GLM 5.3とDeepSeek V4 Proを比較：成果・時間・タスク単価
公開評価の成果・時間・費用を読み解き、Proの終了予定も考慮して、自分のタスクでモデルを比較する方法を整理します。
目次
難しいタスクで採用できる成果が1件増えるなら、多少の追加費用を許容できる。その場合はGLM 5.3から試す価値があります。繰り返し実行する費用を重視するなら、DeepSeek V4 Pro-0813が比較候補です。公開されたある評価では、GLMは完了タスク数が多く、成功したタスクの所要時間の中央値も短い一方、Proは低コストでした。ただし、どの用途でも勝つモデルが決まったわけではありません。
利用可能期間には注意が必要です。DeepSeekは2026年9月14日12:00（北京時間）、04:00 UTC、モスクワ時間07:00にV4 Proを終了する予定です。ログイン後に読める公式プラットフォームの告知では、Pro宛てのリクエストをV4.1 Flashへ振り向け、V4.1 Flashの料金で請求するとしています。古い名前なら今後もPro-0813が応答すると考えて、公式APIへの新しい長期運用を設計しないでください。
この記事の比較対象はGLM 5.3とPro-0813であり、GLM 5.3 FlashやV4.1 Flashではありません。過去のProの結果は代替モデルを評価する基準にはなりますが、終了後に同じ名前の裏で応答するモデルの性能は示しません。
30タスクの評価から分かること
Composioは8月27日、複数ステップのエージェントタスク30件を使った5モデルの比較を公開しました。
| Composioの指標 | GLM 5.3 | DeepSeek V4 Pro-0813 |
|---|---|---|
| 完了タスク数 | 30件中22件 | 30件中19件 |
| 30タスク全体の費用 | $5.31 | $1.23 |
| 公表された成功1件あたりの費用 | $0.24 | $0.065 |
| 完了タスクの所要時間中央値 | 2分54秒 | 4分41秒 |
| タイムアウト数 | 1 | 3 |
このサンプルではGLMが3件多く完了しました。Proの成功単価は約3.7分の1です：$0.24 / $0.065。これは人による手直しを含まない、当時の評価費用であって、現在のAPI価格ではありません。
時間の中央値に含まれるのは成功したタスクだけで、成功したタスクの集合も両モデルで異なります。個々の同一タスクで必ずGLMが速いとも、作業全体が同じ比率で早く終わるとも言えません。失敗やタイムアウトにも時間はかかります。
これはComposioの評価であり、私たちが実施したテストではありません。詳しい設定、実行環境、反復試行がなければ、22対19という数字から自分のプロジェクトの成功を確実に予測できません。外部ツールをまたぐ多段階作業と、リポジトリ内のバグ修正も別の仕事です。
コーディングのベンチマークでは優劣が分かれる
GLM 5.3の公式モデルカードにはPro-0813との比較も掲載されています。
| Z.aiの表にあるテスト | GLM 5.3 | Pro-0813 |
|---|---|---|
| Terminal Bench 2.1 | 88.2 | 87.9 |
| DeepSWE v1.1 | 66.9 | 62.7 |
| NL2Repo | 58.0 | 61.1 |
| Toolathlon Verified | 73.0 | 74.1 |
最初の2項目はGLM、後の2項目はProが上回ります。これはモデルカード記載の条件でZ.aiが公開した結果であり、手元のクライアントで行う独立した比較の代わりにはなりません。タスクも採点方法も異なる数字を足して、単一の品質パーセントにはできません。
デフォルト設定にも違いがあります。GLM 5.3はreasoning_effort = maxです。現在のDeepSeek V4ガイドでは思考が有効で、推論の強さはhighです。未設定のまま2つを実行すると異なるモードになり、推論の強さの名前をそろえても計算予算が等しい証明にはなりません。
ベンチマークを再現するなら、公表された条件を使います。実務用モデルを選ぶなら、許容できる費用と時間を先に決め、その範囲で各モデルに適した設定を試してください。
採用までの全試行を数える
まず成功を定義します。バグ修正なら、失敗していたテストが回帰なく通ること。複数システムを操作するエージェントなら、余計なレコードや重複操作を残さず、すべてを正しい最終状態にすることが条件になります。
cost_per_accepted_task = total_api_cost_of_all_attempts / accepted_tasks分子には失敗、再試行、代替モデルへの呼び出しも含めます。採用できたタスクがゼロなら、この指標は未定義です。成功ゼロと総費用を記録し、成功単価をゼロにしないでください。
人が確認や修正に使った時間は別に記録します。金額へ換算するなら自分たちの時間単価を使い、API費用とは分けて示します。手直しが長ければ、モデル料金の節約を上回ることがあります。自分のタスクで測りましょう。
BetterToken Dashboardではモデル、リクエスト時刻、入力・出力・キャッシュのトークン数と対応する費用を確認できます。タスクの採否と人の作業時間は別途記録が必要です。ログ上のモデル名だけでは、外部プロバイダーがどの重みを使ったかを独立して証明できません。
自分の作業で選ぶ
日常的なタスクを少数選び、同じプロジェクト初期状態、指示、ツール権限、受け入れ基準で両モデルを動かします。外部操作にはテストデータを使い、再実行で本物の重複データを作らないようにします。
モデルとクライアントのバージョン、プロバイダー、思考モード、タイムアウト、再試行上限を記録してください。失敗も含めて各実行の費用と結果を残し、合計金額だけでなく、それぞれがどのタスクを解けたかを比較します。
- 複雑で人の修正費用が高い変更： GLM 5.3を先に試し、一部評価での優位が、実際に採用できる変更の増加につながるか確認します。
- 明確なタスクと厳しい予算： 過去のPro-0813の結果は成功単価を見る意義を示します。終了前なら現在のモデルと比較できますが、継続運用には利用可能と確認できた選択肢が必要です。
- 多数のツールを使う長い処理： 再試行も含むタスク全体の時間を制限します。成功時の中央値には未完了作業で失った時間が入りません。
9月14日以降、公式APIへの新しいdeepseek-v4-proリクエストを、そのままPro-0813のテストとして扱えません。先にルーティングを確認してください。V4.1 Flashが答えるならGLM 5.3との新たな比較であり、新しい結果が必要です。第三者サービスの提供状況と日程は別途確認します。
