# 便宜9倍的开源模型，什么时候值得用 ## 一个刚发生48小时的大事，被这条视频讲透了 8月27日到29日，智谱Z.ai接连把GLM-5.3和GLM-5.3-Flash两个开源权重模型扔上了Hugging Face。48小时内，Google Developers Expert、AI开源模型测评领域的老牌博主Sam Witteveen就发出了这条16分50秒的深度测评——《GLM 5.3 Flash vs GLM 5.3: When Cheaper Is the Right Call》，两天拿下近3万播放，被AI界面的追踪站AI/TLDR收录为当日值得看的视频。 这条视频值钱的地方在于：它不是简单的跑分复读。Sam开篇就点出了这轮发布真正有意思的结构性问题——**同一个GLM家族，走出了两条完全不同的技术路线**：一个是“老基座+暴力RL后训练”榨出来的旗舰，一个是“全新基座+为效率而生”的Flash。这恰好是2026年所有开发者都在面对的选型困境：模型便宜到1/9的时候，你到底牺牲了什么？什么任务该用便宜的，什么任务必须上贵的？ 更难得的是，Sam全程用真实Agent任务做测试——function calling、长程任务、SVG绘图、RAG、MCP工具调用——给出了大量跑分榜单上看不到的一手观察。我把完整字幕扒下来逐段分析后，把这条视频的干货拆成了下面这些。 ## 视频背景卡片 | 项目 | 内容 | |------|------| | 视频标题 | GLM 5.3 Flash vs GLM 5.3: When Cheaper Is the Right Call | | 频道 | Sam Witteveen（Google Developers Expert for ML，开源模型测评头部频道） | | 时长 | 16分50秒 | | 播放量 | 约2.9万（发布两天内） | | 核心主题 | GLM-5.3与GLM-5.3-Flash的架构差异、实测表现与开发者选型决策 | ## 核心内容拆解 ### 1. 两条路线：RL榨老基座 vs 全新效率基座 Sam在视频开头就把这次发布定性为“两个故事”。第一个故事是GLM-5.3：它**和GLM-5.2用的是同一个基座模型**，所有提升全部来自后训练阶段的强化学习。这一点在Z.ai官方的Hugging Face模型卡里写得明明白白："every gain comes from post-training"。RL重点砸向三个方向：更强的编程能力、Agent任务、网络安全场景。第二个故事是GLM-5.3-Flash：这不是把5.3蒸馏变小的产物，而是一个**从零预训练的全新模型**，架构和训练配方整个围绕“效率”重新设计。 【延伸】这个“一鱼两吃”的发布策略其实很精明：旗舰证明RL路线的上限，Flash证明效率路线的下限也能吊打上一代。两条产品线共用大量预训练数据和相同的API行为（比如都支持`reasoning_effort`参数），研发成本被摊薄了。这可能是2026年开源厂商对抗闭源巨头的标准打法——不跟你在单点比暴力，而是用产品矩阵覆盖价格带。 ### 2. 账面参数：一半的体积，更多的数据 具体数字（视频原话+模型卡交叉验证）：GLM-5.3是744B总参数、40B激活的MoE模型，纯文本，80层；Flash是320B总参数、仅18B激活，45层。有意思的反转是——**小模型反而用了更多训练数据**：5.3用的5.2基座预训练了28.5万亿token（纯文本），而Flash吃下了超过30万亿token，而且是多模态的。 【延伸】“更小的模型+更多的数据+更精的架构”这个组合拳，是近两年 Scaling 换赛道趋势的典型样本：大家不再单纯堆参数，而是在数据质量和激活效率上做文章。18B激活量意味着推理成本只有账面参数的1/18不到，这就是Flash敢定低价的底气。 ### 3. 架构干货：稀疏+线性注意力混合首次上车 这是Flash在GLM系列里的两个“首次”。第一，首次引入**稀疏注意力+线性注意力的混合架构**，两种注意力机制在45层里交错排布——官方说法是大幅削减长上下文的推理服务成本，同时保住长上下文的精确能力。第二，首次采用mHC（Manifold-Constrained Hyper-Connections）提升Scaling效率。Sam还点名了两个细节：每次路由从288个专家里选8个，以及内置了**多token预测（MTP）草稿层**。 【延伸】混合注意力已经是大模型圈的显学——线性注意力解决“上下文越长推理越贵”的平方复杂度问题，稀疏注意力保精度，两者交错是目前工程上最稳的折中。MTP草稿层则是自投机解码的标配，对输出速度有实打实的帮助。看懂这一段，你基本就看懂了2026年开源模型架构升级的通用模板。 ### 4. 价格屠夫：1/9的价格，附赠视觉能力 API定价是这条视频标题的由来：Flash输出$0.50/百万token、输入$0.15/百万token，而旗舰GLM-5.3输出要$4.40/百万token——**输出token便宜约9倍**（官方口径是“十分之一价格”）。OpenRouter上还在做半价促销。更微妙的是，5.3是纯文本模型，Flash反而是GLM-5系列里**第一个原生多模态模型**，能处理文本、图片和视频。便宜9倍，能力清单反而更长。 【延伸】对比一下心理锚点：一年前“接近Claude Opus水平”的能力要按闭源旗舰价买单，现在开源权重、$0.50/百万输出token就能摸到Opus 4.8在编程和Agent基准上的门槛（官方模型卡原话）。对跑大规模Agent流水线的团队来说，这不是省点API费的事，是商业模型从“不可行”变“可行”的门槛跨越。 ### 5. 跑分怎么读：Artificial Analysis上60 vs 57的秘密 Sam引用的第三方数据很能说明问题：Artificial Analysis智能指数上，GLM-5.3得分60，Flash得分57——**3分之差，9倍价格**。Flash在多个基准上给Opus 4.8、GPT-5.6中档型号、Gemini Flash制造了实质性压力，而参数量超过2万亿的Qwen 3.8和Kimi K3反而是它面前的“巨人”。最狠的一条：Flash全面超越了自己的上一代GLM-5.2——半体积的新模型打赢全体积的旧模型。但差距也真实存在：Humanity's Last Exam（带工具）上Flash拿55.3，旗舰拿62.5，7分的鸿沟清清楚楚。 【延伸】提醒一句：官方榜单都是厂商自报+官方 harness（Terminal-Bench 2.1用的是Claude Code 2.1.207环境跑的），模型卡脚注里甚至专门写了反作弊措施（移除正则检查改用LLM审查外呼API的行为）——厂商自己都在防benchmark hacking，说明这个圈子刷分的湿度。第三方指数和一手实测，永远比官方表格可信半档。 ### 6. 实测环节：Agent任务强到意外，设计任务翻车 这是视频最有增量的部分。Sam实测结论：**function calling和Agent任务表现优秀**——max推理档下全过，low档下照样能干活，而且思考token经常少于50个；面对工具诱饵（tool bait）干扰项不上钩；在长程Agent测试里低思考档表现接近无思考档，RAG任务low模式干得又快又省。他推测这个模型是在Claude Code harness上训练的。翻车的是设计类任务：low档生成的页面布局非常朴素，SVG测试里“鹈鹕”画得漂亮（但max档烧了巨量思考token），“红龙”就明显露怯——**过拟合测试题的痕迹肉眼可见**。另一个大问题：思考太长，API输出速度只有约50-60 token/秒，max档下整体很慢。 【延伸】这组实测传递的信号很清晰：这类新一代“效率旗舰”的能力分布高度不均匀——被RL重点训练的维度（工具调用、代码、Agent循环）强得不像这个价位的模型，没被训练到的维度（视觉设计、开放性创作）就是普通水平。用它之前，先想清楚你的任务落在分布的哪一边。 ### 7. Sam的选型心法：失败了别升级到自家旗舰 视频结尾Sam给了一个反直觉的建议：如果你的Agent任务Flash搞不定，**fallback别选GLM-5.3，直接跳到OpenAI或Anthropic的前沿闭源模型**。理由是HLE上7分的差距说明“尺寸真的很重要”的场景，1/9价格的同门师兄大概率也救不了你。真正的决策变量是**延迟vs成本**：Flash便宜到可以反复重试，失败就再跑一次，赌得起；但如果你的场景需要实时响应，50-60 token/秒的速度加上max档的超长思考，延迟会直接杀死体验——这时候该换的不是一个更贵的模型，而是整个选型思路。他还许愿有Cerebras这样的推理加速厂来托管这个模型，把速度打上去。 【延伸】这套“便宜模型+重试+验证器”的架构，本质上是把可靠性从模型层挪到了系统层。2026年Agent工程的核心竞争力已经不是“选到最强模型”，而是**设计出失败成本低的重试拓扑**。Sam的100万token周末实验（他用本地Qwen 27B模型24/7跑出了约1亿token）也印证了这点：当边际成本趋近于零，暴力重试就成了合法策略。 ## 知识结构图 ```mermaid flowchart TD A["GLM-5.3 家族
一个配方，两条路线"] --> B["GLM-5.3 旗舰"] A --> C["GLM-5.3-Flash 效率款"] B --> B1["744B总参 / 40B激活 · 纯文本 · 80层
老基座 + 全力RL后训练"] B --> B2["RL重点：编程 / Agent / 网络安全
CyberGym开源SOTA 84.5"] B --> B3["$4.40 / 百万输出token"] C --> C1["320B总参 / 18B激活 · 多模态 · 45层
全新基座 · 30T+多模态token"] C --> C2["稀疏+线性注意力混合
8/288专家路由 · MTP草稿层 · mHC"] C --> C3["$0.50 / 百万输出token ≈ 1/9"] B1 --> D{"开发者选型决策"} C1 --> D B3 --> D C3 --> D D -->|"高频Agent循环
工具调用 / RAG"| E["Flash + low思考档
思考<50 token，失败就重试"] D -->|"超难推理
HLE差距 55.3 vs 62.5"| F["跳过旗舰
直接上闭源前沿模型"] D -->|"实时响应场景"| G["慎重：输出仅50-60 tok/s
max档思考过长"] D -->|"隐私 / 本地部署"| H["18B激活量
硬件门槛大降"] C2 --> I["架构模板外溢
混合注意力=2026开源标配"] ``` ## 实战启示：给你一张可执行的选型清单 看完这条视频，普通开发者能直接落地的动作有三个。 **第一，把`reasoning_effort`用起来。** 这个参数默认`max`（不传就是最贵的思考模式），聊天场景记得显式传`low`或`high`，另外模型卡的chat模板里`clear_thinking`默认是`false`，对话场景要手动传`true`。这两个开关直接影响你的账单和延迟，属于“不看模型卡根本不知道”的隐藏成本。 **第二，按任务类型分桶。** 高频、可验证、失败可重试的任务（批量代码修改、工具编排、RAG问答、MCP调用）→ Flash + low档，把便宜弹药打光；需要极致推理的任务（超难算法、长程规划）→ 别在Flash和5.3之间纠结，按Sam的建议直接上闭源前沿模型，省下的试错时间比token钱值钱；需要实时响应的用户侧产品 → 先测速再定，50-60 token/秒的出字速度在对话产品里是硬伤。 **第三，重新审视你的成本模型。** Agent循环里真正烧钱的是思考token而不是单价。Flash单价低9倍，但如果max模式下思考token是别家3倍，净省钱效果要打问号——Sam实测里那个烧了海量token才画好的SVG就是活例子。正确姿势是：low档跑日常 + 带验证器的重试 + 只在验证失败N次后升级模型。这条“升级链”设计得好，同等预算下你的系统吞吐量可以有数量级的差异。 最后给一个冷静剂：以上体验全部来自一位博主的一手实测加厂商自报榜单，Flash发布还不到一周，社区复现才刚刚开始。它的Agent能力在Claude Code之外的harness（opencode等Sam只做了浅测）里表现如何、本地部署的真实速度（Sam预告了续集视频），都还是开放问题。选型可以激进，生产灰度要保守。 ## 延伸学习路径 1. **Z.ai官方博客两连**：[GLM-5.3-Flash发布文](https://z.ai/blog/glm-5.3-flash) 和 [GLM-5.3发布文](https://z.ai/blog/glm-5.3) — 第一手架构说明与跑分 2. **Hugging Face模型卡**：[zai-org/GLM-5.3-Flash](https://huggingface.co/zai-org/GLM-5.3-Flash) / [zai-org/GLM-5.3](https://huggingface.co/zai-org/GLM-5.3) — 注意读脚注，评测设置和反作弊细节都在里面 3. **GLM-5技术报告**：《GLM-5: from Vibe Coding to Agentic Engineering》（[arXiv:2602.15763](https://arxiv.org/abs/2602.15763)）— 想深挖混合注意力与RL配方的看这里 4. **Artificial Analysis排行榜**：对照"智能指数 vs 输出token数"散点图，训练你识别“思考token通胀”的眼力 5. **Sam Witteveen的[llm-tutorials仓库](https://github.com/samwit/llm-tutorials)** — 他的Agent测试代码开源，可以直接复现视频里的实验 ## 一句话总结 当开源模型把“接近Opus的编程与Agent能力”打到1/9价格时，真正值钱的能力不再是选模型，而是设计一套让便宜模型敢失败、失败了重试得起的系统架构。 ## 参考来源 1. [GLM 5.3 Flash vs GLM 5.3: When Cheaper Is the Right Call — Sam Witteveen](https://www.youtube.com/watch?v=7YQJsll4vqw) — 本文分析的核心视频（2026-08-30发布，含完整字幕） 2. [zai-org/GLM-5.3-Flash · Hugging Face](https://huggingface.co/zai-org/GLM-5.3-Flash) — 架构细节（混合注意力、mHC、参数量、reasoning_effort说明）与官方基准 3. [zai-org/GLM-5.3 · Hugging Face](https://huggingface.co/zai-org/GLM-5.3) — "同基座纯后训练"路线、HLE 62.5等交叉验证数据 4. [Z.ai官方博客：GLM-5.3-Flash](https://z.ai/blog/glm-5.3-flash) / [GLM-5.3](https://z.ai/blog/glm-5.3) — 视频引用的官方发布文 5. [AI/TLDR每日发布追踪](https://ai-tldr.dev/releases/) — GLM-5.3权重开源（2026-08-29）与视频收录信息 6. [GLM-5: from Vibe Coding to Agentic Engineering (arXiv:2602.15763)](https://arxiv.org/abs/2602.15763) — GLM-5技术报告 --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 > 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。