智谱 GLM-5.3-Flash 测评

短的结论：江山代有才人出

基本情况：

曾经的低价战神 DeepSeek 在涨价之后，同档位模型就再也没有明显的性价比之选。随后的 GLM-5.3 提质不提价，综合下来竟成了性价比先锋。

而要真正做高性能且低价的模型，在目前国内的算力成本之下，把模型做小是务实的选择，而且前面也有人证明过小模型一样可以堪大用。市场需要一款足够可用，又便宜到不必在意成本的模型，GLM-5.3-Flash 则正是这个选项。

推理能力上，GLM-5.3-Flash 和兄弟 GLM-5.3 师出同门，在多项能力上几乎没有差别，但推理消耗却可以做到更低。在一众推理消耗越来越高的国产模型中，Flash 蹚出了一条提升智力密度的新路。

逻辑成绩：

表格的排序切换为按中位分数降序。

*1 表格为了突出对比关系，仅展示部分可对照模型，不是完整排序。

*2 题目及测试方式，参见：大语言模型-逻辑能力横评 26-07 月榜 ，增加#74、#75

*3 完整榜单更新在 https://llm2014.github.io/llm_benchmark/

下面对比 GLM-5.3-Flash（以下称 Flash） 与 GLM-5.3（以下称标准版）。

• 继承性：在大部分中低难度的任务上，包括编程任务，Flash 的表现与标准版相同，仅偶尔幻觉失控，出现更低的下限表现。而在高难度任务上，Flash 依然可以保持与标准版相同或相近的极限表现，但无法稳定输出。作用在实际任务上，就是需要重试更多次才能得到最佳答案。虽然 Flash 的定价更低，重试花费不多，但 Flash 的输出速度没有提上来，还是会导致体验降级。
• 幻觉问题：前面提到 Flash 偶尔幻觉失控问题，但实际情况是 Flash 的幻觉上下限差距更大，表现好的时候，可以比标准版幻觉更低，看到上下文中非常精细的文本。但表现差的时候甚至比标准版更坏，可能读不懂长文题，犯低级错误。在更长的文本中，Flash 更容易触发下限。
• 推理效率：前面提到 Flash 的推理并没有像其他小尺寸模型那样靠拉长推理过程来换智力。具体而言，Flash 几乎在所有任务上，Token 使用都比标准版要低，最低的只有标准版的 40%，在大多数模型需要穷举来解决的问题上，Flash 几乎能只靠直觉快速缩小解空间。不过跟Token 效率标杆 GPT-5.6 系列相比，对手还是更胜一筹，一些难度的消耗依然要比 Flash 更低。部分任务要求穷举所有可能性，Flash 也会尽量考虑周全，消耗不比标准版低，但这带来另一个问题是会撞上 API 设置的最大 128K 输出，导致输出不完整。

赛博史官曰：

大模型虽然发展到了第四年，但没有用大模型做过日常办公，甚至没有用过大模型的人也多不胜数。而以此为根基的新业务，新产品也迫切需要一款足够低价的模型来磨掉 ROI 转正的关键的负系数。而随着旗舰模型纷纷迈进高可用门槛，甚至能力有些溢出，这些溢出的智力红利也理应由一款更平民化的模型来承接。市场需要低价模型，这款模型总要有一家来发布。