GLM 5.3 和 DeepSeek V4.1 Flash 是 BroadNet Inference 上的两个 100 万上下文模型。纸面上它们很像:长上下文、会思考、同一个 OpenAI 兼容端点。不同之处在于价格、BroadNet 列明的能力,以及付费方式。本文依据 BroadNet 的价目表和文档对比两者,并给出一条按任务选型的规则。
GLM 5.3 vs DeepSeek V4.1 Flash 一览
| DeepSeek V4.1 Flash | GLM 5.3 | |
|---|---|---|
| 模型 ID | broadnet/deepseek-v4.1-flash |
broadnet/glm-5.3 |
| 输入,每百万 | $0.175 | $0.78 |
| 缓存输入,每百万 | $0.0055 | $0.173 |
| 输出,每百万 | $0.52 | $3.46 |
| 上下文窗口 | 1,048,576 token | 1,048,576 token |
| 输入类型 | 文本、图像 | 文本 |
| 先思考再回答 | 是 | 是 |
| 列明工具调用 | 未列明 | 是 |
| 列明结构化输出 | 未列明 | 是 |
| 不限量固定价格套餐 | 有,每月 $60 起 | 无 |
“未列明”指 BroadNet 的文档没有为该模型说明这一点,并不等于“不支持”。如果你的智能体依赖工具调用,请先在 DeepSeek V4.1 Flash 上测试你实际的工具 schema,再决定是否依赖它。
价格同步于 2026-11-14。完整的并列对比(含三种工作负载的计价)见 DeepSeek V4.1 Flash vs GLM 5.3 对比页。
GLM 5.3 贵多少?
把价格相除:
| token 类型 | GLM 5.3 ÷ DeepSeek V4.1 Flash |
|---|---|
| 输入 | 约 4.5× |
| 缓存输入 | 约 31× |
| 输出 | 约 6.7× |
智能体最能感受到的是缓存输入的差距。编程智能体每一轮都会重新发送代码仓库,其中大部分是已缓存的。在 DeepSeek V4.1 Flash 上,缓存让这部分几乎免费;在 GLM 5.3 上,缓存输入仍然要每百万 $0.173。
两种工作负载,计价方法与对比页相同:
- 聊天应用:10,000 个请求,每个 2,000 输入、500 输出 token(共 20M 输入、5M 输出,无缓存)。GLM 5.3 的费用约为 5.4 倍。
- 编程智能体:200M 输入 token,缓存命中 80%,另加 10M 输出。GLM 5.3 的费用约为 7 倍。
作为参考,Z.ai 自家的 GLM-5.3 API 标价为每百万 token 输入 USD 1.40、缓存输入 USD 0.26、输出 USD 4.40,Together AI 和 Fireworks 的标准价相同(均于 2026 年 11 月 14 日获取)。BroadNet 的 GLM 5.3 价格三项都低于它们,但不是市场最低:DeepInfra 在 GLM-5.3 输入 USD 0.90、输出 USD 4.00 的标价基础上打 6.2 折,列出输入 USD 0.5625、缓存 USD 0.125、输出 USD 2.50,低于 BroadNet;Fireworks 的 spot 档输出更便宜(USD 3.08)。在 GLM 5.3 价格页和 DeepSeek V4.1 Flash 价格页可以跟踪各家托管方,也可以阅读推理服务商如何为开放模型定价。
针对长文档提问,两者各花多少?
两个模型都能在一个请求里接收整套合同或整个代码库。但针对它提问的费用差别很大。以一份 500,000 token 的文档和十个相关问题为例:
- **第一个问题。**0.5M 新输入 token:DeepSeek V4.1 Flash 上为 $0.175 的一半,GLM 5.3 上为 $0.78 的一半。
- 接下来九个问题,文档保持在最前面,因此已被缓存:4.5M 缓存输入 token。DeepSeek V4.1 Flash 上为 4.5 × $0.0055,GLM 5.3 上为 4.5 × $0.173。
- **回答。**通常比输入少得多,但思考会增加输出量,按每百万 $0.52 或 $3.46 计费。
在 DeepSeek V4.1 Flash 上,九个追问加起来还不到第一个问题费用的三分之一。在 GLM 5.3 上,它们比第一个问题还贵。如果你的工作流要对同一份大文档反复提问,这个差距会主导费用。想知道你的文件占了多少窗口,可以试试上下文窗口计算器;两个模型的分词器不同,请分别用 GLM token 计数器和 DeepSeek token 计数器计数。
哪个思考能力更强,会更贵吗?
两个模型都会先思考再回答,在按 token 计费的密钥上,思考按输出计费。由于 GLM 5.3 的输出价更高,同样多的思考在它上面要贵约 6.7 倍。在任一模型上,简单步骤都用 reasoning_effort: "low",并让 max_tokens 保持在 1,000 或以上,以免回答被截断。参见思考 token 如何计费和为什么回复会是空的。
BroadNet 没有发布两者的质量基准对比,我们也没有。质量取决于你的提示词和工具,所以请在你的任务上把两个都跑一遍。
什么时候选 DeepSeek V4.1 Flash?
- **编程智能体和长时间运行的循环。**缓存输入便宜,还可以选择固定价格套餐。在 BroadNet 的示例中,全职编程智能体按 token 计每月 $65.40,高于 Full Moon 的 $60。盈亏平衡计算。
- **任何涉及图像的任务。**截图、扫描页、图表。GLM 5.3 在 BroadNet 上只支持文本。
- **预算有限的长文档。**同样的 100 万窗口,输入价只是零头。什么时候值得用 100 万上下文。
- **可预测的成本。**只有 DeepSeek V4.1 Flash 有按月、按周、按小时的套餐。
什么时候选 GLM 5.3?
- 重度依赖工具的智能体,一次格式错误的调用就会让整次运行失败,你希望用服务商列明支持工具调用的模型。
- 严格按 schema 输出 JSON,使用结构化输出。
- 长上下文抽取,必须从大量输入中以结构化数据形式返回结果。
- **第二意见。**在代码审查或疑难 bug 上换一个模型家族来跑,能发现第一个模型反复犯的错误。
具体到编程智能体,编程智能体最佳开源模型梳理了哪些智能体工具依赖原生工具调用。
能在一个应用里同时使用两者吗?
可以。两者使用同一个 base URL https://inference.broadnet.ai/v1 和同一个密钥。修改 model 字段即可切换:
from openai import OpenAI
import os
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def ask(messages, needs_tools=False, **kw):
model = "broadnet/glm-5.3" if needs_tools else "broadnet/deepseek-v4.1-flash"
return client.chat.completions.create(model=model, messages=messages, max_tokens=4000, **kw)
一种实用的分工:普通的思考、阅读和写代码轮次交给 DeepSeek V4.1 Flash,必须返回工具调用或符合 schema 的 JSON 的轮次交给 GLM 5.3。按模型记录 token,就能看到这种分工的成本。Python SDK 配置。
注意,在对话中途切换模型会让该轮失去提示词缓存,因为缓存属于单个模型。
BroadNet Inference 适合什么场景
BroadNet 提供这两个模型,均有 100 万上下文、零数据保留和同一个 OpenAI 兼容密钥,因此无需路由平台就能混合使用。如果你想用一个密钥接入更多模型家族,OpenRouter 这类路由平台选择更多,但只按 token 计价。比较 BroadNet 的全部模型。
