TL;DR: Wybierz DeepSeek-V4-Flash do szybkiej, niskolatencyjnej automatyzacji tekstu; wybierz GLM-5.3-Flash dla natywnej multimodalności, lepszych wyników w benchmarkach agentów oraz wysoce efektywnego hostingu z długim kontekstem na prywatnych serwerach. Oba modele udostępniają otwarte wagi na podstawie MIT License**** i są wydane na liberalnej MIT License.
DeepSeek-V4-Flash**** to lepszy wybór, jeśli potrzebujesz ultrawydajnego, wysokoprzepustowego API wyłącznie tekstowego do tradycyjnych pętli kodowania i masowego przetwarzania wsadowego. Osiąga wynik 50 w Artificial Analysis Intelligence Index, generuje do 122+ tokenów/s dzięki zintegrowanemu silnikowi spekulatywnego dekodowania DSpark i oferuje stawki poza godzinami szczytu już od $0.22/$0.66 za milion tokenów wejściowych/wyjściowych.
GLM-5.3-Flash to bardziej wszechstronny wybór, gdy wymagane są natywna multimodalność, programowanie z wizualnym elementem w pętli oraz wysoce efektywne, samodzielnie zarządzane skalowanie. Osiąga wynik 57 w Artificial Analysis Intelligence Index, wykorzystuje hybrydowy mechanizm uwagi liniowej i rzadkiej (KDA + NoPE Sparse MLA), aby zmniejszyć pamięć KV Cache 4,44× przy kontekście 1M, oraz oferuje natywne rozumowanie wizualne. Jego API jest wycenione bardzo konkurencyjnie na $0.15/$0.50 za milion tokenów wejściowych/wyjściowych (stawki promocyjne spadają do $0.075/$0.25).
Najważniejsze wnioski
- DeepSeek-V4-Flash przeszedł z początkowego podglądu w DeepSeek API News Announcement do oficjalnego wydania na Hugging Face, integrując Token-wise Compression, DeepSeek Sparse Attention (DSA) i spekulatywne dekodowanie DSpark w celu zwiększenia szybkości generowania.
- GLM-5.3-Flash został wydany 26 sierpnia 2026, po zdobyciu szerokiej popularności podczas anonimowej fazy testów na OpenRouter pod kryptonimem „Ox Alpha”.
- GLM-5.3-Flash prowadzi w ogólnym Artificial Analysis Intelligence Index z 57 punktami w porównaniu do 50 punktów dla DeepSeek-V4-Flash-0731, co odzwierciedla silniejsze ogólne możliwości w złożonym rozumowaniu i zadaniach agentowych.
- Obie architektury to modele Mixture-of-Experts (MoE) o bardzo niskich wymaganiach obliczeniowych podczas wnioskowania: DeepSeek aktywuje 13B z 284B łącznej liczby parametrów na token, podczas gdy GLM aktywuje 18B z 320B.
- Oba modele mają w pełni otwarte wagi i dystrybuowane są na podstawie MIT License, oferując maksymalną swobodę dla komercjalizacji korporacyjnej, dostrajania niestandardowego i wdrożeń on-premise.
DeepSeek-V4-Flash vs GLM-5.3-Flash: Szybkie porównanie
| Specyfikacja | DeepSeek-V4-Flash-0731 | GLM-5.3-Flash |
|---|---|---|
| Deweloper | DeepSeek-ai | Z.ai (Zhipu AI) |
| Data wydania | 31 lipca 2026 | 26 sierpnia 2026 |
| Model ID | deepseek-v4-flash | glm-5.3-flash |
| Hugging Face Repository | deepseek-ai/DeepSeek-V4-Flash | zai-org/GLM-5.3-Flash |
| Architektura | MoE; DSA + Token-wise Compression | MoE; KDA + NoPE Sparse MLA + mHC |
| Łączna liczba parametrów | 284B (304B z modułem DSpark) | 320B |
| Aktywne parametry | 13B na token | 18B na token |
| Okno kontekstu | 1,000,000 tokenów | 1,048,576 / około 1M tokenów |
| Wejście/wyjście | Text → Text | Text + Image + Video + File → Text |
| Rozumowanie | Konfigurowalne (Thinking / Non-Thinking) | Trójpoziomowe (Low / High / Max) |
| Funkcje/narzędzia | JSON Schema / Tool Calls | ToolCalls, constraints, dynamic tool loading |
| Otwarte wagi | Tak (MIT License) | Tak (MIT License) |
| AA Intelligence Index | 50 | 57 |
| Oficjalna cena (1M tokenów) | Peak: $0.44 / $1.32 <br> Off-peak: $0.22 / $0.66 | List: $0.15 / $0.50 <br> Promo: $0.075 / $0.25 |
| Najlepsze dopasowanie | Agenci wysokiej przepustowości, szybka generacja tekstu | Programowanie wizualne, wdrożenia on-prem |
Czym jest DeepSeek-V4-Flash?
DeepSeek-V4-Flash to lekki, superszybki model MoE zaprojektowany do obsługi autonomicznych agentów deweloperskich i masowych potoków przetwarzania tekstu. Pierwotnie zaprezentowany w DeepSeek API News Announcement, model otrzymał znaczną aktualizację po treningu w oficjalnym wydaniu jako DeepSeek-V4-Flash-0731 na Hugging Face.
Model jest zoptymalizowany pod kątem czystej przepustowości tekstu, ustrukturyzowanego wywoływania API i szybkiego wykonywania kodu programów. Minimalizuje zarówno latencję, jak i koszty wnioskowania token-to-token, celując w wieloetapowe pętle rozwoju oprogramowania, gdzie prędkość i koszt wykonania są kluczowe.
Co się zmieniło względem wersji zapoznawczej?
Oficjalna wersja 0731 obejmuje opcjonalny, współtrenowany model szkicowania spekulatywnego, który podnosi łączną lokalną liczbę parametrów do 304B. Podczas hostingu ten framework spekulatywnego dekodowania (DSpark) działa równolegle z aktywną ścieżką 13B, przyspieszając generowanie do 122.7 tokenów na sekundę.
Dodatkowo, proces alignowania został szeroko przetrenowany z wykorzystaniem uczenia ze wzmocnieniem (RL) w odizolowanych środowiskach wykonawczych, co przyniosło znacznie wyższą niezawodność w wieloetapowej pracy terminalowej, skryptach shellowych i ustrukturyzowanym użyciu narzędzi.
Specyfikacja DeepSeek-V4-Flash
| Właściwość | DeepSeek-V4-Flash-0731 |
|---|---|
| Kontekst | 1,000,000 tokenów |
| Modalności | Wejście tekstowe; wyjście tekstowe (model standardowy) |
| Rozumowanie | Obsługuje tryby Non-thinking i Thinking |
| Natywne możliwości API | JSON Output, Tool Calls, Responses API |
| Knowledge cutoff | Nieujawnione |
| Standardowe ceny (na MTok) | Peak: $0.44 Input / $0.014 Cached / $1.32 Output <br> Off-peak: $0.22 Input / $0.007 Cached / $0.66 Output |
Czym jest GLM-5.3-Flash?
GLM-5.3-Flash to flagowy, otwowagowy, multimodalny model MoE firmy Z.ai. Oficjalnie zaprezentowany na Z.ai Blog 26 sierpnia 2026, model został zaprojektowany do wykonywania wysoce złożonych zadań agentowych, zautomatyzowanej nawigacji po sieci i wizualnego rozumowania dokumentów przy standardowych kosztach poziomu „Flash”. Wagi są publicznie dostępne na Hugging Face.
Model jest wstępnie wytrenowany na ogromnym, 30-bilionowym multimodalnym zbiorze danych, czyniąc wejścia wizualne natywną modalnością, a nie dodatkiem. Celuje w inżynierię oprogramowania, robotyzację procesów (RPA) i multimodalne zapytania do baz danych.
Uwaga hybrydowa, mHC i skalowanie Sparse MoE
GLM-5.3-Flash wyróżnia się trzema filarami architektonicznymi:
- Hybrid Attention: Jak opisano na Z.ai Blog, model łączy Kimi Delta Attention (KDA) z NoPE Sparse MLA (Multi-head Latent Attention bez pozycyjnego kodowania). Ta hybrydowa warstwa uwagi kompresuje rozmiary projekcji kluczy i wartości, ograniczając magazyn KV Cache 4,44× i redukując obliczenia uwagi 3,01× podczas ewaluacji z kontekstem 1M.
- Stable LatentMoE: Operując 896 łącznymi ekspertami z dokładnie 16 aktywowanymi na token, model unika zapadania się routingu ekspertów i pozostaje stabilny podczas długich, wieloetapowych śladów wnioskowania.
- Manifold-Constrained Hyper-Connections (mHC): Ta technika stabilizuje głębokie gradienty w całej 45-warstwowej strukturze, optymalizując działanie sprzętowe podczas pracy na rozproszonych klastrach GPU lub lokalnych układach AI.
GLM-5.3-Flash: Architektura dla ekstremalnej efektywności Źródło: z.ai
Specyfikacja GLM-5.3-Flash
| Właściwość | GLM-5.3-Flash |
|---|---|
| Łączne/aktywne parametry | 320B / 18B |
| Architektura | MoE z hybrydową rzadką i liniową uwagą |
| Eksperci | 896 łącznie; 16 aktywowanych na token |
| Kontekst | 1,048,576 tokenów (~1M) |
| Wizja | Natywna multimodalność (Tekst, Obraz, Wideo, plik dokumentu) |
| Rozumowanie | Obsługuje tryby Low, High, Max |
| Narzędzia | ToolCalls, constraints, dynamic tool loading |
| Otwarte wagi | Dostępne na Hugging Face (MIT License) |
| Oficjalne ceny (na MTok) | List: $0.15 Input / $0.03 Cached / $0.50 Output <br> Promo (kończy się 9 września): $0.075 Input / $0.015 Cached / $0.25 Output |
DeepSeek-V4-Flash vs GLM-5.3-Flash: Porównanie funkcji
Architektura i efektywność parametrów
DeepSeek-V4-Flash operuje architekturą 284B łącznych parametrów (13B aktywnych) ze współtrenowanym modelem szkicowania spekulatywnego (zwiększającym lokalny rozmiar wdrożenia do 304B). GLM-5.3-Flash używa 320B łącznych parametrów (18B aktywnych) w bardzo rzadkim, 45-warstwowym układzie. Oba modele aktywują bardzo niewiele parametrów na token, dzięki czemu działają z prędkościami typowymi dla znacznie mniejszych modeli, zachowując jednocześnie bogatą reprezentację wiedzy charakterystyczną dla modeli masywnych.
Mechanizm uwagi i optymalizacja pamięci
DeepSeek-V4-Flash stosuje DeepSeek Sparse Attention (DSA) i Token-wise Compression. Dynamicznie analizuje struktury sekwencji i kompresuje redundantne tokeny (np. szablonowe struktury kodu lub powtarzające się nagłówki systemowe) podczas przetwarzania długich promptów.
GLM-5.3-Flash łączy liniowy KDA z latentną projekcją (NoPE Sparse MLA). Usuwa jawne kodowanie pozycyjne z bloku kompresji key/value, zmniejszając ślad pamięci fizycznej KV Cache do zaledwie 22.5% tradycyjnych układów. Umożliwia to klastrom z ograniczoną pamięcią obsługę znacznie wyższej współbieżności podczas obciążeń z długim kontekstem.
Modalność i głębia multimodalności
DeepSeek-V4-Flash-0731 to model wyłącznie tekstowy. Świetnie radzi sobie z parsowaniem plików technicznych, schematów JSON i strukturalnego markdown. W przypadku zadań wizualnych deweloperzy muszą użyć oddzielnego eksperymentalnego modelu multimodalnego (deepseek-v4-flash-vision-exp).
GLM-5.3-Flash jest natywnie multimodalny. Przyjmuje bezpośrednio obrazy wysokiej rozdzielczości, wideo i złożone pliki dokumentów biurowych (PDF, PPTX, arkusze kalkulacyjne). Ta natywna multimodalność wspiera „visual-in-the-loop” w rozwoju oprogramowania, gdzie model może inspekować wyrenderowany układ UI, wykrywać problemy z wyrównaniem i iteracyjnie korygować własny kod bez ręcznej interwencji dewelopera.
Licencjonowanie i otwartość
Oba modele są wydane na bardzo liberalnej MIT License. Daje to deweloperom korporacyjnym pełną swobodę modyfikacji, dystrybucji, sublicencjonowania i komercyjnego wdrażania wag lokalnie, w prywatnym VPC lub wewnątrz odizolowanych infrastruktury chmurowych on-premise.
DeepSeek-V4-Flash vs GLM-5.3-Flash: Porównanie benchmarków
Przy ewaluacji na tych samych zbiorach danych, w identycznych harnessach testowych, oba modele osiągają konkurencyjne wyniki w zadaniach inżynierii oprogramowania i automatyzacji agentów.
Wydajność w kodowaniu i zadaniach agentowych
| Benchmark | GLM-5.3-Flash (Z.ai) | DeepSeek-V4-Flash-0731 |
|---|---|---|
| Artificial Analysis Index v4.1.1 | 57 | 50 |
| Terminal Bench 2.1 (Acc) | 84.3 | 82.7 |
| DeepSWE v1.1 (GitHub Issues) | 63.4 | 54.4 |
| Toolathlon (Verified / Pass@1) | 78.4 | 70.3 |
| NL2Repo (Acc) | 56.3 | 54.2 |
| Automation Bench (Acc) | 48.8 | 25.1 |
| GDPval-AA v2 (Agent Elo) | 1773 | 1554 |
GLM-5.3-Flash utrzymuje przewagę w większości benchmarków agentowych i inżynierskich, osiągając 63.4% w DeepSWE v1.1 i 84.3 w Terminal Bench 2.1. Jego 18B aktywnych parametrów i wieloetapowe alignowanie po treningu pomagają mu obsługiwać złożone śledzenie repozytoriów i interakcje z systemem operacyjnym.
GLM-5.3-Flash Benchmark: wynik 84.3 w Terminal Bench 2.1 Źródło: z.ai
DeepSeek-V4-Flash-0731 jest również bardzo kompetentny, uzyskując 82.7 w Terminal Bench 2.1 i 70.3 w Toolathlon. Dostarcza niezawodną wydajność w deterministycznych strukturach API i ścisłym wywoływaniu funkcji.
DeepSeek-V4-Flash Benchmark 0731: wynik 82.7 w Terminal Bench 2.1 Źródło: Hugging Face
Multimodalność i rozumowanie wizualne
Natywne szkolenie multimodalne GLM-5.3-Flash daje mu wyraźną przewagę w zadaniach rozumowania wizualnego:
- OfficeQA Pro: 62.4 (GLM-5.3-Flash) vs 57.9 (DeepSeek-V4-Vision, gałąź eksperymentalna). GLM wykazuje lepsze natywne parsowanie osadzonych obrazów, ustrukturyzowanych tabel PDF i prezentacji.
- Chartography with Tools: 78.0 (GLM-5.3-Flash). Model wykazuje znakomitą zdolność do wczytywania schematów przepływów systemowych, makiet i skanów faktur, tłumacząc je bezpośrednio na wykonalną logikę systemową.
Szybkość i latencja
- Szybkość generowania: DeepSeek-V4-Flash-0731 jest szybszy, osiągając średnią prędkość wyjściową 122.7 tokenów/s na standardowych firmowych punktach końcowych chmury, wspieraną przez jego framework spekulatywnego dekodowania.
- Time to First Token (TTFT): GLM-5.3-Flash charakteryzuje się niższym TTFT na poziomie 1.21 sekundy, w porównaniu do ponad 3.0 sekund dla DeepSeek-V4-Flash, co sprawia, że wydaje się bardziej responsywny w aplikacjach czatowych czasu rzeczywistego.
DeepSeek-V4-Flash vs GLM-5.3-Flash: Ceny API
Oba modele oferują niezwykle opłacalne modele cenowe, co czyni je bardzo konkurencyjnymi względem tradycyjnych architektur gęstych.
Oficjalne ceny listowe API (na 1 milion tokenów)
| Warstwa cenowa | DeepSeek-V4-Flash-0731 (Peak) | DeepSeek-V4-Flash-0731 (Off-Peak) | GLM-5.3-Flash (Standard) | GLM-5.3-Flash (Promo - do 9 września) |
|---|---|---|---|---|
| Cena wejścia (Cache Miss) | $0.44 | $0.22 | $0.15 | $0.075 |
| Cena wejścia (Cache Hit) | $0.014 | $0.007 | $0.03 | $0.015 |
| Cena wyjścia | $1.32 | $0.66 | $0.50 | $0.25 |
Poza godzinami szczytu DeepSeek-V4-Flash-0731 jest bardzo ekonomiczny, obniżając koszty wejścia do $0.22/MTok i wyjścia do $0.66/MTok, z kosztem wejścia z cache na poziomie $0.007/MTok.
GLM-5.3-Flash oferuje konkurencyjne standardowe stawki płaskie ($0.15 wejście / $0.50 wyjście) bez dopłat w godzinach szczytu. Jego stawka promocyjna (dostępna do 9 września 2026) obniża koszty wejścia i wyjścia do $0.075 i $0.25, co czyni go świetną opcją do migracji na dużą skalę i przetwarzania masowego.
Mocne i słabe strony
DeepSeek-V4-Flash-0731
- Mocne strony:
- Wyjątkowa szybkość generowania: Generuje do 122.7 tokenów na sekundę dzięki współtrenowanemu modelowi szkicowania spekulatywnego (DSpark).
- Ekonomia poza szczytem: Oferuje wyjątkowo niską stawkę wejściową poza szczytem $0.22 i wyjściową $0.66 za milion tokenów.
- Silne wsparcie dla kwantyzacji CPU: Posiada dojrzałą ścieżkę integracji GGUF, co czyni go wysoko zoptymalizowanym do lokalnych środowisk opartych na CPU i ograniczeń pamięci systemowej.
- Kompromisy:
- Zmienność stawek w godzinach szczytu: Ceny API podwajają się w godzinach szczytu (0.44/1.32 na MTok).
- Rdzeń wyłącznie tekstowy: Standardowe wagi nie wspierają natywnie rozumowania wizualnego, obrazów czy wideo.
- Nadwyżka TTFT: Wykazuje dłuższy zmierzony time to first token (TTFT) w porównaniu z GLM.
GLM-5.3-Flash
- Mocne strony:
- Inteligencja najwyższej klasy: Osiąga bardzo konkurencyjne 57 punktów w Artificial Analysis Index.
- Natywne „vision-in-the-loop”: Integruje obsługę obrazów i wideo bezpośrednio w alignowaniu po treningu, umożliwiając wizualną ocenę kodu front-end.
- Wyjątkowa redukcja cache: Hybrydowe warstwy liniowe KDA i NoPE MLA obniżają użycie pamięci 4,44×, odblokowując wyższą współbieżność lokalną.
- Płaskie stawki dla długiego kontekstu: Standardowe ceny pozostają płaskie do 1M tokenów z branżowo niską stawką przy trafieniach cache ($0.03 standard, $0.015 promo).
- Kompromisy:
- Wolniejsze tempo generowania tokenów: Surowe prędkości generacji są niższe niż w dedykowanym silniku spekulatywnego dekodowania DeepSeek.
- Wymagania sprzętowe: Hostowanie pełnej struktury MoE 320B lokalnie wymaga środowiska wielowęzłowego GPU mimo wysokiej rzadkości.
| Model | Mocne strony | Kompromisy |
|---|---|---|
| DeepSeek-V4-Flash | Szybka generacja (122.7 tok/s w Artificial Analysis”); bardzo tanie ceny poza szczytem; dojrzały ekosystem kwantyzacji tekstu; silnie zoptymalizowany dla lokalnego GGUF na CPU. | Zmienność stawek w godzinach szczytu; model bazowy wyłącznie tekstowy (brak natywnej wizji); wolniejszy TTFT. |
| GLM-5.3-Flash | 57 punktów w AA Intelligence; natywne parsowanie multimodalne; 4.44× kompresja KV cache; płaskie ceny; szybki TTFT (1.21s); MIT license. | Nieco wolniejsze surowe tempo generacji niż DeepSeek; lokalne wdrożenia wielowęzłowe są wymagające sprzętowo. |
DeepSeek-V4-Flash vs GLM-5.3-Flash: Który wybrać?
| Zastosowanie | Rekomendowany | Dlaczego |
|---|---|---|
| Domyślne frontier API | GLM-5.3-Flash | Wyższy wynik w indeksie inteligencji (57) i dominacja w benchmarkach agentów wieloetapowych. |
| Długotrwały agent tekstowy | DeepSeek-V4-Flash | Błyskawiczne tempo generacji (122+ tok/s) czyni go bardzo wydajnym do masowej generacji tekstu/kodu. |
| Programowanie wizualne / UI | GLM-5.3-Flash | Natywny projekt multimodalny wspiera debugowanie z wizualnym elementem w pętli i analizę renderowania UI. |
| Prywatny/self-managed VPC | GLM-5.3-Flash | MIT license z kompresją KDA + NoPE MLA, która obniża wymagania VRAM o 4.44×. |
| Lokalny bieg tylko na CPU | DeepSeek-V4-Flash | Silniejsze lokalne wsparcie kwantyzacji GGUF (92GB Unified Memory dla ekstremalnych biegów 1-bit lub 3-bit). |
| Niższy koszt wyjścia w szczycie | GLM-5.3-Flash | Standardowa cena wyjścia $0.50/MTok pozostaje płaska i jest tańsza niż $1.32 w DeepSeek w szczycie. |
| Intensywne cache’owanie promptów | DeepSeek-V4-Flash | Trafienia cache poza szczytem kosztują wyjątkowo niskie $0.007 za milion tokenów. |
Dlaczego użyć Cometapi do dostępu do DeepSeek-V4-Flash i GLM-5.3-Flash
Oba modele są w pełni zintegrowane z CometAPI. Deweloperzy mogą uzyskać dostęp do DeepSeek-V4-Flash, a wsparcie dla dostępu w stylu Chat Completions / Responses i GLM-5.3-Flash model page udostępnia GLM-5.3-Flash przez zunifikowany endpoint CometAPI. To ułatwia testy A/B, ponieważ można przełączać identyfikatory modeli, zachowując uwierzytelnianie i większość logiki aplikacji bez zmian.
Wniosek
Wprowadzenie DeepSeek-V4-Flash-0731 i GLM-5.3-Flash przekształciło ekonomikę wdrożeń modeli Sparse MoE z długim kontekstem. Obie architektury dostarczają wysoką inteligencję przy niezwykle niskich kosztach.
DeepSeek-V4-Flash-0731 to wysoce zoptymalizowany silnik tekstu i kodu, który wyróżnia się surową przepustowością generacji, dekodowaniem spekulatywnym i lokalną kwantyzacją opartą na CPU. GLM-5.3-Flash reprezentuje duży krok naprzód dla multimodalnych i agentowych przepływów pracy, łącząc niską latencję rozumowania wizualnego z hybrydowym mechanizmem uwagi, który czyni hosting on-premise wysoce efektywnym.
FAQs
Jak brzmiała anonimowa nazwa testowa GLM-5.3-Flash?
Przed oficjalnym uruchomieniem GLM-5.3-Flash był testowany anonimowo na OpenRouter i OpenCode pod kryptonimem „Ox Alpha”, gdzie szybko stał się popularnym modelem wśród deweloperów.
Czy mogę uruchomić te modele lokalnie na standardowym komputerze osobistym?
Tak, oba modele mają otwarte wagi i są dostępne na Hugging Face. Jednak ze względu na rozmiary parametrów lokalny hosting wymaga znaczącej pamięci zunifikowanej:
- DeepSeek-V4-Flash-0731: Ekstremalna kwantyzacja 1-bit wymaga ~92GB RAM; zalecany jest bieg 3-bit, wymagający między 110–135GB RAM.
- GLM-5.3-Flash: Ekstremalna kwantyzacja 1-bit wymaga ~100GB RAM, podczas gdy biegi 3-bit najlepiej działają z 128GB–150GB zunifikowanej pamięci systemowej.
Czy DeepSeek-V4-Flash obsługuje przetwarzanie wizualne lub wideo?
Nie, standardowy DeepSeek-V4-Flash-0731 to model wyłącznie tekstowy. Do zadań wizualnych należy użyć ich oddzielnego, eksperymentalnego modelu multimodalnego (deepseek-v4-flash-vision-exp).
Jak działa „visual-in-the-loop” programowanie w GLM-5.3-Flash?
Ponieważ model posiada natywne rozumienie wizualne i obrazów, może pisać kod front-end, przeglądać wyrenderowany wynik wizualny, wykrywać błędy układu lub stylów i przepisywać kod, aby naprawić te błędy bez konieczności, by człowiek opisywał problemy układu tekstowo.
Jak cache’owanie promptów oszczędza pieniądze w tych modelach?
Jeśli wysyłasz ten sam duży kontekst (jak baza kodu lub zbiór dokumentów) w wielu wywołaniach API, oba modele mogą cache’ować ten prompt. Przy kolejnych wywołaniach naliczają opłaty tylko według stawki „cache-hit”, która spada do $0.007/MTok dla DeepSeek-V4-Flash (poza szczytem) i $0.015/MTok dla GLM-5.3-Flash (promo), znacząco obniżając koszty API.