GLM Coding plan 甜点档分析

先说结论：GLM-5.3-Flash High 常驻 → 难题 GLM-5.3 High → 极难题 GLM-5.3 Max

来看一下官方发的比较图：

这张图其实是在比较：不同模型在投入更多“输出 token / 推理 effort”之后，Agentic Coding（代理式编程任务）的准确率能提升多少。

按照 glm-5.3 耗用量是 glm-5.3-flash 3 倍来粗略计算（这里不太严谨）：

能看出 Flash Max 的性价比其实比较尴尬。

Flash High → Max： 成本约 +96%，准确率只 +0.9 百分点。

而 Flash High → GLM-5.3 High： 成本约 +115%，准确率 +3.2 百分点。

所以如果一个任务已经难到你准备给 Flash 开 Max，我会更倾向于：

Flash High → 直接换 GLM-5.3 High

而不是：

Flash High → Flash Max。

当然这里是按图里的平均 output tokens × 约 3 倍单价做的粗算，实际成本还要看输入/输出和缓存。

综上，一个比较乐观的方案是采用 “Flash High 常驻 → 难题 GLM-5.3 High → 极难题 GLM-5.3 Max” 这三级策略。这样 Flash Max 基本可以跳过。

另外图里 GLM-5.3 Low → High 几乎没有增加 token（约 49K→51K），但准确率 24.6%→31.3%，对比 Flash high，没有性价比可言。 所以现在使用 GLM-5.3，将没有理由开 Low（应该也没人开）。