我们问了 GLM-5.3-Flash 一个非常简单的问题：SSH 默认使用哪个端口。它用了 625 个输出 Token，最后才给出答案："22"。
这不是我们特意挑出来的极端案例，而是 5 次测试的中位数。Qwen3.8-Max 回答同一个问题只用了 156 个 Token。Flash 这些调用中，我们支付的大部分输出成本，其实都花在了用户根本看不到的推理过程上，而这个问题最终的答案只有两个字符。
结果发现，解决办法只需要改一行参数。在请求里加入 reasoning_effort: "low"，同一个问题就只需要 155 个 Token。GLM-5.3-Flash 默认会使用最高的推理强度，但仅从请求本身你根本看不出来。只增加这一个参数，就让 Flash 在我们的整套 Prompt 测试中便宜了 6.3 倍。
这一点对大多数人来讲很重要，因为模型是按 Token 收费的，但价格页面不会告诉你一个模型通常会生成多少 Token。GLM-5.3-Flash 的输出价格只有 Qwen3.8-Max 的十二分之一，也只有 Kimi K3 的三十分之一。为了看看这些纸面价格比例落到真实请求里到底是什么样，我们在 DigitalOcean 无服务器推理上实际跑了 2700 次 API 调用。
使用默认配置时，Flash 相比 Qwen 的成本优势是 2.3 倍，而不是 12 倍。显式配置后，这个优势变成了 14.5 倍；相比 Kimi K3，则达到 106 倍。这几个数字之间的差距，只来自一个参数。本文后面会完整讲清楚我们是怎么找到它的，包括一开始走错的那条路。
整个测试总共花了 14.75 美元。下面所有结果都可以通过这个代码仓库(github.com/Jameshskelton/GLM-Flash-Analysis)复现，包括 Prompt、测试脚本、原始日志，以及重新生成文中所有图表的脚本。
GLM-5.3-Flash 是什么：3200 亿参数，每个 Token 激活 180 亿，采用 MIT 许可证
GLM-5.3-Flash 是 Z.ai GLM-5 系列中首个原生多模态模型，采用 MIT 许可证发布。它并不是在 GLM-5.2 基础上做的一次后训练更新，而是从一个重新训练的基础模型开始，整个架构和训练方案都围绕效率进行了重新设计。
最值得关注的架构数字，也是和成本最相关的数字，是：总参数量 3200 亿，但每个 Token 只激活 180 亿参数。 Z.ai 表示，GLM-5.3-Flash 在多项 Benchmark 上超过 GLM-5.2，而价格只有后者的十分之一；同时在代码和 Agent 任务上接近 Claude Opus 4.8，例如 Terminal-Bench 2.1 得分 84.3，DeepSWE 得分 63.4。
这主要由两项架构变化推动。第一项是将稀疏注意力与线性注意力结合起来的混合注意力设计，这是 GLM 系列首次采用这种架构，目标是在保留长上下文能力的同时，降低长上下文推理成本。第二项是 Manifold-Constrained Hyper-Connections，Z.ai 用它来提升模型扩展效率。这两项设计都建立在一个包含 30 万亿 Token 的多模态预训练语料之上。
如果把它和 DigitalOcean 无服务器推理 最近上线的其他开放权重模型放在一起看，最有意思的是它的计算规模。Qwen3.8-Max 是一个 2.4 万亿参数 的模型，每个 Token 激活 950 亿参数 ；Kimi K3 的规模更大。而 Flash 每个 Token 只激活 180 亿参数------大约只有 Qwen 激活参数量的五分之一，相比 Kimi 则更低得多------但它在 Artificial Analysis Intelligence Index 上的得分几乎和 Kimi K3 Max 一样。
这就是 GLM-5.3-Flash 的核心卖点：以远低于传统大模型的单 Token 计算量，提供接近前沿模型的能力。这也是为什么 DigitalOcean 可以把它的输入价格定在 0.15 美元 / 百万 Token ，而 Kimi 则是 3.00 美元 / 百万 Token。
这个卖点本身确实成立，对应 Benchmark 数据也来自 Z.ai 官方。但有一个数字几乎没人会公布：一个模型为了得到答案，到底会使用多少 Token。而我们最终发现，相当一部分纸面成本优势，恰恰消耗在这里。
我们如何测量 DigitalOcean 无服务器推理上的实际成本
DigitalOcean 无服务器推理上有三个开放权重模型：glm-5.3-flash、qwen3.8-max 和 kimi-k3。它们在 DigitalOcean 上每百万 Token 的价格如下：
| 模型 | 输入 | 输出 | 缓存输入 |
|---|---|---|---|
| glm-5.3-flash | 0.15 美元 | 0.50 美元 | 0.03 美元 |
| qwen3.8-max | 2.00 美元 | 6.00 美元 | 0.20 美元 |
| kimi-k3 | 3.00 美元 | 15.00 美元 | 0.30 美元 |
我们准备了两组 Prompt。第一组包含 24 个开放式问题，分为三个难度层级：Tier 1 是类似"SSH 默认端口是什么"这样的简单查询问题；Tier 2 是中等难度分析问题，比如为什么批处理能提高吞吐量，却不一定降低单次请求延迟；Tier 3 则是带多个约束条件的复杂问题，例如在固定预算下选择部署拓扑。所有问题都没有指定输出格式，也没有 System Prompt 和采样参数。第二组包含 20 个有确定答案的任务，用来检查更低成本是否会以牺牲正确率为代价。
每个 Prompt 都会针对每个模型运行 5 次，而且执行顺序随机化。
在看数据之前，需要先说明一个背景。Artificial Analysis 在 Intelligence Index 上给 Kimi K3 和 GLM-5.3-Flash 的评分都是 57。两个模型在同一个独立综合 Benchmark 上得分一样，但输入价格相差 20 倍，输出价格相差 30 倍。这是第三方测量结果，我们没有自行验证。不过，这意味着真正值得问的问题并不是"哪个模型更聪明"，而是"它们各自回答一个问题到底要花多少钱"。
GLM-5.3-Flash 实际成本只比 Qwen3.8-Max 低 2.3 倍，而不是 12 倍
| 模型 | 官方输出价格 | 实测单次请求成本 | 纸面价格比 | 实测价格比 |
|---|---|---|---|---|
| glm-5.3-flash | 0.50 美元 / 百万 Token | 0.00156 美元 | 1 倍 | 1 倍 |
| qwen3.8-max | 6.00 美元 / 百万 Token | 0.00361 美元 | 12 倍 | 2.31 倍 |
| kimi-k3 | 15.00 美元 / 百万 Token | 0.02661 美元 | 30 倍 | 17.01 倍 |
Flash 依然是最便宜的，而且差距很明显。但如果你只是把 Qwen 的单 Token 价格除以 12 来估算基础设施预算，那么最终结果会偏差超过 5 倍，而且偏差方向对你最不利。
Kimi 的价格优势缩水得没那么明显：纸面上是 30 倍，实际是 17 倍。Qwen 则缩水得更多：纸面 12 倍，实际只剩 2.3 倍。这种不对称是一个重要线索，而原因就藏在输出长度里。
为什么：GLM-5.3-Flash 的输出 Token 是 Qwen3.8-Max 的 4 倍以上
在完全相同的 Prompt 下，而且没有给任何模型指定输出格式时，输出 Token 中位数如下：
| 模型 | Tier 1（简单） | Tier 2（中等） | Tier 3（困难） |
|---|---|---|---|
| glm-5.3-flash | 625 | 3141 | 5018 |
| qwen3.8-max | 156 | 645 | 886 |
| kimi-k3 | 456 | 2006 | 1961 |
在简单问题上，Flash 输出的 Token 是 Qwen 的 4.0 倍；到了困难问题，这个比例达到 5.7 倍。这基本已经解释了大部分成本差距。一个每 Token 便宜 12 倍、但要多用 5 倍 Token 的模型，实际当然不可能仍然便宜 12 倍。
这些 Token 都去了哪里？Flash 和 Kimi 都会把推理过程单独放在 reasoning_content 字段里，因此我们可以直接统计。下面是输出 Token 中用于推理的比例中位数：
| 模型 | Tier 1 | Tier 2 | Tier 3 |
|---|---|---|---|
| glm-5.3-flash | 72% | 81% | 84% |
| kimi-k3 | 65% | 77% | 82% |
| qwen3.8-max | 默认关闭思考模式 |
也就是说，输出账单里大约三分之二到六分之五的 Token，都是用户最终看不到的推理内容。在 Tier 1 和 Tier 2 中，Flash 的推理占比还是三个模型里最高的，而且随着问题难度提高，这个比例还会继续上升，而不是保持不变。
尾部情况比中位数看起来更夸张。Flash 的平均输出长度是 3111 Token，但中位数只有 1409，变异系数超过 1.0。我们记录到最长的一条 Response 达到 15,006 Token，其中 94.7% 都是推理 Token ，它回答的是一个部署架构问题。单独这一条 Response 就花了 0.00753 美元，是本次研究中 Flash 平均单次请求成本的 4.8 倍、简单问题中位成本的 24 倍，也是 reasoning_effort: low 下平均请求成本的 30 倍。
这也是为什么本文一直使用中位数，而不是平均值。平均值在这里既不能让数据更好看，也会误导读者。
enable_thinking 在 GLM-5.3-Flash、Qwen3.8-Max 和 Kimi K3 上的行为完全不同
DigitalOcean 的 API 端点兼容 OpenAI API，并且会转发 chat_template_kwargs，因此你可以传入 enable_thinking: false，让模型尝试跳过推理过程。很多文章都会直接把它当作关闭思考模式的开关，我们一开始也是这么做的。
我们让每个模型把完整 Prompt Set 各跑了三遍：一次完全不发送思考参数，一次将 enable_thinking 设置为开启，一次设置为关闭。结果，同一个参数在三个模型上的行为完全不同。
在 GLM-5.3-Flash 上，它基本只是改变了推理内容展示的位置。 把它设为 false 之后，reasoning_content 字段确实变空了，所以日志里看不到推理过程了。但输出 Token 反而增加了 20.9% ，成本也增加了 11.1%。
推理并没有停止，只是跑进了用户能看到的答案里。比如，在思考模式理论上已经关闭的情况下，模型回答部署拓扑问题时，开头是：
Let me analyze this problem carefully. The setup: - 70B model - Peak traffic: 40 requests/second...
再比如，回答"TTFT 是什么缩写"这种简单问题时：
The user is asking about "TTFT" in the context of LLM inference... Let me think about what I know about TTFT:
我们至少在 120 条 Response 中的 103 条里检测到了残留在可见答案中的 Chain-of-thought。这个检测使用的是关键词启发式规则，因此应该把 103 看作下限，而不是精确总数。在 40 条简单问题中命中了 38 条，在 40 条困难问题中命中了 31 条。
在 Kimi K3 上，同一个参数则能正常生效。 输出 Token 下降了 67.9% ，成本下降了 75.5%。每次调用的输入额外 Token 也从 99 个降到 32 个，因为 Chat Template 中的推理模板同样被移除了。
在 Qwen3.8-Max 上，思考模式默认就是关闭的。 DigitalOcean 当前就是以这个配置提供 Qwen。把思考模式打开后，输出 Token 增加了 429% ，成本增加了 508%。
所以，enable_thinking 并不是一个可以跨模型直接复用的统一参数。在一个模型上，它可以省 75%；在另一个模型上，它会让成本提高约 5 倍；到了第三个模型，它除了改变你能不能看到推理过程之外，几乎什么也没改变。
而对于 GLM-5.3-Flash 来说，这甚至根本不是正确的控制参数。Model Card 里其实写了另一个参数，只是我们一开始没有仔细看到。
GLM-5.3-Flash 的 reasoning_effort 默认是 max，设置成 low 后成本降低 84%
GLM-5.3-Flash 通过 reasoning_effort 控制推理强度，可设置为 low、high 或 max。Model Card 明确说明：如果不传这个参数，默认就是 max。我们针对同样的 24 个 Prompt，把三个等级都测试了一遍。
| 设置 | 输出 Token 中位数 | 单次请求成本 | 相比默认配置 |
|---|---|---|---|
| 未设置（默认） | 1409 | 0.001564 美元 | 1.00 倍 |
reasoning_effort: max |
1434 | 0.001526 美元 | 0.98 倍 |
reasoning_effort: high |
580 | 0.000384 美元 | 0.25 倍 |
reasoning_effort: low |
414 | 0.000250 美元 | 0.16 倍 |
这里有两个关键结果。
默认设置确实就是 max。 对同一个 Prompt 和同一次重复测试做配对比较后，默认配置和显式 max 的中位比值是 0.984。也就是说，每一个没有额外配置的 GLM-5.3-Flash 请求，都会使用它最昂贵的推理强度。
降低推理强度可以节省 4～6.3 倍成本。 low 相比默认配置降低了 84% 的成本。这是整个研究中我们测到的最大单项优化幅度，甚至比直接更换模型的影响还大。
而且这种变化并不是统一压缩，而是会根据难度自动调整，这其实正是我们希望看到的行为。下面是不同难度下推理 Token 占比的中位数：
| 设置 | Tier 1（简单） | Tier 2（中等） | Tier 3（困难） |
|---|---|---|---|
| 默认 | 72% | 81% | 84% |
high |
4% | 18% | 47% |
low |
3% | 35% | 40% |
在 low 下，简单问题上的推理基本消失了------推理 Token 只占输出的 3%，而默认设置是 72%。到了困难问题，模型仍然会进行较多推理，大约占 40%。也就是说，这并不是把模型"砍掉脑子"，而是告诉它不要在根本不需要复杂推理的问题上花太多时间。
我们还测试了 Model Card 推荐用于 Chat 场景的 clear_thinking: true。结果几乎没有任何可测量变化：配对比值是 0.99，而且成本还略微更高。这个结果也值得记住，避免有人把它误当成一个省钱参数。
只比较 enable_thinking 时，单次请求成本相差 18.5 倍；加入 reasoning_effort 后，相差达到 106 倍
9 种配置------3 个模型 × 3 种思考模式------单次请求成本跨度达到 18.5 倍。
| 排名 | 配置 | 单次请求成本 | 相比最低成本 |
|---|---|---|---|
| 1 | glm-5.3-flash / default | 0.00156 美元 | 1.00 倍 |
| 2 | glm-5.3-flash / on | 0.00157 美元 | 1.01 倍 |
| 3 | glm-5.3-flash / off | 0.00174 美元 | 1.11 倍 |
| 4 | qwen3.8-max / off | 0.00359 美元 | 2.29 倍 |
| 5 | qwen3.8-max / default | 0.00361 美元 | 2.31 倍 |
| 6 | kimi-k3 / off | 0.00651 美元 | 4.17 倍 |
| 7 | qwen3.8-max / on | 0.02196 美元 | 14.04 倍 |
| 8 | kimi-k3 / default | 0.02661 美元 | 17.01 倍 |
| 9 | kimi-k3 / on | 0.02892 美元 | 18.49 倍 |
把第 6 行和第 7 行放在一起看。配置得当的 Kimi K3，实际成本甚至低于配置错误的 Qwen3.8-Max，尽管 Kimi 的官方输出价格是 Qwen 的 2.5 倍。仅仅一个布尔参数，就能让 Kimi 从 17.01 倍降到 4.17 倍------这个变化幅度甚至比直接换模型还大。
Flash 的三种 enable_thinking 配置之间成本差距只有 11%。这并不是因为 Flash 没有可调节的参数，而是因为我们一开始调错了参数。把 reasoning_effort 加进来之后，同一张成本阶梯就变成了这样：
| 配置 | 单次请求成本 | 相比最低成本 |
|---|---|---|
glm-5.3-flash / reasoning_effort: low |
0.000250 美元 | 1.00 倍 |
glm-5.3-flash / reasoning_effort: high |
0.000384 美元 | 1.54 倍 |
| glm-5.3-flash / default | 0.001564 美元 | 6.26 倍 |
| qwen3.8-max / default | 0.003610 美元 | 14.44 倍 |
| kimi-k3 / off | 0.006510 美元 | 26.04 倍 |
| kimi-k3 / default | 0.026610 美元 | 106.44 倍 |
此时成本跨度不再是 18.5 倍，而是 106 倍。其中最大的单一影响因素，只是一个模型上的一个参数。
这里还有一个值得单独强调的二阶影响：不同模型的默认配置根本不一致------Qwen 默认关闭思考模式，而 Flash 默认使用最高推理强度。因此，如果你拿几个模型直接"开箱即用"做对比，实际上比较的并不只是模型，而是模型 + 默认配置。绝大多数公开模型对比都会这么做，包括我们自己在补测这些配置之前也是如此。
降低推理强度会影响准确率吗？会，但只出现在困难问题上
看到这里，一个很自然的质疑是：也许贵模型之所以贵，就是因为能力更强，而我们测到的只是"更高质量答案所对应的价格"。
所以我们又构建了第二套任务：20 个有确定答案的问题，包括成本计算、Retry Policy 下的期望值、组合数学问题，以及延迟预算推导。每个问题都要求最后一行严格使用 ANSWER: 固定格式，这样评分可以直接通过字符串提取完成，而不依赖人工判断。测试覆盖 3 个模型、3 种思考模式和 2 种降低后的推理强度，每个配置运行 5 次，总共得到 1099 条可评分 Response。
在默认配置下，三个模型全部拿到了 100%。
| 模型 | 设置 | pass@1 | 单个正确答案成本 | 相比最低成本 |
|---|---|---|---|---|
| glm-5.3-flash | effort: low |
92.0% | 0.00008 美元 | 1.00 倍 |
| glm-5.3-flash | effort: high |
98.0% | 0.00012 美元 | 1.47 倍 |
| glm-5.3-flash | enable_thinking: false |
100.0% | 0.00018 美元 | 2.15 倍 |
| glm-5.3-flash | default | 100.0% | 0.00018 美元 | 2.17 倍 |
| glm-5.3-flash | enable_thinking: true |
100.0% | 0.00019 美元 | 2.26 倍 |
| qwen3.8-max | enable_thinking: false |
100.0% | 0.00226 美元 | 26.64 倍 |
| qwen3.8-max | default | 100.0% | 0.00235 美元 | 27.65 倍 |
| kimi-k3 | enable_thinking: false |
98.0% | 0.00282 美元 | 33.23 倍 |
| qwen3.8-max | enable_thinking: true |
100.0% | 0.00383 美元 | 45.14 倍 |
| kimi-k3 | default | 100.0% | 0.00565 美元 | 66.47 倍 |
| kimi-k3 | enable_thinking: true |
100.0% | 0.00601 美元 | 70.78 倍 |
在 9 种 enable_thinking 配置中，各模型的准确率都达到或接近 100%，但单个正确答案成本相差了 33 倍。在这个测试范围内，便宜模型并不是因为能力差才便宜。至少在这些任务上，它并没有更差。
但降低推理强度并不是没有代价。 Flash 在默认设置下得分 100%，high 是 98%，而 low 降到 92%。也就是说，省钱确实会带来一定准确率损失，而且我们能明确看到损失发生在哪里：所有错误都出现在 Tier 3 任务中。Tier 1 和 Tier 2 在所有推理强度下都是满分。
| 设置 | 失败次数 | 对应任务 |
|---|---|---|
| 默认 | 0/100 | --- |
high |
2/100 | 概率（1）、逻辑（1） |
low |
8/100 | 成本建模（3）、概率（2）、逻辑（3） |
在 low 下，一个多步成本建模问题 5 次里错了 3 次------其中两次把正确答案 61.22 写成了 0.6122，这更像是单位错误，而不是纯粹的推理错误。降低推理强度并不会让模型突然不会记忆或算术，而是会降低它维持多步推理链条、并在最后检查结果的能力。
从单个正确答案成本来看，low 依然更划算，因为在这套相对简单的测试里，8% 的失败率仍然抵不过 84% 的成本下降。但我们不会把这个结论直接推广到更复杂的任务上。这里最重要的限制是：我们的任务集对模型来说还是太简单，11 种配置里有 6 种达到 100%。这样的测试足以证明"降低推理强度会带来准确率下降"，但不足以告诉你在真正困难的任务上会下降多少。对于更难的推理任务，可以预期差距会进一步扩大。
结构化输出可以让 GLM-5.3-Flash 重新获得接近纸面价格的成本优势
两组 Prompt 之间有一个重要区别：可验证任务强制要求固定输出格式，而开放式 Prompt 没有任何格式限制。这个原本并不是主要测试变量的差异，最后却变成了整个研究中最有价值的结果之一。
| 模型 | 开放式输出 Token 中位数 | 结构化输出 Token 中位数 | 降幅 |
|---|---|---|---|
| glm-5.3-flash | 1409 | 276 | 80.4% |
| kimi-k3 | 1133 | 248 | 78.1% |
| qwen3.8-max | 435 | 144 | 66.9% |
结构化输出对 Flash 的压缩效果比另外两个模型更明显，而 Flash 的冗长输出恰恰就是此前侵蚀它价格优势的主要原因。因此，Flash 的实际成本优势会随着工作负载形式变化：
| GLM-5.3-Flash 相比 | 开放式 Prompt | 结构化输出 |
|---|---|---|
| qwen3.8-max | 2.3 倍 | 12.8 倍 |
| kimi-k3 | 17.0 倍 | 30.7 倍 |
在结构化输出下，Flash 几乎完全兑现了官方价格暗示的成本优势；而在完全不受约束的开放式输出中，它相对 Qwen 只能兑现大约五分之一。
但这里也有一个不能忽略的限制。我们还把 8 个简单问题重新测试了一遍，只在结尾加上一句 "Answer in one sentence."。结果三个模型的输出 Token 都下降了 70%～91%，效果甚至比思考参数在其中两个模型上的影响还大。但推理 Token 占比几乎没变化：Flash 从 72% 变成 77%，Kimi 则始终是 65%。
也就是说，这条指令压缩的是最终答案，而不是模型内部的推理过程。你仍然会把相同比例的账单花在用户看不到的推理上，只是整个账单本身变小了。
不同工作负载应该使用什么 reasoning_effort？
在 GLM-5.3-Flash 上显式设置 reasoning_effort。 如果不设置，它就会使用 max，也就是最昂贵的配置。这是整个测试中影响最大的单一成本调节手段。
对于分类、信息提取、模型路由、格式转换和简单查询，使用 reasoning_effort: low。 在所有低于复杂多步推理的任务上，它没有带来准确率损失，但相比默认配置便宜了 6.3 倍。
对于混合工作负载，high 比默认配置更适合作为默认值。 在我们的任务集上，它相比 max 便宜 4 倍，准确率是 98%，而默认配置是 100%。如果你只想选择一个设置长期使用，优先考虑这个。
对于真正困难的多步推理，保持 max。 我们在降低推理强度后看到的所有错误都出现在 Tier 3，而我们的测试集本身还不够难，无法准确告诉你在更复杂任务中性能会下降多少。
如果输出是开放式且没有长度限制，预算应该基于实际 Token，而不是官方价格。 先跑 100 次具有代表性的真实请求，再根据实际 Token 量估算。
如果你已经在使用 Kimi K3，可以测试工作负载是否能接受 enable_thinking: false。 在我们的测试里，它节省了 75% 成本，但准确率下降了 2 个百分点。
如果你正在使用 Qwen3.8-Max，并考虑打开思考模式，要先注意它会让成本增加约 5 倍。 开启之前，最好先验证它是否真的能带来实际收益。
不要 在 GLM-5.3-Flash 上使用 enable_thinking: false 并期待它能省钱。我们的测试中，它反而让成本增加了 11%。同样，也不要指望 clear_thinking: true 能改变成本，因为实测没有效果。
目前，这三个模型都已经可以通过 DigitalOcean 无服务器推理 使用。API 端点兼容 OpenAI，地址是 https://inference.do-ai.run/v1，因此要在自己的工作负载上复现这些测试，基本只需要修改 Base URL 和模型 ID：glm-5.3-flash、qwen3.8-max 或 kimi-k3。本文所有测试都是通过这个 API 端点，使用标准 openai Python Client 完成的。
为什么要在 DigitalOcean 上运行 GLM-5.3-Flash，而不是其他平台？
先坦诚说明一点：本文使用的价格并不是 DigitalOcean 独有。GLM-5.3-Flash 采用 MIT 许可证，Z.ai 公布的官方价格与我们测试使用的价格一致，因此单纯看模型的单 Token 成本，并不足以成为选择某个托管平台的理由。如果有人以明显更低的价格提供完全相同的模型权重，要么是平台自己做了折扣，要么比较的其实不是同一件东西。
真正不同的，是 Token 周围的整套基础设施。这次测试过程中，有三个因素很重要，而它们在生产环境里同样重要。
周边技术栈都在同一个地方。 Token 价格只是推理账单的一部分。如果向量数据库、对象存储和应用服务器在一家 Cloud，而模型部署在另一家，那么每次 Retrieval 都需要支付出站流量费用，还要承担跨平台往返延迟。对于一个每次请求需要进行多次 Retrieval 的 RAG Pipeline 来说，这种跨平台请求增加的延迟，甚至可能高于模型自身的首 Token 延迟（TTFT）------而这些成本和延迟都不会出现在单 Token 价格比较里。如果推理服务和 Managed Postgres、Spaces、App Platform 部署在同一平台上，就可以避免这一次跨平台跳转。
一个账号，一张账单。 无服务器推理的使用量和其他 DigitalOcean 基础设施都会出现在同一个 DigitalOcean 账号和同一张账单上。这听起来只是管理上的便利，但如果你真正尝试过审计一张拆在三个平台、使用三种计费模式和三套 Token 统计规则的推理账单，就会知道差别有多大。这也意味着，测试一个新模型时不需要重新走一套独立采购流程。
还有一条可以离开按 Token 计费的路径。 本文所有测试都使用无服务器推理。如果你的工作负载继续增长，例如需要持续高吞吐、流量更加稳定可预测，或者对资源隔离有要求，那么专属推理可以继续提供相同的 OpenAI-compatible API，同时使用预留 Capacity，因此迁移更像是一次配置调整，而不是重写应用。再往下一层，GPU Droplets 允许你在自己的 GPU 实例上运行自己的推理服务------这确实属于一次真正的架构调整，但依然可以在同一个账号下完成，不需要更换 Cloud Provider。
这些因素都不会出现在单纯的 Token 单价比较中，而这恰恰是重点。单 Token 价格是最容易比较的数字，但正如本文前面的测试所展示的，它反而最不可能单独决定你的最终账单。
测试方法：这些数字是如何得到的
所有测试都运行在 DigitalOcean 无服务器推理的 https://inference.do-ai.run/v1 API 端点上，该端点兼容 OpenAI API。
没有发送任何采样参数。 我们没有设置 Temperature、top_p 或 Penalty。Kimi K3 使用固定采样参数，因此如果只给另外两个模型设置这些参数，就会引入新的不对称，后面还得额外解释。三个模型全部使用平台默认值。
使用非流式输出，并设置 max_tokens=32000。 早期一次测试使用 8000 Token 上限，结果 Flash 的 Tier 3 Response 有 20% 被截断------也就是说，Token Budget 用完时模型还在进行推理，甚至还没输出最终答案。本文最终使用的数据中没有任何截断记录，所有 finish_reason 都是 stop。
随机化执行顺序。 完整的"模型 × Prompt × 重复次数"测试矩阵使用固定 Seed 打乱执行顺序，这样平台随着时间产生的性能变化会平均分散到各模型，而不是集中影响最后执行的那个模型。
Token 统计。 DigitalOcean 的 usage Object 不会单独统计推理 Token，completion_tokens_details 返回的是 null。但模型会把推理内容放在 Message 的 reasoning_content 字段中。我们使用每个模型自己的 Tokenizer 在本地统计这部分 Token，再与实际计费的 completion_tokens 对齐。剩余差值是每个模型固定的 Chat Template Offset：Flash 为 +2，Qwen 为 +1，Kimi 为 +13。固定 Offset 通常说明 Tokenizer 使用正确；如果这个差值随机波动，就意味着我们的统计方式有问题。本文所有比例都基于实际计费 Token，并保留这些 Offset。
推理控制参数通过三种不同方式发送 ，因为它们不能互换。enable_thinking 和 clear_thinking 放在 chat_template_kwargs 中，而 reasoning_effort 放在 Request Body 顶层。每一次请求都会记录它实际发送的 extra_body。我们没有因为 API 返回 200 就假设参数真的生效，而是通过实际行为验证：不同测试组会针对同样的 Prompt 和重复次数做配对比较。如果参数被忽略，那么 Token 分布应该几乎没有差异。
使用中位数，而不是平均值，原因前面已经解释过。5 次重复测试足以支持一个中位数和范围，但不足以给出非常窄的置信区间。
这项研究的限制
本文测的是单次请求成本和单个正确答案成本，而不是完成整个任务的成本。 没有 Sandbox、多轮 Agent Loop，也没有代码执行。Agent 工作负载显然是下一步最值得测的方向，但我们目前还没有做。
模型能力通过第三方数据保持可比，而不是由我们重新测试。 Artificial Analysis 在 Intelligence Index 上给 Kimi K3 和 GLM-5.3-Flash 都打了 57 分。这是他们的测量结果，不是我们的，我们也没有尝试复现。
可验证任务集太简单。 11 种配置里有 6 种拿到了 100%。这套测试足以发现降低推理强度会让准确率下降------low 下是 92%------但不足以告诉你在真正困难的工作负载中会下降多少。因此，这里的准确率比较只能说明：在这一难度、这一类任务上，模型表现接近，不能推广到更广泛场景。
我们一开始测试错了参数。 最初的实验使用了 enable_thinking，但这并不是 GLM-5.3-Flash Model Card 推荐的控制方式。直到我们重新仔细阅读 Model Card 后，才发现真正应该使用的是 reasoning_effort，而这个参数显著改变了结论。本文仍然保留 enable_thinking 的测试结果，但应该把它理解为"这个参数在模型上的行为"，而不是"模型能不能减少推理"的最终结论。
我们的答案 Key 有一道题写错了。 在延迟预算任务中，45 条 Response 全部回答 43，而我们的答案 Key 写的是 42。后来确认模型是对的：第一个 Token 在 TTFT 时已经到达，只有后续 Token 才会继续增加总延迟。我们修正了答案 Key，并且选择公开这个问题，因为一个永远不会出错的固定答案 Key，很多时候只是因为根本没人真正检查过。
Kimi K3 有 12 条 Response 存在无法解释的计费 Token。 这些记录里的 completion_tokens 比实际返回的推理内容 + 最终答案多出 85～391 Token。在大约 1000 条 Kimi Record 中共有 12 条出现这种情况，我们没能解释原因。Flash 和 Qwen 没有出现类似尾部现象。
2700 次调用里有 1 次失败。 这次请求在重试 5 次之后仍然返回 HTTP 429。
297 条记录触发了 Prompt Cache。 每次都恰好缓存 128 Token，因为相同 Prompt 在后续重复测试中命中了 Cache。这只会影响输入成本，而输入成本在这组账单里占比很小。我们没有人为禁用它，而是保留了真实行为。
两套 Prompt Set 的 Token 数不能直接互相比。 可验证任务额外带有格式说明，而开放式 Prompt 没有。应该比较同一个任务集内不同模型之间的比例，而不是跨两个任务集比较绝对 Token 数。
所有数据都只是某一时间点的结果。 价格、Serving Default 和模型版本都会变化。代码仓库里记录了本次测试所使用的价格快照日期。
自己复现这些测试
代码仓库(github.com/Jameshskelton/GLM-Flash-Analysis)中包含固定版本的 Prompt Set 及其 SHA256、测试脚本、所有原始 Response Log、Grader，以及重新生成本文全部数字和图表的分析脚本。使用的模型 ID 分别是 glm-5.3-flash、qwen3.8-max 和 kimi-k3。
整个研究大约只需要 14 美元和半天时间。
如果你重新运行后得到不同的数据，欢迎提交 Issue。我们也很想知道结果。
FAQ
GLM-5.3-Flash 是 DigitalOcean 无服务器推理上最便宜的模型吗？
在我们的测试范围内，是的，而且在所有测试配置中都是最便宜的。默认设置下，它的单次请求成本是 0.00156 美元，Qwen3.8-Max 为 0.00361 美元，Kimi K3 为 0.02661 美元。设置 reasoning_effort: low 后，成本进一步降到 0.00025 美元------比 Qwen 便宜 14.5 倍，比 Kimi 便宜 106 倍。
关闭思考模式能降低成本吗？
取决于模型，也取决于你使用的是哪个参数。在 Kimi K3 上，enable_thinking: false 可以降低 75.5% 的成本。Qwen3.8-Max 默认已经关闭思考模式。而在 GLM-5.3-Flash 上，enable_thinking: false 反而让成本增加了 11.1%，因为模型继续在用户可见答案里进行推理；真正有效的参数是 reasoning_effort，最多可以降低 84% 成本。
GLM-5.3-Flash 默认的 reasoning_effort 是什么？
max。如果请求里没有发送 reasoning_effort，模型就会运行在 max。我们针对完全相同的 Prompt，把未设置和显式 max 做了对比，中位比值是 0.984。这意味着每个未显式配置的请求，实际上都运行在最昂贵的设置。
降低推理强度会影响准确率吗？
会，主要出现在困难问题上。在 20 个可验证任务中，GLM-5.3-Flash 默认配置得分 100%，high 为 98%，low 为 92%。所有失败都发生在多步推理任务上，简单任务在所有等级下都没有受到影响。
为什么我的 LLM 账单比价格页面算出来的高？
最可能的原因是输出 Token 数量。推理模型会生成大量计费但不会展示给用户的 Token。在我们的测试中，这部分占输出费用的 65%～84%。单 Token 价格只告诉你单价，却不会告诉你最终会生成多少 Token。
LLM 账单里推理 Token 占多少？
GLM-5.3-Flash 默认设置下，简单问题中位数为 72%，困难问题会上升到 84%。使用 reasoning_effort: low 后，简单问题降到 3%，困难问题约为 40%。Kimi K3 则从 65% 上升到 82%。Qwen3.8-Max 默认关闭思考模式，因此默认不会承担这部分额外推理成本。
便宜模型的答案会更差吗？
在默认配置下没有。我们一共评分了 899 条 Response，覆盖 3 个模型和各自 3 种 enable_thinking 模式。在有确定答案的问题上，三个模型都达到或接近 100%；最低的是关闭思考模式的 Kimi K3，为 98%。但单个正确答案成本相差达到 33 倍。降低 GLM-5.3-Flash 的推理强度确实会影响准确率：high 为 98%，low 为 92%。因此完整评分数据一共包含 11 种配置、1099 条 Response。
在哪里可以运行 GLM-5.3-Flash？
模型权重采用 MIT 许可证，并已经发布在 Hugging Face，因此既可以自行部署，也可以通过任何提供该模型的平台运行。我们是在 DigitalOcean 无服务器推理上进行测试的，目前它与 Qwen3.8-Max、Kimi K3 都可以通过 https://inference.do-ai.run/v1 这个兼容 OpenAI 的 API 端点调用，GLM-5.3-Flash 的模型 ID 是 glm-5.3-flash。
GLM-5.3-Flash 在 DigitalOcean 上比其他平台更便宜吗？
单 Token 价格并不是差异点：这个模型是开放权重模型，而且 DigitalOcean 的价格与 Z.ai 公布的官方价格一致。真正会影响总成本的，是模型与其他技术栈之间的距离------例如每次 Retrieval 产生的出站流量和网络往返延迟并不会体现在单 Token 价格比较中------以及当工作负载增长后，能不能在不重新迁移整套平台的情况下切换到专属 Capacity。
如何降低输出 Token 成本？
有三个主要手段，按影响大小排序。第一，在 GLM-5.3-Flash 上显式设置 reasoning_effort：low 比默认便宜 6.3 倍，high 便宜 4 倍。第二，限制输出格式：强制使用固定答案结构，让 Flash 的输出 Token 中位数降低了 80.4%。第三，加上简洁回答要求，例如 "Answer in one sentence"，可以让三个模型在简单问题上的输出减少 70%～91%。其中只有第一个方法真正降低了账单里推理 Token 所占的比例；另外两个方法只是让总账单变小，而推理 Token 占比基本不变。