GLM-5 vs Kimi K3
どんなときに、どちらを選ぶか
kimi-k3 は価格以外のあらゆる軸で大きいモデルです。テキストに加えて画像と動画を受け付け、1048576 トークンのコンテキスト対 glm-5 の 200000、1 回の応答で最大 1048576 トークン対 131072 を出力できます。glm-5 はテキスト入出力で入力 $1、出力 $3.2、kimi-k3 は $3 と $15 で入力が約 3 倍、出力が 4.7 倍高く、キャッシュ読み取りは $0.3 対 $0.2 です。マルチモーダル入力や巨大な単一応答には kimi-k3 を、大量のテキスト・コード・ツール作業には glm-5 を。推論をオフにできる点は kimi-k3 にはありません。
ベンチマーク
両モデルとも測定されている項目は 8 件です。
ベンダー公表値： Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
料金
| GLM-5 | Kimi K3 | Δ | |
|---|---|---|---|
| 入力 / 100 万トークン | $1 | $3 | 0.33× |
| 出力 / 100 万トークン | $3.2 | $15 | 0.21× |
| キャッシュ読み取り / 100 万トークン | $0.2 | $0.3 | 0.67× |
ビルド時点の現行カタログの料金です。最新の料金表は各モデルのページに掲載しています。
両モデルの位置：100 万トークンあたりの入力料金（この課金単位のチャットモデル全 78 件、対数スケール）
対応機能
仕様
| GLM-5 | Kimi K3 | |
|---|---|---|
| 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 | 2026-02-12 | 2026-07-16 |
| コンテキストウィンドウ | 200K | 1M |
| 最大出力 | 131K | 1M |
| 思考パラメータ | thinking.type | reasoning_effort (top-level; the thinking object is not accepted) |
| 指定可能な値 | thinking.type
| reasoning_effort
|
| デフォルト | enabled, and on GLM-5 the model automatically determines whether to think | max |
仕様は各ベンダーのドキュメントから転記しています。ベンダーが公表していない項目は、推測で埋めずに省いています。 出典の一覧： GLM-5 · Kimi K3
1 つのプロンプトを両モデルで実行（ゲートウェイ経由で測定）
GLM-5 合格 · 3 sentences
Enabling reasoning forces the model to perform multiple hidden steps to "think" through a problem, drastically increasing the volume of data processed per query compared to a standard response. Because our billing is directly tied to this processing volume, the additional computational work required for higher accuracy has proportionally doubled our consumption. Essentially, the spike reflects a trade-off where we are paying a higher variable cost to secure significantly better analytical outcomes.
出力 1393 tok (+1308 思考) レイテンシ 36.0 s
Kimi K3 合格 · 3 sentences
Reasoning models don't just answer questions—they "think" first, generating long internal chains of step-by-step logic before producing a response. Those hidden thinking steps are billed as output tokens (the most expensive kind, typically 3–5x the price of input tokens), and a single query can generate thousands of them even when the visible answer is only a paragraph long. So you're paying for dramatically more compute per request: the bill doubled because the model does far more work behind the scenes, not because usage increased.
出力 755 tok (+637 思考) レイテンシ 20.8 s
指示への忠実さ（ちょうど 3 文という、数えて確かめられる条件）、読み手に合わせた書き分け（CFO 向けの語り口）、そして下のトークンメーターに表れる、表示されない思考への課金の差。
GLM-5 合格 · 8/8 cases
Here is the fixed code: ```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 ``` **Explanation:** The bug stems from initializing `best` and `cur` to zero, which causes the function to count the number of *transitions* between adjacent elements rather than the total number of items in the run, resulting in a return value that is always one less than the actual length (reporting 0 for a single element and 1 for a pair). By initializing the counters to 1 and resetting `cur` to 1 when a streak breaks, the logic correctly counts the items themselves; adding an explicit check for an empty list ensures the function handles the zero-element edge case correctly.
出力 2907 tok (+2694 思考) レイテンシ 73.7 s
Kimi K3 合格 · 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 bug is a fencepost error: `cur` counts *matching adjacent pairs* rather than *items in the run*, because it starts at 0 and only increments when `xs[i] == xs[i - 1]`. A run of length L contains L−1 equal pairs, so every run was undercounted by exactly one. For a single-element list (a run of length 1) the loop never runs and the function returns 0 instead of 1; likewise any run ending at the last index — e.g. the two `2`s in `[1, 2, 2]` — reported 1 instead of 2, making it look like no run existed at all. […]
出力 1837 tok (+1547 思考) レイテンシ 47.2 s
修正が本当に正しいか（実行して確かめられる）、説明の密度、範囲の限られたタスクでのトークン効率。
GLM-5 合格 · 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" } ```
出力 3620 tok (+3561 思考) レイテンシ 91.8 s
Kimi K3 合格 · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
出力 924 tok (+863 思考) レイテンシ 25.9 s
スキーマの遵守（存在しないフィールドを作らない）、ハルシネーションを誘う条件への耐性（guidance は明示的に伏せてある）、構造化出力の実現方法の違い。
GLM-5 合格 · 119 words, 0 banned, 1 question
We are thrilled to introduce Global Prompt Caching, a powerful new capability within our API gateway designed to optimize your AI operations. By intelligently storing prompt responses across every supported provider, this feature drastically reduces latency and cuts operational costs. Instead of processing identical requests repeatedly, our system serves cached results instantly, ensuring consistent performance even during high-traffic periods. Why pay full price for repeated inference on the same inputs? This update gives developers fine-grained control over cache lifetimes and hit rates, allowing for predictable budgeting and faster application response times. You can activate this functionality directly in your dashboard settings today. Start maximizing your efficiency now and deliver a snappier experience to your end-users without unnecessary API expenditure.
出力 715 tok (+571 思考) レイテンシ 18.9 s
Kimi K3 合格 · 120 words, 0 banned, 1 question
Meet Prompt Cache, a new API gateway capability that stores prompt responses and serves them across OpenAI, Anthropic, Google, and Azure endpoints. It matches requests by model, prompt hash, tools, temperature, and tenant policy, so repeated work returns fast while sensitive contexts stay isolated. Teams set TTLs, stale rules, encryption scopes, and bypass flags per route. Analytics show hit rate, latency saved, token spend avoided, and drift risk by provider. What changes for developers? Keep one integration, add cache headers, and watch fallback logic respect consent, residency, and audit needs. During rollout, canary keys compare fresh answers with cached copies before promotion. Prompt Cache cuts vendor calls, steadies p95 latency, and gives platform owners controls for cost, quality, and compliance.
出力 1527 tok (+1354 思考) レイテンシ 37.9 s
制約の遵守（語数の上限、禁止語リスト、疑問文はひとつだけ）、文体の癖、長さの制御。
1 行の変更で切り替え
以下のどのタブにも両方のモデル ID が入っています。書き換えるのはハイライトされた 2 行だけで、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="glm-5",
# model="kimi-k3", # この行のコメントを外し、上の行をコメントアウト
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: "glm-5",
// model: "kimi-k3", // この行のコメントを外し、上の行をコメントアウト
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": "glm-5",
# "model": "kimi-k3", # この行のコメントを外し、上の行をコメントアウト
"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: "glm-5",
// Model: "kimi-k3", // この行のコメントを外し、上の行をコメントアウト
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("glm-5")
// .model("kimi-k3") // この行のコメントを外し、上の行をコメントアウト
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));よくある質問
GLM-5 と Kimi K3 ではどちらが安いですか？
入力 / 100 万トークンは GLM-5 のほうが安くなります（$1 対 $3、3.0 倍の差）。ほかの行では逆になることもあります。料金の全体は上の表に掲載しており、実際のコストは利用の内訳によって変わります。
GLM-5 と Kimi K3 の A/B テストは、実装を 2 つ用意せずにできますか？
はい。どちらも同じ OpenAI 互換エンドポイントから 1 つの API キーで利用できます。切り替えはモデル名の文字列を 1 行変えるだけなので、トラフィックの一部をそれぞれに振り分けて、請求額を直接比較できます。
GLM-5 と Kimi K3 はプロンプトキャッシュに対応していますか？
はい。どちらのモデルも、キャッシュ読み取りは通常の入力単価より安く課金されます。そのため、同じプレフィックスを繰り返し使うワークロードでは、定価から見込まれるよりコストが下がります。キャッシュ読み取りの正確な単価は、上の料金表に掲載しています。