This model is deprecated. We only continue performance benchmarking for the default 10k input token workload. Results for other workloads are historical and no longer updated.

Z AI has launched a newer model, GLM-4.7. We suggest considering it instead.

For more information, see comparison of GLM-4.7 to other models and API provider benchmarks for GLM-4.7.

GLM-4.6 (Reasoning) logo
Z AI
•

Open weights model

•

Released September 2025

GLM-4.6 (Reasoning) Benchmarking e análise de provedores de API

Comparação de modelos

Análise dos provedores de API do GLM-4.6 (Reasoning) em métricas de desempenho como latência (tempo até o primeiro token), velocidade de saída (tokens de saída por segundo), preço e outras. Os provedores de API avaliados incluem DeepInfra (FP4), Together AI e Novita.

Mais rápido

#1
NovitaNovita
54.8 t/s
#2
DeepInfra (FP4)DeepInfra (FP4)
44.1 t/s

Velocidade de saída

3 provedores no total

Menor latência

#1
NovitaNovita
39.13 s
#2
DeepInfra (FP4)DeepInfra (FP4)
46.34 s

Tempo até o primeiro token da resposta final

3 provedores no total

Menor preço

#1
DeepInfra (FP4)DeepInfra (FP4)
$0.37
#2
NovitaNovita
$0.72
#3
Together AITogether AI
$0.76

Preço combinado (por 1M de tokens)

3 provedores no total

GLM-4.6 está disponível em 3 provedores de API, cada um com características de desempenho e preços diferentes. Veja abaixo uma comparação das principais métricas entre os provedores.

  • Em velocidade de saída, os principais provedores são Novita (54.8 t/s) e DeepInfra (FP4) (44.1 t/s).
  • Em latência, Novita (39.13s) e DeepInfra (FP4) (46.34s) têm o menor tempo até o primeiro token da resposta final.
  • Em preço, DeepInfra (FP4) (0.37), Novita (0.72) e Together AI (0.76) têm os menores preços combinados por 1M de tokens.
  • Novita oferece o melhor desempenho, com a maior velocidade e a menor latência. Para otimizar os custos, DeepInfra (FP4) tem o preço mais competitivo.

Destaques

Velocidade

Output tokens per second · Higher is better

Tempo de resposta de ponta a ponta

Seconds · Lower is better

Preço

USD per 1M tokens (blended) · Lower is better

Preços

Pricing: Cache Hit, Input, and Output

Price (USD per M Tokens) · Lower is better · 10,000 input tokens

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Pricing: Blended Price

Blended at 7:2:1 (cache-input-output) · USD per 1M tokens (blended) · Lower is better

Price per token, shown in USD per million tokens. Price is a blend of cache hit, input, and output token prices using the selected ratio (default 7:2:1 cache-input-output).

Pricing: Cache Discount

1 - (cache hit price / input price) · Higher is better

Reduction in input token cost due to cache hit relative to input price. Formula: 1 - (Cache Hit Price per Token / Input Token Price), where cache hit price is the first-party cache hit price or the median provider cache hit price. Note that this discount figure does not account for all costs associated with cache hits, such as cache write and storage costs.

Output Speed vs. Price

Blended at 7:2:1 (cache-input-output) · Output speed: output tokens per second · USD per 1M tokens (blended)
Most attractive quadrant
Pareto line

Tokens per second received while the model is generating tokens (ie. after first chunk has been received from the API for models which support streaming).

Velocidade

Medida pela velocidade de saída (tokens por segundo)

Output Speed: GLM-4.6 (Reasoning)

Output speed: output tokens per second · 10,000 input tokens

Tokens per second received while the model is generating tokens (ie. after first chunk has been received from the API for models which support streaming).

Figures represent performance of the model's first-party API (e.g. OpenAI for o1) or the median across providers where a first-party API is not available (e.g. Meta's Llama models).

Latency vs. Output Speed

Latency: seconds to first token received · Output speed: output tokens per second · 10,000 input tokens
Most attractive quadrant
Pareto line

Tokens per second received while the model is generating tokens (ie. after first chunk has been received from the API for models which support streaming).

Latência

Medida pelo tempo (segundos) até o primeiro token

Tempo até o primeiro token da resposta final

Seconds to first token received · Lower is better · 10,000 input tokens

Time to first answer token received, in seconds, after API request sent. For reasoning models, this includes the 'thinking' time of the model before providing an answer. For models which do not support streaming, this represents time to receive the completion.

Figures represent median (P50) measurement over the past 72 hours to reflect sustained changes in performance.

Tempo de resposta de ponta a ponta

Seconds to output 500 tokens, calculated based on time to first token, 'thinking' time for reasoning models, and output speed

Tempo de resposta de ponta a ponta

Seconds to output 500 tokens, including reasoning model 'thinking' time · Lower is better · 10,000 input tokens

Seconds to receive a 500 token response. Key components:

  • Input time: Time to receive the first response token
  • Thinking time (only for reasoning models): Time reasoning models spend outputting tokens to reason prior to providing an answer. Amount of tokens based on the average reasoning tokens across a diverse set of 60 prompts (methodology details).
  • Answer time: Time to generate 500 output tokens, based on output speed

Principais métricas de comparação e recursos da API

Logo: DeepInfraDeepInfra
203k
Aberto
--
45
0.97
56.99
44.81
Logo: Together AITogether AI
203k
Aberto
$0.33
--
--
--
--
Logo: NovitaNovita
205k
Aberto
$0.30
57
2.74
46.26
34.81

Perguntas frequentes

Perguntas comuns sobre os provedores do GLM-4.6 (Reasoning)

GLM-4.6 (Reasoning) está disponível em 3 provedores de API: DeepInfra (FP4), Together AI e Novita. Cada provedor oferece características de desempenho e preços diferentes.

Atualmente, o GLM-4.6 (Reasoning) está disponível em 3 provedores de API que avaliamos e acompanhamos.

Os provedores mais rápidos para o GLM-4.6 (Reasoning) em velocidade de saída são Novita (54.8 t/s) e DeepInfra (FP4) (44.1 t/s). A velocidade de saída mede a rapidez com que os tokens são gerados depois que o modelo começa a responder.

Os provedores com o menor tempo até o primeiro token da resposta final para o GLM-4.6 (Reasoning) são Novita (39.13s) e DeepInfra (FP4) (46.34s). Uma latência menor significa um tempo de resposta inicial mais rápido.

Os provedores mais acessíveis para o GLM-4.6 (Reasoning) em preço combinado são DeepInfra (FP4) ($0.37 por 1M de tokens), Novita ($0.72 por 1M de tokens) e Together AI ($0.76 por 1M de tokens). O preço combinado usa uma proporção de 7:2:1 entre tokens de acerto do cache, entrada e saída.

Os provedores com o menor preço de tokens de entrada para o GLM-4.6 (Reasoning) são DeepInfra (FP4) ($0.50 por 1M de tokens de entrada), Novita ($0.55 por 1M de tokens de entrada) e Together AI ($0.60 por 1M de tokens de entrada).

Os provedores com o menor preço de tokens de saída para o GLM-4.6 (Reasoning) são DeepInfra (FP4) ($2.00 por 1M de tokens de saída), Together AI ($2.20 por 1M de tokens de saída) e Novita ($2.20 por 1M de tokens de saída).

Os preços do GLM-4.6 (Reasoning) variam em até 2.1x entre os provedores. O mais acessível é DeepInfra (FP4), com $0.37 por 1M de tokens, enquanto Together AI cobra $0.76 por 1M de tokens.

2 de 3 provedores são compatíveis com o modo JSON para o GLM-4.6 (Reasoning): DeepInfra (FP4) e Novita.

Todos os 3 provedores do GLM-4.6 (Reasoning) são compatíveis com chamadas de funções (uso de ferramentas).

Para o GLM-4.6 (Reasoning), Novita oferece o melhor desempenho, com a maior velocidade e a menor latência. Para otimizar os custos, DeepInfra (FP4) tem o preço mais competitivo.

Ao escolher um provedor para o GLM-4.6 (Reasoning), considere a velocidade de saída (para tarefas que exigem alta vazão), a latência (para aplicações interativas que precisam de respostas iniciais rápidas), o preço (para cargas de trabalho atentas aos custos) e os recursos da API, como modo JSON e chamadas de funções.

Sim. O desempenho dos provedores pode variar ao longo do tempo devido a mudanças na infraestrutura, balanceamento de carga e atualizações. Avaliamos continuamente todos os provedores e exibimos as tendências históricas de desempenho nos gráficos de evolução ao longo do tempo.

Para saber mais sobre a inteligência, as capacidades e as modalidades do GLM-4.6 (Reasoning), além de como ele se compara a outros modelos, consulte a página de visão geral do modelo. Ver visão geral do modelo