GLM-5.3 Prime và GLM-5.3: Tốc độ có đáng để trả giá gấp 2×?

GLM-5.3 Prime không phải là một mô hình mới. Nó dùng cùng bộ trọng số GLM-5.3 nhưng ở chế độ phục vụ nhanh hơn: chế độ Prime của Alibaba Cloud Model Studio, hứa hẹn tốc độ tạo đầu ra nhanh gấp 1,5 đến 2 lần API tiêu chuẩn. Chất lượng câu trả lời được cho là như nhau. Khoản phí cao hơn bạn trả là để có thêm số token mỗi giây.

Trên AIHubMix, glm-5.3-prime có giá $2.35 cho mỗi triệu token đầu vào và $8.23 cho mỗi triệu token đầu ra, cao hơn khoảng 2.1× so với giá GLM-5.3 hiện nay. Tóm lại:

Đáng dùng khi có người hoặc vòng lặp tác tử phải chờ đầu ra dài: lập trình tương tác, tạo mã theo luồng, tác tử nhiều bước.
Không đáng dùng cho các tác vụ hàng loạt, câu trả lời ngắn hoặc quy trình nhạy cảm về chi phí. GLM-5.3 tiêu chuẩn làm được cùng công việc với giá chỉ bằng một nửa.
Hãy đo trước. Mọi số liệu độc lập đến nay đều cho thấy mức tăng tốc thấp hơn tuyên bố 1,5–2×, và token đầu tiên cũng không đến sớm hơn.
Kết hợp với mức độ suy luận thấp hơn. Trong thử nghiệm của AIHubMix, riêng Prime không trả lời nhanh hơn GLM-5.3. Nhưng Prime với reasoning_effort: "low" thì có: khoảng 71 giây mỗi câu trả lời, so với khoảng 100 giây.

GLM-5.3 Prime là gì và không phải là gì

Tài liệu của Alibaba Cloud mô tả chế độ Prime trong ba ý: TPS cao hơn cho các tác vụ cần tốc độ đầu ra, tính phí theo logic của API tiêu chuẩn và “không có tham số bổ sung”: bạn chỉ cần đổi model ID để chuyển sang chế độ này. Cùng trang đó cho biết năng lực và giới hạn sử dụng của mô hình Prime giống với mô hình gốc. Chế độ Prime cũng áp dụng cho glm-5.2-fast-preview (chế độ nhanh của GLM-5.2, vẫn giữ tên cũ) và một mô hình video.

Tài liệu GLM-5.3 của chính Zhipu chỉ liệt kê glm-5.3. Z.ai không có model ID Prime hay dòng giá nào, và Alibaba Cloud là upstream duy nhất cung cấp Prime. Có thể dễ nhầm Prime với hai mô hình có tên tương tự:

Mô hình	Bộ trọng số	Được cung cấp bởi	Nơi sử dụng
GLM-5.3	GLM-5.3	Nhiều nhà cung cấp	API
GLM-5.3 Prime	GLM-5.3	Chỉ Alibaba Cloud	API
GLM-5.3-FlashX	GLM-5.3-Flash	Z.ai	API
GLM-5.3 HighSpeed	GLM-5.3	Z.ai	Chỉ có trên bản beta của ZCode

FlashX tăng tốc mô hình Flash nhỏ hơn, chấp nhận đầu vào hình ảnh và video, đồng thời tuyên bố đạt tốc độ tối đa 200 token mỗi giây. HighSpeed là chế độ nhanh của Zhipu dành cho mô hình chủ lực. Tính năng này xuất hiện trong một đợt thử nghiệm giới hạn trên ZCode, ứng dụng lập trình của Zhipu; một blogger ghi nhận tốc độ hơn 490 token mỗi giây (Zhidongxi, ngày 12 tháng 10 năm 2026). Hiện chưa có API công khai hay giá bán.

Vì bộ trọng số không thay đổi, Prime thừa hưởng kết quả benchmark của GLM-5.3 thay vì có kết quả riêng. Số liệu do Zhipu tự công bố cho GLM-5.3: Terminal-Bench 3.0 tăng từ 4.6 lên 28.3 so với GLM-5.2, DeepSWE v1.1 tăng từ 46.2 lên 66.9 và đạt 84.5% trên CyberGym. Chưa có ai công bố benchmark riêng cho Prime.

Giá: gấp đôi trên từng dòng

Giá của AIHubMix tính trên mỗi triệu token, được kiểm tra ngày 21 tháng 10 năm 2026:

Mô hình	Đầu vào	Đầu ra	Đọc từ bộ nhớ đệm
GLM-5.3 Prime	$2.35	$8.23	$0.59
GLM-5.3	$1.1268	$3.9438	$0.2817
GLM-5.3-FlashX	$0.282	$0.987	$0.0804

Mọi tuyến đều định giá Prime cao hơn khoảng gấp đôi. Alibaba Cloud niêm yết glm-5.3-prime tại khu vực Bắc Kinh với giá ¥16 cho đầu vào và ¥56 cho đầu ra trên mỗi triệu token, chính xác gấp đôi mức giá ¥8 và ¥28 của glm-5.3 tiêu chuẩn. OpenRouter niêm yết Prime ở mức $2.80 và $8.80, so với $1.40 và $4.40 của GLM-5.3. Phí đọc từ bộ nhớ đệm cũng tăng gấp đôi, nên một phiên tác tử dài có tỷ lệ lưu đệm cao vẫn không tránh được khoản phụ phí.

Nhanh hơn bao nhiêu? Các số liệu hiện có

Các số liệu trong phần này lấy từ trang mô hình của AIHubMix, thử nghiệm riêng của AIHubMix ngày 21 tháng 10 năm 2026, OpenRouter, ZenMux, Artificial Analysis (do Codersera tổng hợp) và DataLLM Lab. Không số liệu bên thứ ba nào được đo trong cùng điều kiện, vì vậy hãy xem chúng như các khoảng giá trị, không phải bảng xếp hạng.

Được đo bởi	GLM-5.3	GLM-5.3 Prime	Prime so với GLM-5.3
Alibaba Cloud (tuyên bố)	–	–	1.5–2×
Trang mô hình AIHubMix	33.4 tok/s	48.6 tok/s	1.46×
Thử nghiệm của AIHubMix	84.7 tok/s	98.2 tok/s	1.16×
Các công cụ giám sát bên thứ ba	61–72 tok/s	60–80 tok/s	các khoảng chồng lấn

Thử nghiệm của AIHubMix gửi cùng một câu lệnh lập trình (bộ giới hạn tốc độ token bucket an toàn luồng, cùng năm bài kiểm thử pytest) đến mỗi mô hình ba lần, luân phiên giữa hai mô hình, với reasoning_effort: "high" và bật chế độ truyền phát. Số token mỗi giây được tính bằng số token đầu ra chia cho thời gian từ token đầu tiên được truyền đến token cuối cùng. Dòng số liệu bên thứ ba tổng hợp các con số từ nhiều dịch vụ và ngày khác nhau: GLM-5.3 đạt khoảng 61 (OrcaRouter) và 71.9 (Artificial Analysis), còn Prime đạt 60 đến 75 trên OpenRouter và 72 đến 80 trên ZenMux.

Trong thử nghiệm của AIHubMix, Prime giải mã nhanh hơn khoảng 16%, nhưng câu trả lời không đến sớm hơn. Một yêu cầu mất trung bình 102.1 giây trên Prime và 99.9 giây trên GLM-5.3, vì Prime tạo ra nhiều nội dung hơn: 9,404 token đầu ra mỗi câu trả lời, so với 8,147; gần như toàn bộ phần chênh lệch là nội dung suy luận. Token đầu tiên cũng không đến nhanh hơn: trung vị là 3.2 giây trên Prime và 3.0 giây trên GLM-5.3, trong khi một yêu cầu Prime phải chờ 12 giây. Ba lần chạy cho mỗi mô hình là mẫu nhỏ, và AIHubMix phân phối GLM-5.3 qua nhiều nhà cung cấp, nên hãy xem đây là ảnh chụp số liệu trong một buổi chiều.

DataLLM Lab chạy chín tác vụ lập trình Python qua OpenRouter và đo thời gian cho toàn bộ câu trả lời thay vì số token mỗi giây. Thời gian trung bình mỗi câu trả lời của Prime là 14.2 giây, bằng chính xác GLM-5.3 tiêu chuẩn, vì Prime dùng phần tốc độ tăng thêm để suy nghĩ nhiều hơn: 1,215 token suy luận mỗi lần gọi so với 631. Prime cũng đạt 7/9, trong khi GLM-5.3 tiêu chuẩn đạt 9/9. Đây là các lần chạy đơn lẻ, được đo vào những ngày khác nhau, nên không chứng minh có khoảng cách về chất lượng. Tuy nhiên, chúng cho thấy giải mã nhanh hơn không đồng nghĩa câu trả lời nhanh hơn.

Nguyên nhân chỉ là phép tính đơn giản. Thời gian chờ gần bằng thời gian có token đầu tiên, cộng (số token suy luận + số token câu trả lời) ÷ số token mỗi giây, cộng thời gian xử lý công cụ nếu có. Prime chỉ thay đổi yếu tố tốc độ. Mức độ suy luận làm thay đổi số lượng token, và với tác vụ dài, yếu tố này ảnh hưởng đến kết quả không kém. Trong Code Bench nội bộ của Zhipu, GLM-5.3 ở mức max dùng khoảng 75K token đầu ra mỗi tác vụ và đạt 34.5%. Ở mức high, mô hình dùng 50K token và đạt 31.4%. Giảm một cấp giúp giảm một phần ba lượng đầu ra — mức tiết kiệm thời gian tương đương tốc độ tăng 1.5× — đồng thời giảm hóa đơn thay vì làm chi phí tăng gấp đôi.

Tuy vậy, thiết lập mức độ suy luận phải được truyền đến mô hình. Trong thử nghiệm của AIHubMix, rõ ràng thiết lập này có tác dụng với Prime:

Mô hình và mức độ suy luận	Số lần chạy	Token đầu ra	Thời gian mỗi câu trả lời	Chi phí mỗi câu trả lời
GLM-5.3, high	3	8,147	99.9 s	$0.032
Prime, high	3	9,404	102.1 s	$0.078
Prime, low	2	5,832	70.7 s	$0.048

Mức trung bình mỗi câu trả lời với cùng một câu lệnh; chi phí tính theo giá niêm yết của AIHubMix.

Với Prime, mức low giảm 38% lượng đầu ra và là cấu hình duy nhất trả lời nhanh hơn GLM-5.3; chi phí mỗi câu trả lời bằng 1.5× GLM-5.3 thay vì 2×. AIHubMix cung cấp GLM-5.3 qua nhiều nhà cung cấp, và trên một số tuyến, thiết lập mức độ suy luận cùng cờ tắt chế độ suy nghĩ cũ có thể không hoạt động như tài liệu mô tả. Dù dùng mô hình nào, hãy kiểm tra reasoning_tokens trong khối usage và bảo đảm content chỉ chứa câu trả lời.

Tính chi phí cho một tác vụ lập trình

Một phiên lập trình dài theo kiểu tác tử trên GLM-5.3, với các giả định cụ thể:

75K token đầu ra, con số mỗi tác vụ trong Code Bench của Zhipu ở mức max;
1.2M token đầu vào trong suốt phiên (khoảng 40 lượt, trung bình 30K token ngữ cảnh mỗi lượt), trong đó 90% được phục vụ từ bộ nhớ đệm;
tốc độ giải mã lấy từ hai phép đo của AIHubMix ở trên, chỉ tính thời gian giải mã (không tính thời gian xử lý công cụ hay độ trễ token đầu tiên).

Khoản chi phí	GLM-5.3	GLM-5.3 Prime
Đầu vào không lưu đệm (0.12M)	$0.135	$0.282
Đầu vào lưu đệm (1.08M)	$0.304	$0.637
Đầu ra (75K)	$0.296	$0.617
Tổng chi phí mỗi tác vụ	$0.735	$1.536
Thời gian giải mã, tốc độ đo được trong thử nghiệm	14.8 phút	12.7 phút
Thời gian giải mã, tốc độ trên trang mô hình	37.4 phút	25.7 phút

Prime làm chi phí cho tác vụ này tăng khoảng $0.80. Với tốc độ AIHubMix đo được, Prime tiết kiệm khoảng 2 phút, tương đương khoảng $0.40 cho mỗi phút tiết kiệm. Với tốc độ trên trang mô hình, Prime tiết kiệm khoảng 12 phút, tương đương khoảng $0.07 cho mỗi phút. Nếu kỹ sư đang theo dõi tác tử làm việc, ngay cả mức ước tính bi quan cũng rẻ hơn thời gian của họ. Nếu không có ai theo dõi, khoản $0.80 chẳng mang lại lợi ích gì. Một lưu ý nữa từ thử nghiệm: với cùng một câu lệnh, Prime tạo ra nhiều hơn khoảng 15% token; nếu điều này cũng xảy ra với tác vụ của bạn, phần token tăng thêm sẽ bù trừ phần lớn thời gian tiết kiệm được.

Chuyển sang Prime: những thay đổi trong mã của bạn

Chỉ cần đổi model ID. Trên AIHubMix, Prime được cung cấp qua endpoint OpenAI Chat Completions; xem hướng dẫn bắt đầu nhanh của AIHubMix để biết cách lấy khóa và URL cơ sở.

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="")

Những điều cần kiểm tra khi chuyển sang dùng:

Luôn bật chế độ suy nghĩ. GLM-5.3 không thể chạy nếu không có suy luận, và Prime cũng vậy. Tài liệu của Zhipu cho biết yêu cầu vẫn gửi thinking.type: "disabled" sẽ thất bại trên API riêng của Z.ai, còn Alibaba Cloud nói enable_thinking=false không có tác dụng. Qua AIHubMix, Prime từ chối cờ này với HTTP 400: InternalError.Algo.InvalidParameter: The value of the enable_thinking parameter is restricted to True. Hãy xóa cờ đó và thay vào bằng reasoning_effort: "low".
Ba mức độ suy luận. reasoning_effort nhận các giá trị low, high hoặc max; mặc định là max, mức tốn kém nhất. Trong thử nghiệm của AIHubMix, mức low giảm 38% lượng đầu ra trên Prime.
Đang chuyển từ glm-5.2-fast-preview? Mô hình đó có thể tắt chế độ suy nghĩ và chấp nhận bảy mức độ suy luận, từ none đến max. GLM-5.3 Prime chỉ giữ lại ba mức, nên cần cập nhật các yêu cầu gửi none, minimal, medium hoặc xhigh; Alibaba Cloud trả về invalid_parameter_error cho các giá trị không được hỗ trợ.
Cửa sổ ngữ cảnh nhỏ hơn một chút. Prime liệt kê cửa sổ ngữ cảnh 1,000,000 token, trong khi GLM-5.3 trên AIHubMix liệt kê 1,048,576. Một câu lệnh vừa khít với GLM-5.3 có thể vượt giới hạn trên Prime. Giới hạn đầu ra tối đa giống nhau: 131,072 token.
Nên thử nghiệm lời gọi công cụ song song. Endpoint Prime của OpenRouter không liệt kê parallel_tool_calls trong số các tham số được hỗ trợ, và người dùng Cursor đã báo cáo rằng lời gọi công cụ GLM-5.3 đôi khi trả về đối số trống khi nhiều lời gọi chạy trong cùng một bước. Nếu tác tử của bạn gọi công cụ song song, hãy thử một vài lần qua Prime trước khi dựa vào tính năng này.
Chỉ có một upstream. Alibaba Cloud là nhà cung cấp Prime duy nhất. GLM-5.3 có một số nhà cung cấp trên AIHubMix, vì vậy hãy giữ glm-5.3 làm phương án dự phòng cho những công việc không thể gián đoạn.
Công cụ lập trình. AIHubMix chỉ liệt kê Prime trên Chat Completions, nên Claude Code (Anthropic Messages) và Codex (Responses API) không thể dùng trực tiếp. Các công cụ chấp nhận endpoint tương thích với OpenAI thì có thể dùng, chẳng hạn như OpenCode. Để kiểm tra nhanh, hãy giao cùng một lỗi nhỏ cho glm-5.3 và glm-5.3-prime với cùng mức độ nỗ lực, rồi so sánh thời gian thực tế và phần khác biệt trong mã.

Khi nào không nên chọn Prime

Tác vụ hàng loạt và chạy qua đêm. Không ai phải chờ, nên tốc độ chẳng đáng giá gì, còn chi phí vẫn tăng gấp đôi.
Câu trả lời ngắn. Với câu trả lời 200 token, thời gian chờ token đầu tiên chiếm phần lớn, mà trong các phép đo ở trên, Prime không lần nào tạo ra token đầu tiên nhanh hơn.
Khi vấn đề thực sự là suy luận dài và tuyến API của bạn hỗ trợ điều chỉnh mức độ nỗ lực. Giảm reasoning_effort sẽ rút ngắn thời gian chờ và giảm chi phí. Hãy đọc reasoning_tokens trong phản hồi để xác nhận thiết lập có hiệu lực.
Khi bạn cần tốc độ hơn là mô hình đầu bảng. GLM-5.3-FlashX tuyên bố đạt tới 200 token mỗi giây với giá đầu ra chỉ bằng khoảng một phần tám Prime. Phiên bản Flash cơ bản đạt 41.8, so với 44.8 của GLM-5.3 trên chỉ số của Artificial Analysis, vì vậy hãy thử nghiệm với tác vụ của bạn trước khi trả tiền cho Prime.

Ai nên chuyển đổi

Dùng Prime ngay nếu bạn chạy GLM-5.3 trong công cụ lập trình tương tác hoặc tác tử trực tiếp, đầu ra thường dài hàng nghìn token và phép đo của chính bạn cho thấy tốc độ được cải thiện với các prompt của bạn. Bắt đầu với mức nỗ lực low và chỉ tăng khi chất lượng đòi hỏi.
Hãy thử nghiệm trước nếu bạn chạy tác tử với các lệnh gọi công cụ song song hoặc dùng prompt gần chạm giới hạn 1M token.
Tiếp tục dùng GLM-5.3 cho tác vụ hàng loạt, câu trả lời ngắn và mọi trường hợp mà hóa đơn tăng gấp đôi đáng ngại hơn việc chờ lâu.
Hãy theo dõi HighSpeed của Zhipu nếu mục tiêu là tốc độ thuần túy. Nếu tốc độ API đạt gần mức đã công bố, nó sẽ nhanh hơn cả hai lựa chọn ở đây vài lần.

Cả hai mô hình đều chạy bằng cùng một khóa AIHubMix. Trang so sánh GLM-5.3 với GLM-5.3 Prime hiển thị hai mô hình cạnh nhau, và việc chuyển đổi chỉ cần thay đổi một dòng.

Câu hỏi thường gặp

GLM-5.3 Prime có phải là mô hình khác với GLM-5.3 không?
Không. Mô hình này chạy cùng bộ trọng số thông qua chế độ phục vụ Prime của Alibaba Cloud, nhằm tăng tốc độ đầu ra lên 1.5 đến 2 lần. Chất lượng dự kiến tương đương GLM-5.3 và hiện chưa có benchmark riêng cho Prime.

GLM-5.3 Prime đắt hơn bao nhiêu?
Trên AIHubMix, giá là $2.35 cho token đầu vào, $8.23 cho token đầu ra và $0.59 cho mỗi triệu token đọc từ bộ nhớ đệm, đắt hơn khoảng 2.1× so với GLM-5.3. Alibaba Cloud và OpenRouter cũng định giá cao hơn khoảng gấp đôi.

Prime có thực sự nhanh gấp 2 lần không?
Cho đến nay, chưa có phép đo nào cho thấy điều đó. Bài kiểm tra riêng của AIHubMix đo được tốc độ tạo token của Prime cao hơn GLM-5.3 khoảng 1.16 lần, còn trang mô hình của AIHubMix cho thấy mức chênh lệch khoảng 1.46 lần. Trong bài kiểm tra, câu trả lời không đến sớm hơn vì Prime tạo ra nhiều token hơn, còn token đầu tiên cũng không nhanh hơn.

Tôi có thể tắt chế độ suy nghĩ trên GLM-5.3 Prime không?
Không. Giống như GLM-5.3, mô hình luôn thực hiện suy luận, và yêu cầu đặt kiểu suy nghĩ thành disabled sẽ nhận lỗi HTTP 400. Bạn có thể giảm reasoning_effort xuống low hoặc high; mặc định là max.

GLM-5.3 Prime khác GLM-5.3-FlashX thế nào?
Prime phục vụ bộ trọng số GLM-5.3 đầu bảng với tốc độ cao hơn. FlashX phục vụ bộ trọng số GLM-5.3-Flash nhỏ hơn với tốc độ cao hơn, chấp nhận hình ảnh và video, và có giá đầu ra chỉ bằng khoảng một phần tám Prime.

Tôi có thể dùng GLM-5.3 Prime trong Claude Code hoặc Codex không?
Không thể dùng trực tiếp thông qua AIHubMix. Prime chỉ được liệt kê trên endpoint OpenAI Chat Completions, trong khi Claude Code dùng Anthropic Messages và Codex dùng Responses API. Các công cụ chấp nhận endpoint tương thích với OpenAI, chẳng hạn OpenCode hoặc Cline, có thể sử dụng Prime.

Tôi cần thay đổi gì trong mã để chuyển đổi?
Chỉ cần đổi tên mô hình từ glm-5.3 thành glm-5.3-prime. Hãy bỏ mọi cờ tắt chế độ suy nghĩ vì Prime từ chối thiết lập đó, và giữ mức độ nỗ lực ở low, high hoặc max.