GLM vs DeepSeek vs MiniMax: aling modelo ang pipiliin

Lahat ng tatlo ay open-weight na mga modelo na available sa parehong OpenAI-compatible na API, gamit ang parehong key. Nagkakaiba sila sa laki ng context, limitasyon ng output at presyo — at para sa karamihan ng proyekto, iyon ang nagtatakda. Ang mga limitasyon sa ibaba ay mula noong Oktubre 20, 2026; ang mga presyo at gastos sa mga talahanayan sa ibaba ay live at palaging nagpapakita ng kasalukuyang mga rate.

Sa isang sulyap#

Ang mga limitasyon ay nagmumula sa GET https://api.cheaptokens.dev/v1/models — ang parehong listahan na nakikita ng iyong mga tool.

Kasalukuyang mga presyo (live)#

Awtomatikong nag-a-update ang talahanayang ito: mga rate bawat milyong tokens, input at output nang hiwalay — ang parehong data tulad ng nasa pricing page. Ang mga figure ng OpenRouter ay ang listahan ng mga presyo ng parehong mga modelo sa openrouter.ai na sinusubaybayan namin para sa paghahambing.

Gastos ng isang karaniwang request#

Mga kondisyon: isang request na may 20,000 input tokens at 2,000 output tokens — isang katamtamang laki ng coding na tanong na may ilang file sa context. Ang talahanayan ay kinakalkula mula sa kasalukuyang mga presyo at muling kinakalkula kapag nagbago ang mga ito; ang column ng OpenRouter ay nagpapakita ng parehong workload sa mga reference na presyo na sinusubaybayan namin.

Paano pumili#

Ito ay mga panimulang punto batay sa mga limitasyon at presyo sa itaas — hindi mga resulta ng benchmark: hindi pa kami nakakapagsagawa ng mga quality test ng tatlong modelo.

• Mahabang output — buong file, mahabang ulat, malalaking refactor sa isang sagot: DeepSeek-V4-Flash, ang tanging isa sa tatlo na may 32K output limit.
• Pinakamababang gastos bawat request: tingnan ang talahanayan sa itaas — ito ay muling kinakalkula sa tuwing nagbabago ang mga presyo.
• Mahirap na reasoning — multi-step na pagbabago, nakakalitong bug: GLM-5.3-Flash. Nag-iisip ito bago sumagot; ang reasoning ay nabuong teksto rin, kaya nagdadagdag ito ng output tokens at oras.
• Agents at automation: MiniMax-M2.7. Ang context nito ang pinakamaliit sa tatlo (200K), kaya putulin ang mahabang history.
• Napakahabang context — malaking codebase o set ng dokumento: GLM-5.3-Flash (390K) o DeepSeek-V4-Flash (380K).

Ang pinaka-maaasahang pagsubok ay ang sarili mo. Isang simpleng paraan: isulat ang mga model ID at ang petsa; kumuha ng 10–20 tunay na gawain mula sa iyong trabaho; patakbuhin ang bawat isa sa lahat ng tatlong modelo gamit ang parehong prompt; i-score ang kawastuhan, kung gaano kahusay nasunod ang mga instruksyon, haba ng sagot at oras ng pagtugon; basahin ang mga token count mula sa usage at i-multiply ang mga ito sa kasalukuyang mga rate.

Pagpapalit ng modelo#

Ang API, base URL at key ay pareho para sa lahat ng modelo — ang model field lang ang nagbabago:

import os
from openai import OpenAI

client = OpenAI(base_url="https://api.cheaptokens.dev/v1", api_key=os.environ["CHEAPTOKENS_API_KEY"])

for model in ["zai-org/GLM-5.3-Flash", "deepseek-ai/DeepSeek-V4-Flash-0731", "MiniMaxAI/MiniMax-M2.7"]:
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": "Summarize the CAP theorem in two sentences."}],
    )
    print(model, resp.usage.prompt_tokens, resp.usage.completion_tokens)
    print(resp.choices[0].message.content, "\n")

Nagbabago ang catalog sa paglipas ng panahon: may mga bagong modelong idinadagdag at ang ilan ay maaaring pansamantalang hindi available. Bago mag-hard-code ng ID, tingnan ang GET /v1/models.