GLM-5.3, Kimi K3 или DeepSeek V4: какую модель проверять первой

Выбор проще начать не с вопроса «кто сильнее», а с исключений. Если модели нужно видеть скриншоты или видео внутри того же запроса, у Kimi K3 есть прямое преимущество по контракту. Если задача текстовая и важна длинная инженерная сессия, в первую пару входят GLM-5.3 и DeepSeek V4 Pro. Если главная цель — дешёво повторить много запусков, первым кандидатом становится DeepSeek V4 Flash.

Такой порядок не назначает победителя. Он только сокращает число дорогих экспериментов. Финальный default должна определять одинаковая серия задач с измеримым качеством, стоимостью повторов и временем reviewer.

Сначала устраните ошибку в названии DeepSeek V4

DeepSeek V4 — это семейство. В текущей официальной таблице есть deepseek-v4-flash версии Flash-0731 и deepseek-v4-pro версии Pro-0813. Отдельно указан экспериментальный deepseek-v4-flash-vision-exp. Обычные Flash и Pro поддерживают контекст 1M, выход до 384K, tool calls, Responses API, Anthropic API и thinking/non-thinking. Vision-ветка не превращает Pro в мультимодальную модель — это другой endpoint. Актуальные строки собраны на странице DeepSeek Models & Pricing.

У GLM и Kimi граница устроена иначе. Документация GLM-5.3 описывает glm-5.3 как text-only модель с контекстом 1M и максимальным выходом 128K. Reasoning всегда включён; доступны low, high и max.

Kimi K3 API использует ID kimi-k3, принимает текст, изображения и видео, даёт 1M контекста и тоже всегда рассуждает. Для tool loop есть важное требование: в следующий запрос нужно возвращать полное assistant message, а не только финальный content.

Три «паспорта» кандидатов

GLM-5.3: текстовый инженерный challenger

Его разумно ставить на длинные терминальные сессии, большие репозитории, многошаговые рефакторинги и задачи, где модель должна долго удерживать план. Ограничение видно заранее: native vision нет, выключить reasoning нельзя. Заявленный Z.ai прирост в кодинге и публичные benchmark — позиция поставщика, а не гарантия для вашего стека.

Kimi K3: vision и длинная работа в одной модели

Kimi называет K3 2.8T-total/104B-active open-weight MoE-моделью. Для выбора важнее не число параметров, а отсутствие отдельного OCR/описательного шага, когда агенту нужны скриншоты, диаграммы или видео. Open weights не означают бесплатный production: отдельно считаются лицензия Kimi K3, оборудование, эксплуатация и hosted API.

DeepSeek V4: две текстовые ступени

Flash подходит для широкого недорогого поиска кандидатов, повторных прогонов и низкорисковых задач. Pro стоит добавлять как более сильную DeepSeek-ступень для сложного кода и дорогих ошибок. Полезная policy: Flash создаёт покрытие, Pro проверяет трудные случаи, а не «Pro всегда заменяет Flash».

Цена меняется даже в течение недели

На 28 августа 2026 года Z.ai указывает для GLM-5.3 $1.40 за 1M input tokens, $0.26 за cached input и $4.40 за output.

Китайская платформа Kimi показывает для K3 ¥20 за input, ¥2 за cached input и ¥100 за output / MTok. Это цена конкретного RMB-маршрута; документация также требует минимум 10 юаней пополнения для доступа к K3. Нельзя молча переводить эту строку в доллары и считать её условиями любого международного provider.

У DeepSeek рабочие часы определяют тариф. Для V4 Flash off-peak input/output стоят $0.22/$0.66, peak — $0.44/$1.32 за 1M. Для Pro — $0.66/$1.98 и $1.32/$3.96. Peak: понедельник–пятница, 01:00–04:00 и 06:00–10:00 UTC. Cached input дешевле.

Для одной задачи с 1M uncached input и 200K output до повторов получится примерно:

Эти числа не учитывают 429, очередь, неудачные tool loops, повторный запуск и review. Правильная единица сравнения — стоимость принятой задачи, а не один успешный ответ.

Почему один независимый тест не даёт общего чемпиона

В исследовании Aikido модели трижды искали 32 недавно раскрытые уязвимости с одинаковыми prompt, tools и политикой оценки. DeepSeek V4 Pro-0813 получил наибольший pooled recall. Kimi K3 показал лучшую pooled precision среди протестированных open-weight моделей. GLM-5.3 сочетал сильные recall и consistency.

Это хороший пример дизайна теста и плохой источник для фразы «модель X лучшая вообще». Поиск уязвимостей выигрывает от разных траекторий повторных запусков; фронтенд, документы или production automation могут ценить стабильность сильнее. Aikido также работала с Z.ai как ранний evaluation partner для GLM-5.3 — контекст источника стоит сохранять.

Проведите тест с заранее заданным отказом

Возьмите 6–10 реальных задач: bug в нескольких файлах, рефакторинг, tool-heavy agent, анализ длинного контекста, неоднозначное требование и визуальную задачу, если она нужна продукту. Зафиксируйте snapshot, prompt, tools, timeout, turn/token budget и проверочную команду.

Не выравнивайте только названия. Kimi K3 и GLM-5.3 всегда используют reasoning; DeepSeek может работать без него. Сравнивать Kimi max с DeepSeek non-thinking можно только тогда, когда именно эти production-конфигурации вы собираетесь покупать.

Для каждого запуска сохраните accepted result, дефекты по severity, число retries, tool drift, latency, cache/input/output cost и минуты review. До старта установите пороги: один blocker запрещает default; три повтора оставляют модель только в exploration; review дольше текущего baseline в два раза отменяет выгоду от дешёвых токенов.

Итоговая маршрутизация получается практичной: GLM-5.3 — text-only long-horizon challenger; Kimi K3 — кандидат для vision-in-the-loop; DeepSeek Flash — дешёвое покрытие; DeepSeek Pro — сложный текстовый контроль. Для миграции только внутри семейства DeepSeek используйте отдельный гайд по DeepSeek V4 API. Между поставщиками решение принимает ваш одинаковый тест.