回答の長さは同じ、トークンは12倍 — DeepSeek V4.1 Flash と GLM 5.3 Flash

どちらも「Flash」を名乗る低価格帯の推論モデルで、どちらも100万トークン級のコンテキストを持ちます。カタログ上の並びだけ見ると、選ぶ理由が価格しかないように見えます。

そこで、FastMetal のモデル比較で使っている同じプロンプト43本を両方に流し、出力トークン数と所要時間を記録しました。

結論

日常的なタスクでは GLM 5.3 Flash のほうが明確に安く済みます。 見える回答の量はほとんど変わらないのに、DeepSeek V4.1 Flash は出力トークンを多く使うためです。

DeepSeek V4.1 Flash を選ぶ理由が残るのは、strict 付きの JSON スキーマ（構造化出力）が必要な場合です。FastMetal が GLM 5.3 Flash に割り当てているルートは構造化出力を保証しないため、こちらは対応なしとして扱っています。

なお今回測ったのはコスト・速度・回答の長さだけで、回答の質は採点していません。品質はタスクによって変わるので、最後はご自身のプロンプトで確かめてください。実際の回答はモデル比較と各モデルページに載せています。

43本のプロンプトで測った結果

両モデルが回答した39本の平均です。どちらも既定の推論設定のまま流しています。

回答として返ってくる文章量はほぼ同じ（314語 対 297語）なのに、課金対象のトークンは1.7倍です。応答時間はほぼ互角でした。

差が出ないケースもあります。DeepSeek のほうがトークンを多く使ったのは39本中25本で、残り14本は逆でした。平均を押し上げているのは、一部の極端な例です。

極端な例：SQLの最適化

いちばん差が開いたタスクのひとつが「SQLクエリの最適化」でした。

回答の長さは451語と443語でほぼ同じです。それでもトークンは12.3倍かかっています。差はすべて、表に出ない思考トークンです。

推論設定を変えると、どうなるか

「DeepSeek は推論をオフにできる（GLM は仕様上できない）」——これが DeepSeek 側に残された切り札に見えます。実際に同じ SQL のプロンプトで測りました。

読みどころは2つあります。

ひとつめ。DeepSeek の low は「軽く考える」ではありません。 low を指定してもなお3,396トークンを思考に使い、4,000トークンの上限に当たって回答が途中で切れました。安くするつもりで low にすると、切れた回答を受け取ることがあります。

ふたつめ。GLM 5.3 Flash は推論を無効化できない仕様ですが、low を指定すると思考トークンは0でした。 5秒で返ります。「オフにできない」ことの実害は、少なくともこのタスクではありませんでした。

結果として、DeepSeek の推論を完全に切っても ¥0.3392 対 ¥0.0608 で、まだ5倍以上の開きがあります。 切り札は切り札になりませんでした。

使い分け

• 既定はGLM 5.3 Flash。 同じ量の回答が、はるかに少ないトークンで返ります。コンテキストも131万トークンと長めです。
• DeepSeek V4.1 Flash は、strict な JSON スキーマが要るとき。 構造化出力を保証させたい処理では、こちらが選択肢になります。
• どちらを使うにせよ reasoning は明示する。 既定のままだと、DeepSeek は high、GLM は max で考えます。指定方法は 推論（thinking）の制御 にまとめました。

料金は 料金ページ と モデル一覧、両モデルの仕様と実際の回答は DeepSeek V4.1 Flash と GLM 5.3 Flash の各ページでご確認いただけます。