這兩款模型的真正影響，不只是「又多了兩個新模型」，而是它們改寫了中國大模型市場對 Flash 的想像：Flash 不再只是能力較弱、用來節省成本的入門級產品，而可能成為企業日常工作的預設旗艦。

先釐清一個日期細節：主要發布消息看來是在 2026 年 8 月 26 日公布，8 月 28 日則是相關報道集中出現的時間，並非兩款模型同日正式發布。12

能力下放：長上下文不再只屬於高價模型

智譜的 GLM-5.3-Flash 是 GLM-5 系列首款原生多模態模型，支援 100 萬 token 上下文；阿里巴巴的 Qwen3.8-Flash 預設上下文長度為 262,144 token，並可擴展至 100 萬 token。41

對開發者和企業而言，這意味著完整程式碼庫、長篇研究資料、辦公文件、圖像，以及持續數小時甚至更久的智能體工作流程，都可以放進同一個任務脈絡中處理。過去這類工作往往需要使用更昂貴的旗艦模型，如今則開始下沉到成本更低的 Flash 級別。

價格戰，才是這次市場震盪的核心

GLM-5.3-Flash 的標準 API 價格為每百萬輸入 token 0.8 元、輸出 2.8 元；限時優惠期間則降至輸入 0.4 元、輸出 1.4 元，優惠期截至 9 月 9 日。155 以報道中的比較來看，優惠價約為 GLM-5.3 成本的二十分之一。1112

Qwen3.8-Flash 最初公布的價格為每百萬輸入 token 1 元、輸出 3 元；阿里雲其後將價格調整至輸入 0.8 元、輸出 2.7 元。1911

相比之下，DeepSeek V4 Flash 在非繁忙時段的價格為每百萬輸入 token 1.5 元、輸出 4.5 元。 按發布初期的價格計算，GLM 的限時優惠價在輸入與輸出兩方面都約便宜 73%，Qwen 的最初 API 價格則約低三分之一。8151

這種差距會直接影響企業是否敢把模型投入高頻率場景，例如程式碼審查、文件分類、客服草稿、報告摘要和多步驟自動化。當每次請求的成本低到可以日常使用，模型選型就不再只是「哪個最聰明」，而是「哪個足夠好、又能大量運行」。

以接近頂級模型的表現，證明低價不等於降規

低價本身並不足以改變市場，真正讓這場競爭成立的，是 GLM-5.3-Flash 所宣稱的性能。

在 Terminal-Bench 2.1 編程與智能體基準測試中，GLM-5.3-Flash 的報告分數為 84.3，接近 Claude Opus 4.8 的 85.0。32 這款模型採用稀疏混合專家（MoE）架構，總參數約 3,200 億，但每個 token 實際啟用約 180 億參數。210

換句話說，模型可以保留龐大的總體能力，同時只在每次推理時啟用部分參數，藉此降低運算成本。這正是它與過去 Flash 品牌最大的不同：推理便宜，不必然代表不適合認真的軟件開發或智能體任務。

不過，這些數字仍需審慎解讀。不同模型可能使用不同測試工具、提示詞和執行設定；部分結果也來自模型開發商自行公布的測試。因此，「接近 Opus」可以說明競爭距離大幅縮短，但不能直接等同於所有場景都與封閉式頂級模型相同。

開放權重，改變企業的談判籌碼

GLM-5.3-Flash 以開放模型形式發布；阿里巴巴則公開了 Qwen3.8-Flash-Next 的權重。後者是一款多模態 MoE 模型，被定位為下一代 Qwen4 架構的預覽版本，每個 token 約啟用 60 億參數。45

這讓企業不必只在單一供應商的託管 API 中作選擇。需要快速上線的團隊可以使用低價 API；對資料私隱、內部合規或長期成本更敏感的企業，則可以評估自行部署和微調。

開放權重也會提高供應商之間的競爭壓力。當替代方案可以被下載、測試，甚至部署在自有基礎設施上，模型供應商便較難單靠品牌或封閉生態維持高溢價。

Qwen 的重點：以新架構換取更低訓練成本

阿里巴巴表示，Qwen3.8-Flash 的訓練成本約為前代 Qwen3.7-Plus 的九分之一。18 這反映的不是單純促銷，而是架構和推理效率的重新設計，包括稀疏激活等方法所帶來的成本下降。11

Qwen 團隊同時把 Qwen3.8-Flash-Next 描述為 Qwen4 的架構雛形，意味著這次發布既是產品更新，也是向開發者展示下一代模型路線。市場關注點因此從「這個模型今天有多強」延伸至「這種高效率架構能否成為下一代主流」。

10 萬枚國產晶片，讓競爭延伸至基礎設施

智譜表示，GLM-5.3-Flash 的線上推理流量完全由超過 10 萬枚國產 AI 晶片支援。414 若這一部署能在正式生產環境中持續運作，便說明低成本、高性能推理不一定只能建立在稀缺的進口 GPU 之上，也可以依靠中國本土加速器和針對其特性優化的系統。

這一點的重要性超出單一模型的價格表：它把模型競爭與算力供應、部署自主性和長期推理成本連在一起。不過，目前公開資料主要是智譜及相關報道的說法，仍需要更多獨立驗證，才能判斷其規模和效率能否廣泛複製。

DeepSeek 並未被價格牌一舉淘汰

DeepSeek V4 Flash 仍具備 100 萬 token 上下文，並提供具吸引力的快取命中價格，因此它不會只因為 GLM 和 Qwen 的標價變化便立即失去競爭力。23

但 DeepSeek 面對的壓力確實更直接：GLM 同時提供更低的非快取優惠價格、強勁的編程表現宣稱、多模態能力和開放權重；此外，GLM 在 OpenCode 等平台的使用排名也曾對 DeepSeek 形成挑戰。3

至於「GLM 終結 DeepSeek 連續 56 天的 OpenCode 領先」這類說法，以及 Qwen 在辦公場景可減少 75% token 使用量的數據，目前多依賴平台排名或廠商報告。312 它們足以支持市場競爭格局正在變化，但還不足以證明任何一款模型在所有編程、辦公和智能體任務上都全面優於 DeepSeek。

真正的改變：旗艦模型開始按單位經濟重新分級

GLM-5.3-Flash 和 Qwen3.8-Flash 的共同訊號很清楚：大模型市場的「旗艦」定義，正從單純追求最大參數量和最高分數，轉向能力、價格、上下文長度、部署自由度和實際吞吐量的綜合平衡。

因此，Flash 不再只是「便宜但將就」的版本，而是可能成為大多數日常編程、文件處理和辦公智能體工作的首選。更昂貴的 Max 或 Pro 模型，則需要證明自己在深度推理、複雜長鏈任務或可靠性方面，足以抵銷顯著的成本差距。

這場競爭未必會立刻產生唯一勝者，但它已經把中國 LLM 市場的問題改成了另一個更現實的問題：如果一款模型已經足夠強，企業還願意為多出來的那一點性能支付多少錢？

這兩款模型的真正影響，不只是「又多了兩個新模型」，而是它們改寫了中國大模型市場對 Flash 的想像：Flash 不再只是能力較弱、用來節省成本的入門級產品，而可能成為企業日常工作的預設旗艦。

先釐清一個日期細節：主要發布消息看來是在 2026 年 8 月 26 日公布，8 月 28 日則是相關報道集中出現的時間，並非兩款模型同日正式發布。12

能力下放：長上下文不再只屬於高價模型

智譜的 GLM-5.3-Flash 是 GLM-5 系列首款原生多模態模型，支援 100 萬 token 上下文；阿里巴巴的 Qwen3.8-Flash 預設上下文長度為 262,144 token，並可擴展至 100 萬 token。41

對開發者和企業而言，這意味著完整程式碼庫、長篇研究資料、辦公文件、圖像，以及持續數小時甚至更久的智能體工作流程，都可以放進同一個任務脈絡中處理。過去這類工作往往需要使用更昂貴的旗艦模型，如今則開始下沉到成本更低的 Flash 級別。

價格戰，才是這次市場震盪的核心

GLM-5.3-Flash 的標準 API 價格為每百萬輸入 token 0.8 元、輸出 2.8 元；限時優惠期間則降至輸入 0.4 元、輸出 1.4 元，優惠期截至 9 月 9 日。155 以報道中的比較來看，優惠價約為 GLM-5.3 成本的二十分之一。1112

Qwen3.8-Flash 最初公布的價格為每百萬輸入 token 1 元、輸出 3 元；阿里雲其後將價格調整至輸入 0.8 元、輸出 2.7 元。1911

相比之下，DeepSeek V4 Flash 在非繁忙時段的價格為每百萬輸入 token 1.5 元、輸出 4.5 元。 按發布初期的價格計算，GLM 的限時優惠價在輸入與輸出兩方面都約便宜 73%，Qwen 的最初 API 價格則約低三分之一。8151

這種差距會直接影響企業是否敢把模型投入高頻率場景，例如程式碼審查、文件分類、客服草稿、報告摘要和多步驟自動化。當每次請求的成本低到可以日常使用，模型選型就不再只是「哪個最聰明」，而是「哪個足夠好、又能大量運行」。

以接近頂級模型的表現，證明低價不等於降規

低價本身並不足以改變市場，真正讓這場競爭成立的，是 GLM-5.3-Flash 所宣稱的性能。

在 Terminal-Bench 2.1 編程與智能體基準測試中，GLM-5.3-Flash 的報告分數為 84.3，接近 Claude Opus 4.8 的 85.0。32 這款模型採用稀疏混合專家（MoE）架構，總參數約 3,200 億，但每個 token 實際啟用約 180 億參數。210

換句話說，模型可以保留龐大的總體能力，同時只在每次推理時啟用部分參數，藉此降低運算成本。這正是它與過去 Flash 品牌最大的不同：推理便宜，不必然代表不適合認真的軟件開發或智能體任務。

不過，這些數字仍需審慎解讀。不同模型可能使用不同測試工具、提示詞和執行設定；部分結果也來自模型開發商自行公布的測試。因此，「接近 Opus」可以說明競爭距離大幅縮短，但不能直接等同於所有場景都與封閉式頂級模型相同。

開放權重，改變企業的談判籌碼

GLM-5.3-Flash 以開放模型形式發布；阿里巴巴則公開了 Qwen3.8-Flash-Next 的權重。後者是一款多模態 MoE 模型，被定位為下一代 Qwen4 架構的預覽版本，每個 token 約啟用 60 億參數。45

這讓企業不必只在單一供應商的託管 API 中作選擇。需要快速上線的團隊可以使用低價 API；對資料私隱、內部合規或長期成本更敏感的企業，則可以評估自行部署和微調。

開放權重也會提高供應商之間的競爭壓力。當替代方案可以被下載、測試，甚至部署在自有基礎設施上，模型供應商便較難單靠品牌或封閉生態維持高溢價。

Qwen 的重點：以新架構換取更低訓練成本

阿里巴巴表示，Qwen3.8-Flash 的訓練成本約為前代 Qwen3.7-Plus 的九分之一。18 這反映的不是單純促銷，而是架構和推理效率的重新設計，包括稀疏激活等方法所帶來的成本下降。11

Qwen 團隊同時把 Qwen3.8-Flash-Next 描述為 Qwen4 的架構雛形，意味著這次發布既是產品更新，也是向開發者展示下一代模型路線。市場關注點因此從「這個模型今天有多強」延伸至「這種高效率架構能否成為下一代主流」。

10 萬枚國產晶片，讓競爭延伸至基礎設施

智譜表示，GLM-5.3-Flash 的線上推理流量完全由超過 10 萬枚國產 AI 晶片支援。414 若這一部署能在正式生產環境中持續運作，便說明低成本、高性能推理不一定只能建立在稀缺的進口 GPU 之上，也可以依靠中國本土加速器和針對其特性優化的系統。

這一點的重要性超出單一模型的價格表：它把模型競爭與算力供應、部署自主性和長期推理成本連在一起。不過，目前公開資料主要是智譜及相關報道的說法，仍需要更多獨立驗證，才能判斷其規模和效率能否廣泛複製。

DeepSeek 並未被價格牌一舉淘汰

DeepSeek V4 Flash 仍具備 100 萬 token 上下文，並提供具吸引力的快取命中價格，因此它不會只因為 GLM 和 Qwen 的標價變化便立即失去競爭力。23

但 DeepSeek 面對的壓力確實更直接：GLM 同時提供更低的非快取優惠價格、強勁的編程表現宣稱、多模態能力和開放權重；此外，GLM 在 OpenCode 等平台的使用排名也曾對 DeepSeek 形成挑戰。3

至於「GLM 終結 DeepSeek 連續 56 天的 OpenCode 領先」這類說法，以及 Qwen 在辦公場景可減少 75% token 使用量的數據，目前多依賴平台排名或廠商報告。312 它們足以支持市場競爭格局正在變化，但還不足以證明任何一款模型在所有編程、辦公和智能體任務上都全面優於 DeepSeek。

真正的改變：旗艦模型開始按單位經濟重新分級

GLM-5.3-Flash 和 Qwen3.8-Flash 的共同訊號很清楚：大模型市場的「旗艦」定義，正從單純追求最大參數量和最高分數，轉向能力、價格、上下文長度、部署自由度和實際吞吐量的綜合平衡。

因此，Flash 不再只是「便宜但將就」的版本，而是可能成為大多數日常編程、文件處理和辦公智能體工作的首選。更昂貴的 Max 或 Pro 模型，則需要證明自己在深度推理、複雜長鏈任務或可靠性方面，足以抵銷顯著的成本差距。

這場競爭未必會立刻產生唯一勝者，但它已經把中國 LLM 市場的問題改成了另一個更現實的問題：如果一款模型已經足夠強，企業還願意為多出來的那一點性能支付多少錢？