Comparación cruzada oficial de los dos gigantes del código abierto: ambos destacan por sus pesos abiertos bajo MIT y un contexto de 1M; en la matriz de capacidades se reparten las victorias, y las diferencias en precios y estrategias de concurrencia son notables.
| Benchmark | GLM-5.3 | Kimi K3 | DeepSeek-V4-Pro | Opus 4.8 | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 88.2 | 88.3 | 87.9 | 85.0 | 88.8 |
| Terminal-Bench 3.0 | 28.3 | 17.4 | — | 21.1 | 34.6 |
| DeepSWE v1.1 | 66.9 | 67.5 | 62.7 | 58.0 | 72.7 |
| NL2Repo | 58.0 | 58.0 | 61.1 | 69.7 | — |
| CyberGym | 84.5 | 80.0 | 83.3 | 78.1 | 83.6 |
| Toolathlon Verified | 73.0 | 76.5 | 74.1 | 76.2 | 74.9 |
| AutomationBench v1.0.6 | 48.2 | 46.7 | 43.2 | 41.0 | 45.8 |
| ALE-CLI | 28.5 | 27.6 | 25.7 | 25.7 | 28.6 |
| HLE con herramientas | 62.5 | 59.8 | 60.0 | 57.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1682 | 1590 | 1588 | 1730 |
Fuente de datos: blog oficial de Z.ai (2026-08-14); la no participación se indica con —. Precios de DeepSeek: V4-Pro en horas valle $0.66/$1.98, V4-Flash $0.14/$0.28, V4.1-Flash-1017 $0.15/$0.60 por millón de tokens.
GLM-5.3 va ligeramente por delante en Terminal-Bench 3.0 (28.3 vs no participó) y en CyberGym (84.5 vs 83.3); V4-Pro lo supera en NL2Repo (61.1 vs 58.0), y en HLE w/ Tools están prácticamente empatados (60.0 vs 62.5).
V4-Pro en horas valle $0.66/$1.98, deepseek-flash $0.15/$0.60 con una concurrencia de 2500; GLM-5.3 ¥8/28, GLM-5.3-Flash ¥0.4/1.4 (50 % de descuento por tiempo limitado).
Las API de ambos son compatibles con el SDK de OpenAI/Anthropic; la familia GLM ofrece además el paquete completo Vision/Image/Video/Voice, mientras que DeepSeek se centra en la profundidad de la codificación y los agentes con texto+visión.
Para los buques insignia de código cerrado, manda el presupuesto; entre los dos gigantes de código abierto, manda el escenario: para codificación con agentes y pipelines de producción de alta concurrencia, elige DeepSeek (nivel flash: 2500 de concurrencia + caché a $0.003); para el paquete completo multimodal y el ecosistema en chino, elige GLM. Ambas usan licencia MIT, y lo más prudente es el enrutamiento doble: puedes probarlo directamente en el playground de este sitio.
大模型网摘