GLM-5.3 Prime vs GLM-5.3: czy 2× wyższa cena jest warta szybkości?

GLM-5.3 Prime nie jest nowym modelem. Działa na tych samych wagach GLM-5.3, ale w szybszym trybie serwowania: trybie Prime Alibaba Cloud Model Studio, który ma zapewniać od 1,5 do 2 razy większą szybkość generowania odpowiedzi niż standardowe API. Jakość odpowiedzi powinna być taka sama. Dopłacasz za liczbę tokenów na sekundę.

Na AIHubMix glm-5.3-prime kosztuje 2,35 USD za milion tokenów wejściowych i 8,23 USD za milion tokenów wyjściowych — dziś około 2,1× więcej niż GLM-5.3. Krótka odpowiedź:

• Warto, gdy człowiek lub pętla agenta czeka na długie odpowiedzi: w interaktywnym programowaniu, strumieniowym generowaniu kodu i wieloetapowych agentach.
• Nie warto w przypadku zadań wsadowych, krótkich odpowiedzi ani potoków, w których liczy się koszt. GLM-5.3 wykonuje tę samą pracę za połowę ceny.
• Najpierw zmierz. Każdy niezależny dotąd pomiar pokazuje mniejszy wzrost szybkości niż deklarowane 1,5–2×, a pierwszy token nie pojawia się szybciej.
• Połącz z niższym poziomem wysiłku. W teście AIHubMix sam Prime nie odpowiadał szybciej niż GLM-5.3. Prime z ustawieniem reasoning_effort: "low" już tak: około 71 sekund na odpowiedź wobec około 100.

Czym GLM-5.3 Prime jest, a czym nie jest

Dokumentacja Alibaba Cloud opisuje tryb Prime w trzech punktach: wyższa liczba TPS do zadań, w których liczy się szybkość generowania odpowiedzi, rozliczanie zgodne z zasadami standardowego API oraz „brak dodatkowych parametrów” — przełączenie polega na zmianie identyfikatora modelu. Na tej samej stronie podano, że możliwości i limity użycia modelu Prime są takie same jak w modelu oryginalnym. Tryb Prime obejmuje też glm-5.2-fast-preview (szybki tryb GLM-5.2, który zachował starą nazwę) oraz model wideo.

Własna dokumentacja GLM-5.3 Zhipu wymienia tylko glm-5.3. W Z.ai nie ma identyfikatora modelu Prime ani cennika, a jedynym dostawcą upstream oferującym Prime jest Alibaba Cloud. Łatwo pomylić go z dwoma podobnie nazwanymi modelami:

FlashX przyspiesza mniejszy model Flash, obsługuje obrazy i wideo jako dane wejściowe oraz deklaruje szybkość do 200 tokenów na sekundę. HighSpeed to własny szybki tryb Zhipu dla flagowego modelu. Pojawił się w teście etapowym w ZCode, aplikacji Zhipu do programowania, gdzie jeden z blogerów zgłosił wynik przekraczający 490 tokenów na sekundę (Zhidongxi, 12 października 2026 r.). Nie ma jeszcze publicznego API ani cennika.

Ponieważ wagi pozostają bez zmian, Prime dziedziczy wyniki benchmarków GLM-5.3, zamiast uzyskiwać własne. Zgłoszone przez Zhipu wyniki GLM-5.3: Terminal-Bench 3.0 wzrósł z 4.6 do 28.3 względem GLM-5.2, DeepSWE v1.1 — z 46.2 do 66.9, a CyberGym osiągnął 84.5%. Nikt nie opublikował benchmarku dotyczącego wyłącznie Prime.

Cena: dwukrotnie wyższa w każdej pozycji

Ceny AIHubMix za milion tokenów, sprawdzone 21 października 2026 r.:

W każdej ofercie Prime kosztuje mniej więcej dwa razy tyle. Alibaba Cloud podaje dla glm-5.3-prime w regionie Pekinu stawkę ¥16 za milion tokenów wejściowych i ¥56 za milion tokenów wyjściowych — dokładnie dwukrotność standardowych stawek glm-5.3, wynoszących ¥8 i ¥28. OpenRouter podaje dla Prime ceny 2,80 USD i 8,80 USD, w porównaniu z 1,40 USD i 4,40 USD za GLM-5.3. Odczyt z pamięci podręcznej też kosztuje dwa razy więcej, więc długa sesja agenta z dobrze wykorzystaną pamięcią podręczną nie pozwala uniknąć dopłaty.

O ile jest szybszy? Dotychczasowe wyniki

Dane w tej sekcji pochodzą ze stron modeli AIHubMix, własnego testu AIHubMix z 21 października 2026 r., OpenRouter, ZenMux, Artificial Analysis (zestawionych przez Codersera) oraz DataLLM Lab. Żadnych danych od zewnętrznych podmiotów nie zebrano w identycznych warunkach, dlatego należy traktować je jako przedziały, a nie ranking.

W teście AIHubMix każdemu modelowi trzykrotnie wysłano ten sam prompt programistyczny (bezpieczny wątkowo limiter szybkości typu token bucket oraz pięć testów pytest), naprzemiennie, przy ustawieniu reasoning_effort: "high" i włączonym przesyłaniu strumieniowym. Liczbę tokenów na sekundę obliczono, dzieląc liczbę tokenów wyjściowych przez czas od pierwszego do ostatniego tokenu przesłanego strumieniowo. Wiersz z danymi zewnętrznych narzędzi monitorujących łączy wartości z różnych usług i dni: dla GLM-5.3 około 61 (OrcaRouter) i 71.9 (Artificial Analysis), a dla Prime od 60 do 75 w OpenRouter i od 72 do 80 w ZenMux.

W teście AIHubMix dekodowanie w Prime było o około 16% szybsze, ale odpowiedzi nie pojawiały się wcześniej. Średnie żądanie trwało 102.1 sekundy w Prime i 99.9 sekundy w GLM-5.3, ponieważ Prime generował dłuższe odpowiedzi: 9,404 tokenów wyjściowych na odpowiedź wobec 8,147, niemal wszystkie należące do rozumowania. Pierwszy token również nie pojawiał się szybciej: mediana wynosiła 3.2 sekundy w Prime i 3.0 w GLM-5.3, a na jedno żądanie Prime trzeba było czekać 12 sekund. Trzy pomiary na model to niewielka próbka, a AIHubMix udostępnia GLM-5.3 przez kilku dostawców, więc potraktuj ten wynik jako migawkę z jednego popołudnia.

DataLLM Lab przepuściło dziewięć zadań programistycznych w Pythonie przez OpenRouter i mierzyło czas całych odpowiedzi, a nie liczbę tokenów na sekundę. Średni czas odpowiedzi Prime wyniósł 14.2 sekundy — dokładnie tyle samo co w przypadku podstawowego GLM-5.3 — ponieważ Prime wykorzystał zysk szybkości na dodatkowe rozumowanie: 1,215 tokenów rozumowania na żądanie wobec 631. Prime uzyskał też wynik 7/9, a podstawowy GLM-5.3 — 9/9. Były to pojedyncze pomiary przeprowadzone w różne dni, więc nie dowodzą różnicy jakości. Pokazują jednak, że szybsze dekodowanie nie oznacza automatycznie szybszej odpowiedzi.

Przyczyna wynika z prostego rachunku. Czas oczekiwania to w przybliżeniu czas do pierwszego tokenu plus (tokeny rozumowania + tokeny odpowiedzi) ÷ liczba tokenów na sekundę, plus czas pracy narzędzi. Prime zmienia tylko składnik dotyczący szybkości. Ustawienie poziomu wysiłku zmienia liczbę tokenów, a w przypadku długich zadań wpływa na wynik równie mocno. W wewnętrznym teście Code Bench Zhipu GLM-5.3 przy poziomie max używał około 75K tokenów wyjściowych na zadanie i uzyskał 34.5%. Przy poziomie high używał około 50K i uzyskał 31.4%. Obniżenie poziomu o jeden zmniejsza liczbę tokenów wyjściowych o jedną trzecią — oszczędność czasu zbliżoną do wzrostu szybkości o 1,5× — a przy tym obniża rachunek zamiast go podwajać.

Ustawienie poziomu wysiłku musi jednak dotrzeć do modelu. W teście AIHubMix w przypadku Prime wyraźnie tak się stało:

Średnie na odpowiedź dla tego samego promptu; koszty obliczono na podstawie cen katalogowych AIHubMix.

W Prime ustawienie low zmniejszyło liczbę tokenów wyjściowych o 38% i sprawiło, że tylko ta konfiguracja odpowiadała szybciej niż GLM-5.3 — koszt odpowiedzi był przy tym 1,5× wyższy niż w GLM-5.3, a nie 2×. AIHubMix udostępnia GLM-5.3 przez kilku dostawców, a na niektórych trasach ustawienie poziomu wysiłku i stara flaga wyłączająca myślenie mogą nie działać zgodnie z dokumentacją. Niezależnie od używanego modelu sprawdź reasoning_tokens w bloku użycia oraz upewnij się, że content zawiera wyłącznie odpowiedź.

Koszt jednego zadania programistycznego

Długa agentowa sesja programistyczna z GLM-5.3, przy następujących założeniach:

• 75K tokenów wyjściowych — wartość na zadanie z Code Bench Zhipu przy poziomie wysiłku max;
• 1.2M tokenów wejściowych w całej sesji (około 40 tur, średnio po 30K tokenów kontekstu), z czego 90% obsługiwanych z pamięci podręcznej;
• szybkość dekodowania na podstawie dwóch powyższych pomiarów AIHubMix, uwzględniająca wyłącznie czas dekodowania (bez pracy narzędzi ani opóźnienia przed pierwszym tokenem).

Prime zwiększa koszt tego zadania o około 0,80 USD. Przy szybkości zmierzonej przez AIHubMix pozwala zaoszczędzić około 2 minuty, czyli około 0,40 USD za każdą zaoszczędzoną minutę. Przy szybkości podanej na stronie modelu oszczędza około 12 minut, czyli około 0,07 USD za minutę. Jeśli inżynier obserwuje pracę agenta, nawet pesymistyczny wariant kosztuje mniej niż jego czas. Jeśli nikt nie patrzy, dopłata 0,80 USD niczego nie daje. Jeszcze jedno zastrzeżenie dotyczące testu: przy tym samym prompcie Prime wygenerował około 15% więcej tokenów, a jeśli tak będzie również w przypadku Twoich zadań, zniweluje to większość oszczędności czasu.

Przejście na Prime: co zmienia się w kodzie

Zmienia się tylko identyfikator modelu. W AIHubMix Prime jest udostępniany przez endpoint OpenAI Chat Completions; klucze i adresy URL bazy znajdziesz w krótkim przewodniku AIHubMix.

import os
from openai import OpenAI

client = OpenAI(base_url="https://aihubmix.com/v1", api_key=os.environ["AIHUBMIX_API_KEY"])

stream = client.chat.completions.create(
    model="glm-5.3-prime",          # was "glm-5.3"
    reasoning_effort="high",        # low | high | max (default max)
    messages=[{"role": "user", "content": "Refactor this function to remove the global state: ..."}],
    stream=True,
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

Co sprawdzić po przełączeniu:

• Myślenie jest zawsze włączone. GLM-5.3 nie może działać bez rozumowania, podobnie jak Prime. Dokumentacja Zhipu informuje, że żądanie zawierające nadal thinking.type: "disabled" zakończy się błędem we własnym API Z.ai, a według Alibaba Cloud parametr enable_thinking=false nie wywołuje żadnego efektu. W AIHubMix Prime odrzuca tę flagę błędem HTTP 400: InternalError.Algo.InvalidParameter: The value of the enable_thinking parameter is restricted to True. Usuń tę flagę i zamiast niej użyj reasoning_effort: "low".
• Trzy poziomy wysiłku. Parametr reasoning_effort przyjmuje wartości low, high lub max; domyślnie ustawiona jest wartość max, czyli najdroższa opcja. W teście AIHubMix ustawienie low zmniejszyło w Prime liczbę tokenów wyjściowych o 38%.
• Przechodzisz z glm-5.2-fast-preview? Ten model pozwalał wyłączyć myślenie i przyjmował siedem poziomów wysiłku, od none do max. GLM-5.3 Prime obsługuje tylko trzy, więc żądania wysyłające none, minimal, medium lub xhigh trzeba zmodyfikować; Alibaba Cloud zwraca invalid_parameter_error dla nieobsługiwanych wartości.
• Kontekst jest nieco mniejszy. Prime podaje limit kontekstu wynoszący 1,000,000 tokenów, a GLM-5.3 w AIHubMix — 1,048,576. Prompt, który ledwo mieści się w limicie GLM-5.3, może przekroczyć limit Prime. Maksymalna liczba tokenów wyjściowych jest taka sama i wynosi 131,072.
• Warto przetestować równoległe wywołania narzędzi. Endpoint Prime w OpenRouter nie wymienia parallel_tool_calls wśród obsługiwanych parametrów, a użytkownicy Cursor zgłaszali, że wywołania narzędzi w GLM-5.3 docierają z pustymi argumentami, gdy kilka z nich jest wykonywanych w jednym kroku. Jeśli Twój agent wywołuje narzędzia równolegle, zanim na nim polegniesz, przetestuj kilka takich wywołań w Prime.
• Tylko jeden dostawca upstream. Jedynym dostawcą Prime jest Alibaba Cloud. GLM-5.3 jest dostępny w AIHubMix u kilku dostawców, dlatego zachowaj glm-5.3 jako model zapasowy do zadań, które nie mogą zostać przerwane.
• Narzędzia do kodowania. AIHubMix udostępnia Prime wyłącznie przez Chat Completions, więc Claude Code (Anthropic Messages) i Codex (Responses API) nie mogą korzystać z niego bezpośrednio. Mogą go używać narzędzia obsługujące endpoint zgodny z OpenAI, na przykład OpenCode. Aby szybko to sprawdzić, zleć glm-5.3 i glm-5.3-prime naprawę tego samego drobnego błędu, przy takim samym poziomie nakładu pracy, a następnie porównaj czas wykonania i diff.

Kiedy Prime nie jest dobrym wyborem

• Przetwarzanie wsadowe i zadania wykonywane przez noc. Nikt nie czeka na wynik, więc szybkość nie ma żadnej wartości, a cena i tak się podwaja.
• Krótkie odpowiedzi. Przy odpowiedzi liczącej 200 tokenów dominuje opóźnienie do pierwszego tokenu, a w żadnym z powyższych pomiarów Prime nie wygenerował go szybciej.
• Gdy prawdziwym problemem jest długie wnioskowanie, a ustawienie poziomu nakładu pracy działa w Twoim przypadku. Niższa wartość reasoning_effort skraca oczekiwanie i obniża koszt. Sprawdź reasoning_tokens w odpowiedzi, aby potwierdzić, że zmiana zadziałała.
• Gdy bardziej niż flagowca liczy się szybkość. GLM-5.3-FlashX deklaruje do 200 tokenów na sekundę przy cenie za generowanie wynoszącej około jednej ósmej ceny Prime. W indeksie Artificial Analysis bazowy model Flash uzyskał 41.8 punktu, a GLM-5.3 — 44.8, więc przetestuj go w swoim zadaniu, zanim zapłacisz za Prime.

Kto powinien się przesiąść

• Wybierz Prime już teraz, jeśli używasz GLM-5.3 w interaktywnym narzędziu do kodowania lub działającym na bieżąco agencie, odpowiedzi regularnie liczą tysiące tokenów, a własne pomiary potwierdzają, że przy Twoich promptach wzrost szybkości się utrzymuje. Zacznij od poziomu low i zwiększaj go tylko wtedy, gdy wymaga tego jakość.
• Najpierw przetestuj, jeśli uruchamiasz agentów z równoległymi wywołaniami narzędzi albo używasz promptów zbliżonych do limitu 1M tokenów.
• Pozostań przy GLM-5.3 w przypadku zadań wsadowych, krótkich odpowiedzi oraz wszystkiego, przy czym podwojenie rachunku jest ważniejsze niż krótsze oczekiwanie.
• Obserwuj HighSpeed od Zhipu, jeśli zależy Ci na maksymalnej szybkości. Jeśli w API osiągnie deklarowane prędkości, będzie kilka razy szybszy od obu omawianych wariantów.

Oba modele działają przy użyciu tego samego klucza AIHubMix. Na stronie porównującej GLM-5.3 i GLM-5.3 Prime można zobaczyć je obok siebie, a przełączenie wymaga zmiany jednej linijki.

FAQ

Czy GLM-5.3 Prime to inny model niż GLM-5.3?
Nie. Korzysta z tych samych wag, ale działa w trybie obsługi Prime w Alibaba Cloud, który ma zapewniać od 1.5 do 2 razy większą szybkość generowania. Jakość powinna być taka sama jak w GLM-5.3, a benchmarku opracowanego specjalnie dla Prime nie ma.

O ile więcej kosztuje GLM-5.3 Prime?
W AIHubMix cena wynosi $2.35 za milion tokenów wejściowych, $8.23 za milion tokenów wyjściowych i $0.59 za milion tokenów odczytu z pamięci podręcznej, czyli około 2.1× więcej niż za GLM-5.3. Alibaba Cloud i OpenRouter również wyceniają go mniej więcej dwukrotnie drożej.

Czy Prime rzeczywiście jest 2× szybszy?
Dotychczas żaden pomiar tego nie potwierdził. Własny test AIHubMix wykazał szybkość generowania wynoszącą około 1.16 raza więcej tokenów na sekundę niż w GLM-5.3, a strony modeli AIHubMix pokazują około 1.46 raza. W teście odpowiedzi nie pojawiały się szybciej, ponieważ Prime generował więcej tokenów, a pierwszy token nie pojawiał się wcześniej.

Czy mogę wyłączyć myślenie w GLM-5.3 Prime?
Nie. Podobnie jak GLM-5.3, zawsze przeprowadza wnioskowanie, a żądanie ustawiające typ myślenia na wyłączony kończy się błędem HTTP 400. Możesz ustawić reasoning_effort na low lub high; domyślnie jest to max.

Czym GLM-5.3 Prime różni się od GLM-5.3-FlashX?
Prime szybciej obsługuje flagowe wagi GLM-5.3. FlashX szybciej obsługuje mniejsze wagi GLM-5.3-Flash, przyjmuje obrazy i wideo, a jego cena za generowanie wynosi około jednej ósmej ceny Prime.

Czy mogę używać GLM-5.3 Prime w Claude Code lub Codex?
Nie bezpośrednio przez AIHubMix. Prime jest dostępny wyłącznie przez endpoint OpenAI Chat Completions, podczas gdy Claude Code korzysta z Anthropic Messages, a Codex z Responses API. Mogą go używać narzędzia obsługujące endpoint zgodny z OpenAI, takie jak OpenCode lub Cline.

Co muszę zmienić w kodzie, aby się przełączyć?
Tylko nazwę modelu — z glm-5.3 na glm-5.3-prime. Usuń każdą flagę wyłączającą myślenie, ponieważ Prime ją odrzuca, i pozostaw poziom nakładu pracy ustawiony na low, high lub max.

Źródła

• Tryb Prime — Alibaba Cloud Model Studio (Alibaba Cloud)
• Przegląd GLM-5.3 (Z.ai)
• Strona modelu GLM 5.3 Prime (AIHubMix)
• Recenzja GLM-5.3 Prime: 7/9 przy $11.52 za 1,000 zadań (DataLLM Lab)
• GLM-5.3 Prime i FlashX: poziomy szybkości, a nie nowe modele (Codersera)