Hub | 37.0% | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 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 | 59.0% | – |
| WeirdML | WeirdML | 75.4% | – |
| FrontierCode | Cognition | 40.1% | – |
| Arena Coding | Arena (LMArena) | 1522 | – |
| Arena WebDev | Arena (LMArena) | 1623 | – |
| LiveBench 1.0 Coding | LiveBench | 79.0%† | – |
| SciCode (AA) | Artificial Analysis | 59.0% | 54.0% |
显示全部 141 项基准测试
| 指标 | 发布方 | GLM 5.3 (max) | Qwen3.8 2.4T A95B |
|---|---|---|---|
| 编程 | |||
| LiveCodeBench | Vals AI | 80.5% | – |
| IOI | Vals AI | 68.4% | – |
| SWE-bench (Vals) | Vals AI | 95.4% | – |
| Code Migration | Vals AI | 44.2% | – |
| Code Migration v1.1 | Vals AI | 55.1% | – |
| ProgramBench | Vals AI | 1.5% | – |
| Vibe Code Bench 1-100 | Vals AI | 20.0% | – |
| Vibe Code Bench v1.1 | Vals AI | 78.1% | – |
| Vibe Code Bench 1-100 v1.1 | Vals AI | 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 | 42.6% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 1317.4† | – |
| FrontierSWE | Epoch AI Benchmarking Hub | 30.2% | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 41.9% | 11.1% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 83.9% | 82.0% |
| Startrise Frontend | Startrise | 73.2%† | – |
| GameBench 2 Overall | DuelLab GameBench 2 | 64.6† | 52.8 |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 72.3 | 49.3† |
| Design Arena Website | Design Arena | 1279† | – |
| FrontierCode 1.1 (AA) | Artificial Analysis | 40.1% | – |
| FrontierCode 2.0 (AA) | Artificial Analysis | 21.6% | – |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 41.2% | – |
| APEX-Agents | Mercor | 56.6%† | – |
| Arena Agent | Arena (LMArena) | 1 | – |
| LiveBench Agentic Coding | LiveBench | 60.9%† | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | 71.5% | – |
| MCP Atlas | Scale AI SEAL | 84.2%† | 84.5%† |
| HiL-Bench | Scale AI SEAL | 58.3%† | – |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 57.5% | 55.4% |
| GDPval-AA v2.1 | Artificial Analysis | 1655 | 1614 |
| τ³-Banking (AA) | Artificial Analysis | 50.3% | 49.1% |
| ITBench SRE (AA) | Artificial Analysis | 46.1% | – |
| Analyst Agent (AA) | Artificial Analysis | 38.8% | – |
| CyberBench | Vals AI | 72.1% | – |
| Finance Agent v2 | Vals AI | 55.8% | – |
| Finance Agent v2.1 | Vals AI | 65.0% | – |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 14.6% | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 8.3% | – |
| Legal Research Bench | Vals AI | 49.0% | – |
| SkillsBench | Vals AI | 47.5% | – |
| SREBench | Vals AI | 9.2% | – |
| Tax Agent Bench | Vals AI | 43.3% | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | 38.9% | – |
| Terminal-Bench Science | Vals AI | 5.7% | – |
| Arena Agent Task Completion | Arena (LMArena) | 3.1 | – |
| PostTrainBench | Epoch AI Benchmarking Hub | 34.5% | – |
| Vending-Bench 2 | Andon Labs | 8163.6† | – |
| AutomationBench | Artificial Analysis | 62.2% | 57.3% |
| GDP.pdf (AA) | Artificial Analysis | 11.2% | 15.6% |
| Harvey LAB-AA v1.1 | Harvey | 0.3% | – |
| EnterpriseOps-Gym | Artificial Analysis | 36.4% | 47.4% |
| AA-Briefcase v1.1 | Artificial Analysis | 1501 | 1430 |
| GDPx | GDPx by SemiAnalysis | 2.7% | – |
| Design Arena Agentic | Design Arena | 1239† | – |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 9.5% | – |
| CWE-Bench (AA) | Artificial Analysis | 55.8% | 28.3% |
| DeepSec-Bench (AA) | Artificial Analysis | 24.3% | 9.5% |
| CyberGym end-to-end (AA) | Artificial Analysis | 29.0% | 0.0% |
| FACTS Search | 87.7%† | – | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 68.8% | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 29.3% | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 91.1% | – |
| ProofBench | Vals AI | 49.0% | – |
| LiveBench Mathematics | LiveBench | 87.9%† | – |
| Arena Maths | Arena (LMArena) | 1501 | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 41.0% | – |
| LiveBench 1.0 Data Analysis | LiveBench | 70.2%† | – |
| AA-Omniscience v1.1 | Artificial Analysis | 6.0 | 7.8 |
| MMLU-Pro | Vals AI | 86.8% | – |
| LegalBench | Vals AI | 84.8% | – |
| TaxEval | Vals AI | 72.4% | – |
| Excel Modeling Benchmark | Vals AI | 56.3% | – |
| Excel Modeling Benchmark v1.1 | Vals AI | 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 | 73.7% | – |
| Financial Coaching Bench | Vals AI | 74.1% | – |
| Immigration Bench | Vals AI | 66.7% | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 32.3% | 31.4% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 61.1% | 65.5% |
| 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%† | – |
| Arena Instruction Following | Arena (LMArena) | 1481 | – |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1482 | – |
| EQ-Bench Creative Writing v3 | EQ-Bench | 2076† | 1844 |
| Arena Creative Writing | Arena (LMArena) | 1456 | – |
| Arena Multi-turn | Arena (LMArena) | 1482 | – |
| Arena Longer Queries | Arena (LMArena) | 1488 | – |
| 多模态 | |||
| Code2Video-AA | Artificial Analysis | 1034 | – |
| AA-3D | Artificial Analysis | 794 | – |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 79.7% | 80.3% |
| MLCR | Artificial Analysis | 17.2% | 30.6% |
| FACTS Grounding | 55.2%† | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 157.1† | – |
| LiveBench 1.0 | LiveBench | 76.1%† | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 31.6 | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 44.8 | 40.0 |
| AA Progress Index v1 | Artificial Analysis | 322.7 | 317.8 |
| Vals Index | Vals AI | 59.9 | – |
| Vals Finance Index | Vals AI | 61.4% | – |
| Vals RSI Index | Vals AI | 22.9% | – |
| Vals Router Index | Vals AI | 59.7%† | – |
| Vals Legal Index | Vals AI | 74.6% | – |
| AA Cyber Index | Artificial Analysis | 36.4 | 12.6 |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 28.2% | 21.6%† |
| DistressBench | Scale AI SEAL | 72.5%† | 77.5% |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | 33.3 | 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
- Qwen3.8 2.4T A95B:BenchLeader Index 52.0 → 51.5。
- GLM 5.3 (max):1 项新结果(PostTrainBench)。
- GLM 5.3 (max):4 项分数修订。
- GLM 5.3 (max):1 项分数修订;价格 $0.30/M → $0.26/M。
- Qwen3.8 2.4T A95B:1 项分数修订。
- GLM 5.3 (max):价格 $0.26/M → $0.30/M。
- GLM 5.3 (max):价格 $0.30/M → $0.26/M。
- Qwen3.8 2.4T A95B:BenchLeader Index 53.0 → 52.0。
- GLM 5.3 (max):价格 $0.26/M → $0.30/M。
- Qwen3.8 2.4T A95B:1 项新结果(HLE-Diamond (AA))。
相关对比
- GLM 5.3 vs Gemini 4 Carbon
- GLM 5.3 vs Claude Opus 5.5
- GLM 5.3 vs GPT-6 Astra
- Qwen3.8 2.4T A95B vs Gemini 4 Argon
- GLM 5.3 vs GPT-6.1 Sol
- GLM 5.3 vs Gemini 4 Argon
- GLM 5.3 vs Claude Opus 5
- GLM 5.3 vs Muse Wonder
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 vs Qwen3.8 2.4T A95B:常见问题
- GLM 5.3 比 Qwen3.8 2.4T A95B 更好吗?
- GLM 5.3 (max) 与 Qwen3.8 2.4T A95B 的质量不相上下(58.8 比 51.4,在 ±14.6 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。
- GLM 5.3 和 Qwen3.8 2.4T A95B 哪个更便宜?价格会变吗?
- 目前 GLM 5.3 更便宜:每百万 token $2.15 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 和 Qwen3.8 2.4T A95B 哪个更快?
- GLM 5.3 输出更快(约 1.5 倍;输出 88 比 41 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 GLM 5.3 还是 Qwen3.8 2.4T A95B 更好?
- GLM 5.3 在智能体任务方面得分更高(类别得分 58 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 为 50.3%,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 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 57.6 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 和 Qwen3.8 2.4T A95B 的看法一致吗?
- 在两者都有结果的 25 项基准测试中,GLM 5.3 领先 15 项,Qwen3.8 2.4T A95B 领先 10 项。
- GLM 5.3 是什么时候发布的?
- GLM 5.3 于 2026年8月18日 发布。