DeepSeek V4 Flash (0731) vs GLM-5.3-Flash
いつ、どちらを使うか
どちらも1,000,000トークンのコンテキストウィンドウを備えたテキスト出力のflash層モデルですが、価格と入力において異なります。glm-5.3-flashは入力$0.15、出力$0.5であり、$0.44および$1.32のdeepseek-v4-flash-0731よりもそれぞれ約2.9xおよび2.6x安く、テキストに加えて画像や動画も受け付けます。思考モードをオフにできない点に留意しつつ、安価で大量のテキスト作業やマルチモーダルな用途にはglm-5.3-flashを選択してください。その最大出力393,216トークンがGLMの163,840の約2.4xであるため、非常に長い単一の応答が必要な場合はdeepseek-v4-flash-0731を選択してください。
ベンチマーク
ベンダー公表: Alibaba (Qwen) Anthropic DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
料金
| DeepSeek V4 Flash (0731) | GLM-5.3-Flash | Δ | |
|---|---|---|---|
| 入力 / 1Mトークン | $0.44 | $0.15 | 2.9× |
| 出力 / 1Mトークン | $1.32 | $0.5 | 2.6× |
| キャッシュ読み取り / 1Mトークン | $0.044 | $0.03 | 1.5× |
| キャッシュ書き込み | 別途料金なし | - | - |
ビルド時のライブカタログの料金です。各モデルのページには現在の料金カードが記載されています。
位置付け — この課金単位におけるすべての67個のチャットモデル全体の1Mトークンあたりの入力料金 (対数スケール)
機能
| DeepSeek V4 Flash (0731) | GLM-5.3-Flash | |
|---|---|---|
| ツール使用 | あり | あり |
| 思考コントロール | あり — ベンダーの調整パラメータは非公開 | 常時オン |
| 構造化出力 | あり | あり |
| プロンプトキャッシング | 暗黙的 (自動) | 暗黙的 (自動) |
| キャッシュ有効期間 | no fixed TTL (evicted when unused) | 非公開 |
| 最小キャッシュプレフィックス | 非公開 | 非公開 |
仕様
| DeepSeek V4 Flash (0731) | GLM-5.3-Flash | |
|---|---|---|
| 入力モダリティ | テキスト | テキスト 画像 動画 |
| 出力モダリティ | テキスト | テキスト |
| リリース | 2026-07-31 | - |
| コンテキストウィンドウ | 1M | 1M |
| 最大出力 | 393K | 164K |
| 思考パラメータ | - | reasoning_effort |
| 指定可能な値 | - | reasoning_effort
|
| デフォルト | - | max |
仕様は各ベンダーのドキュメントから転記されています。ベンダーが公開していない行は推測せず、省略しています。 すべての出典: DeepSeek V4 Flash (0731) · GLM-5.3-Flash
1つのプロンプト、両方のモデル — ゲートウェイ経由で測定
DeepSeek V4 Flash (0731) パス · 3 sentences
Enabling reasoning mode prompts the model to generate extensive internal chain-of-thought tokens before answering, often multiplying total token output per query by several times. This directly inflates costs because we are billed per token, and these reasoning tokens are processed at a premium compute tier that carries a higher price per million tokens. However, this spend buys measurably higher accuracy and fewer failed calls, so we are tracking it against specific error-reduction KPIs to ensure the ROI justifies the increase.
出力 365 tok (+266 思考) レイテンシ 5.1 s
GLM-5.3-Flash パス · 3 sentences
Enabling reasoning means the model now generates thousands of invisible "thinking" tokens before each visible answer, and we're billed for those hidden tokens at full output rates—our most expensive tier. Since output tokens cost 3–5x more than input tokens, that hidden thinking volume compounds across every request, which is why the bill doubled rather than edged up. If the spend concerns you, the fix is straightforward: route only complex queries to reasoning models and keep simple tasks on standard ones, which can reclaim a meaningful share of that cost without losing accuracy where it matters.
出力 742 tok (+626 思考) レイテンシ 23.2 s
指示追従（ちょうど三文 — 数えられる）、読み手に合わせた調整（CFO 向けの語り口）、そして下のトークン計から見える隠れた思考の課金ギャップ。
DeepSeek V4 Flash (0731) パス · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` The original bug stems from initializing `cur` to 0 and only incrementing it when adjacent elements are equal, which counts the number of *equal transitions* rather than the actual run length—so every run of length L is reported as L−1, and a single‑element run (with no transitions) yields 0. Moreover, because `best` is updated only inside the equality branch, it never accounts for a run that ends at the last element if that run is longer than any previously seen (though the real issue remains the off‑by‑one). […]
出力 1268 tok (+1016 思考) レイテンシ 14.0 s
GLM-5.3-Flash パス · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` **The bug:** `cur` is supposed to hold the length of the current run, but it's seeded with `0` and reset to `0` on a mismatch instead of `1` — and since the loop starts at index 1, the first element of every run never passes through the `==` branch and so never gets counted at all. That means `cur` actually holds *run length minus 1* for every run, so every run is underreported by one: a single-element input never enters the loop and returns 0 instead of 1, and a run of length n returns n − 1 (e.g., `[3, 3, 3]` returns 2). […]
出力 2462 tok (+2138 思考) レイテンシ 29.1 s
修正が実際に正しいか（実行可能か）、説明の密度、そして範囲の限られたタスクでのトークン効率。
DeepSeek V4 Flash (0731) パス · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null }
出力 1119 tok (+1072 思考) レイテンシ 12.3 s
GLM-5.3-Flash パス · 5/5 fields, guidance "Withheld pending the Q4 close"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "Withheld pending the Q4 close" } ``` Notes on judgment calls: revenue of 412 is on a constant-currency basis as stated; growth of "eleven and change" is approximated as 11 since no precise figure is given.
出力 717 tok (+616 思考) レイテンシ 9.1 s
スキーマ遵守（フィールドをでっち上げない）、ハルシネーション圧（guidance は明示的に保留されている）、そして構造化出力の経路の違い。
DeepSeek V4 Flash (0731) 失敗 · 141 words, 0 banned, 1 question
**Introducing Prompt Cache for API Gateway** We are pleased to announce Prompt Cache, a new feature that stores and reuses identical prompt prefixes across all connected LLM providers. By automatically recognizing repeated requests, this cache reduces token consumption and lowers latency without altering your application logic. Whether you use OpenAI, Anthropic, or open-source models, the cache operates transparently, ensuring consistent behavior while cutting costs. Developers can configure cache TTL and scoping rules via a simple API call, giving you precise control over data freshness and privacy. This feature also minimizes redundant upstream calls, freeing provider rate limits for more critical workloads. Start caching today through the dashboard or CLI, and watch your operational expenses drop significantly. […]
出力 254 tok (+80 思考) レイテンシ 4.4 s
GLM-5.3-Flash パス · 120 words, 0 banned, 1 question
Introducing Cross-Provider Prompt Cache, the newest feature in our API gateway. Today, teams send identical prompts to multiple LLM providers and pay full price each time. Why duplicate that work and cost? With Cross-Provider Prompt Cache, your gateway stores prompt-response pairs and serves repeated requests from cache, regardless of which provider handles the call. The result: lower latency, reduced spend, and consistent outputs across OpenAI, Anthropic, Google, and self-hosted models. Configure cache policies per route, set TTLs, and invalidate entries instantly through the dashboard or API. Built-in analytics show hit rates and savings in real time. Enable the cache with a single flag, no code changes required. Available today on all paid plans. Contact sales for enterprise volume pricing details.
出力 2095 tok (+1937 思考) レイテンシ 20.2 s
制約の遵守（語数の上限、禁止語リスト、唯一の疑問文）、文体の指紋、そして長さの制御。
1行で切り替え
以下のすべてのタブには両方のIDが含まれています — 変更箇所はハイライトされた2行のみです。エンドポイント、キー、リクエスト形式はすべて同じです。
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="deepseek-v4-flash-0731",
# model="glm-5.3-flash", # この行をアンコメントし、上の行をコメントアウトします
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "deepseek-v4-flash-0731",
// model: "glm-5.3-flash", // この行をアンコメントし、上の行をコメントアウトします
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-v4-flash-0731",
# "model": "glm-5.3-flash", # この行をアンコメントし、上の行をコメントアウトします
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "deepseek-v4-flash-0731",
// Model: "glm-5.3-flash", // この行をアンコメントし、上の行をコメントアウトします
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("deepseek-v4-flash-0731")
// .model("glm-5.3-flash") // この行をアンコメントし、上の行をコメントアウトします
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
DeepSeek V4 Flash (0731) と GLM-5.3-Flash ではどちらが安いですか？
入力 / 1mトークン においては GLM-5.3-Flash の方が安価です（$0.15 対 $0.44、2.9× の差）。他の行では逆になる可能性があります — 上の表には完全な情報が記載されており、実際のコストは組み合わせに依存します。
2つの統合を行わずに DeepSeek V4 Flash (0731) と GLM-5.3-Flash のA/Bテストを実施できますか？
はい。両方とも1つのAPIキーで同じOpenAI互換エンドポイントを通じて提供されます — モデル文字列を1行変更するだけで切り替えられるため、トラフィックの一部をそれぞれにルーティングし、請求額を直接比較できます。
DeepSeek V4 Flash (0731) と GLM-5.3-Flash はプロンプトキャッシングをサポートしていますか？
はい — どちらのモデルでもキャッシュ読み込みは入力レートよりも低く請求されるため、ウォームプレフィックスのワークロードは定価が示すよりも低コストになります。キャッシュ読み込みの正確な行は、上の料金表に記載されています。