GLM-5.3-Flash vs GPT-6 Luna
Qual usar e quando
A saída custa os mesmos $0.5 por milhão em ambos, então a divisão se resume às entradas e ao controle: gpt-6-luna aceita texto e imagens a $0.1 por milhão com leituras de cache a $0.01, enquanto glm-5.3-flash cobra 1.5x isso na entrada e 3x em leituras de cache a $0.15 e $0.03. Escolha glm-5.3-flash quando precisar de entrada de vídeo junto com texto e imagens, ou de margem para respostas únicas longas de até 163840 tokens. Escolha gpt-6-luna para trabalhos baratos de texto e imagem com uso intenso de cache, um contexto ligeiramente maior de 1050000 tokens e a opção de desativar o raciocínio.
Benchmarks
Publicado pelos provedores: Alibaba (Qwen) Anthropic DeepSeek Google Moonshot OpenAI Tencent Z.ai
Preços
| GLM-5.3-Flash | GPT-6 Luna | Δ | |
|---|---|---|---|
| Entrada / 1M tokens | $0.15 | $0.1 | 1.5× |
| Saída / 1M tokens | $0.5 | $0.5 | = |
| Leitura de cache / 1M tokens | $0.03 | $0.01 | 3× |
| Escrita de cache | - | 1.25x (30m) / 2.5x (12h) | - |
Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.
Onde cada um fica: preço de entrada por 1M tokens entre os 83 modelos de chat com esta unidade de cobrança (escala logarítmica)
Capacidades
| GLM-5.3-Flash | GPT-6 Luna | |
|---|---|---|
| Uso de ferramentas | sim | sim |
| Controle de raciocínio | sempre ativo | configurável |
| Saída estruturada | sim | sim |
| Cache de prompts | implícito (automático) | implícito + explícito |
| Tempo de vida do cache | não publicado | at least 30m by default, 12h option on the Responses API |
| Prefixo mínimo em cache | não publicado | 1,024 tokens |
Especificações
| GLM-5.3-Flash | GPT-6 Luna | |
|---|---|---|
| Modalidades de entrada | texto imagem vídeo | texto imagem |
| Modalidades de saída | texto | texto |
| Lançamento | 2026-08-26 | 2026-09-22 |
| Corte de conhecimento | - | 2026-05 |
| Janela de contexto | 1M | 1.1M |
| Saída máxima | 164K | 128K |
| Parâmetro de raciocínio | reasoning_effort | reasoning.effort |
| Valores aceitos | reasoning_effort
| reasoning.effort
|
| Padrão | max | medium |
As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: GLM-5.3-Flash · GPT-6 Luna
Um prompt, os dois modelos, medidos pelo gateway
GLM-5.3-Flash passou · 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.
saída 742 tok (+626 raciocínio) latência 23.2 s
GPT-6 Luna passou · 3 sentences
Enabling reasoning typically makes the model process more information and generate more internal tokens before producing its answer. Because usage is billed by tokens—and reasoning may also route requests to a more expensive model—the cost per request can rise sharply. If request volume stayed similar, that higher cost per request could explain why the bill doubled.
saída 117 tok (+48 raciocínio) latência 3.4 s
Se a instrução é seguida (exatamente três frases, dá para contar), a adequação ao público (tom para um CFO) e a diferença de cobrança causada pelo raciocínio oculto, que os medidores de tokens abaixo deixam à mostra.
GLM-5.3-Flash passou · 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). […]
saída 2462 tok (+2138 raciocínio) latência 29.1 s
GPT-6 Luna passou · 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 else: cur = 1 best = max(best, cur) return best ``` The original code counted matching *adjacent pairs* rather than items, so a run of length `n` was reported as `n - 1`, and a single-item input returned `0`. This version counts the current item as part of each run and updates `best` at every index, including the last; it returns `0` for an empty input.
saída 514 tok (+356 raciocínio) latência 6.9 s
Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.
GLM-5.3-Flash passou · 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.
saída 717 tok (+616 raciocínio) latência 9.1 s
GPT-6 Luna passou · 5/5 fields, guidance "Withheld pending the Q4 close"
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":null,"guidance":"Withheld pending the Q4 close"}
saída 161 tok (+119 raciocínio) latência 21.7 s
Aderência ao schema (sem campos inventados), pressão para alucinar (o texto diz explicitamente que o guidance não foi divulgado) e diferenças no caminho de saída estruturada.
GLM-5.3-Flash passou · 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.
saída 2095 tok (+1937 raciocínio) latência 20.2 s
GPT-6 Luna passou · 120 words, 0 banned, 1 question
Introducing Prompt Cache, a new API gateway feature that recognizes repeat prompt prefixes and reuses provider-side cached context across supported models. Teams can route requests to different AI providers while preserving eligible cache hits, reducing redundant input processing and helping lower latency and token costs. Configure cache policies in one place, monitor hit rates by provider, and keep existing client integrations unchanged. The gateway applies provider-specific rules automatically, so developers do not need to build separate caching logic for each endpoint. Which workflows could benefit from faster responses and predictable spend? Prompt Cache is available today in preview for eligible accounts, with usage details, supported providers, and setup guidance in the dashboard. Start with one route, compare results, then expand.
saída 959 tok (+813 raciocínio) latência 14.6 s
Respeito às restrições (limite de palavras, lista de palavras proibidas, uma única pergunta), a marca de estilo de cada modelo e o controle do tamanho.
Troque de um para o outro mudando uma linha
Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="glm-5.3-flash",
# model="gpt-6-luna", # descomente esta linha, comente a linha acima
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-5.3-flash",
// model: "gpt-6-luna", // descomente esta linha, comente a linha acima
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-5.3-flash",
# "model": "gpt-6-luna", # descomente esta linha, comente a linha acima
"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-5.3-flash",
// Model: "gpt-6-luna", // descomente esta linha, comente a linha acima
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-5.3-flash")
// .model("gpt-6-luna") // descomente esta linha, comente a linha acima
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Perguntas frequentes
Qual é mais barato, GLM-5.3-Flash ou GPT-6 Luna?
GPT-6 Luna sai mais barato na linha “Entrada / 1M tokens” ($0.1 contra $0.15, 1.5× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.
Posso fazer um teste A/B de GLM-5.3-Flash contra GPT-6 Luna sem duas integrações?
Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.
GLM-5.3-Flash e GPT-6 Luna suportam cache de prompts?
Sim. Os dois cobram as leituras de cache abaixo da tarifa de entrada, então cargas de trabalho com prefixo já em cache custam menos do que os preços de tabela sugerem. Os valores exatos de leitura de cache estão na tabela de preços acima.