AREX Feed Article
GLM-5.3-Flash 进入 Agent Arena：开源第 4、总榜第 19，中位成本 0.12 美元/任务
8 月 31 日，AI 评测平台 Arena.ai（X 平台粉丝约 21.9 万）在中宣布，Z.ai 的 GLM-5.3-Flash 进入其 Agent Arena 榜单。按公告口径，评估基于 9,000 多次真实智能体（agentic）会话，模型的中位成本为 0.12 美元/任务、净提升 +4.6%，开源模型排名第 4、总榜第 19，位置介于 DeepSeek V4 (High) 与 GPT-5.6 Luna (xHigh) 之间。Arena.ai 称，GLM-5.3-Flash「重塑了 Pareto 前沿」（reshaped the Pareto frontier）。
同一份公告还给出一个同门对比：GLM-5.3-Flash 恰好压过自家 GLM-5.3 (Max) 一位，Max 总榜第 20，净提升 +3.7%，中位成本 0.45 美元（数据），是 Flash 的 3.75 倍。
五个信号拆开看：只有 Bash Recovery 为负
紧随其后的列出了 5 个分项信号：确认成功（Confirmed Success）+15.3%（该项排名第 4）、称赞对抱怨（Praise vs. Complaint）+4.9%、可引导性（Steerability）+2.4%、命令失败恢复（Bash Recovery）-0.7%、工具幻觉（Tool Hallucination）未发现问题。
Arena.ai 的实时榜单页面给出了更细的数字：截至 8 月 31 日，GLM-5.3-Flash 的净提升为 4.41%±1.37%，Confirmed Success 为 15.21%±2.85%，累计 9,970 次会话。每任务中位成本 0.12 美元、中位输出 31,700 tokens，API 标价 0.15 美元/0.50 美元每百万 tokens（输入/输出），模型以 MIT 协议开源。
官宣口径的 +4.6% 是配图上 +4.56% 的取整写法；页面当前的 4.41%±1.37% 则是会话继续累积后的最新值，说明榜单分数实时浮动。
0.12 美元在 Pareto 前沿上买到什么
「介于 DeepSeek V4 与 GPT-5.6 Luna 之间」指的是成本-性能前沿图上的位置，不是总榜名次。按榜单数据：DeepSeek V4 Pro (High) (0813) 净提升 5.90%、中位成本 0.23 美元；GPT-5.6 Luna (xHigh) 净提升 2.13%、中位成本 0.08 美元。
GLM-5.3-Flash 以 0.12 美元拿下 4.41%，恰好落在两者之间：比 DeepSeek 便宜约一半，净提升只低 1.5 个百分点；比 Luna 贵 0.04 美元，净提升却高 2.3 个百分点。
前沿的另一端是高价区间：总榜第一的 Claude Opus 5 (High) 净提升 13.77%、中位成本 2.55 美元；Kimi K3 (Max) 以 0.79 美元做到 8.74%。榜单页面标注 8 月 31 日数据，共 2,144,575 次会话、56 个模型。
发布不到一周：320B 参数、18B 激活、MIT 协议
GLM-5.3-Flash 是 8 月 26 日才发布的模型，称，这是 GLM-5 系列第一个原生多模态模型，1M token 上下文窗口，320B 总参数、仅 18B 激活参数，MIT 协议开源。发布前它曾以 ox-alpha 代号在 OpenCode 和 OpenRouter 上匿名测试，测试期间的流量全部由中国 AI 芯片承载，这是 Z.ai 自己的说法。
Z.ai 的给出的自评是：以「十分之一的价格」超过 GLM-5.2，在 Artificial Analysis 智能指数 v4.1.1 上拿到 57 分、折扣价 0.045 美元/任务，并同样使用了「推动 Pareto 前沿」的说法。这是厂商口径，与 Arena.ai 的榜单口径是两套数字。
Agent Arena 本身于 6 月 4 日上线。按 Arena.ai 的，GLM-5.3 (Max) 于 8 月 24 日进入该榜，Flash 则在 8 月 26、27 日先进了 Code Arena: WebDev 和 Text/Vision Arena，几天后登上 Agent Arena。按 Arena.ai 8 月 14 日的，该榜单在真实的长周期 agentic 任务上测量模型：模型可调用 web 搜索、文件系统和终端工具完成任务，用因果追踪方法衡量「相对平均模型」的结果表现。
回复区：质疑「重塑」与追问「Grok 4.6 在哪？」
截至 9 月 1 日上午，公告推文获得约 460 个赞、40 次转推和 29 条回复。质疑集中在「重塑 Pareto 前沿」这个说法上。账号「no tunnel, many lights」（@lapax）反问：「这怎么就算重塑 Pareto 前沿了？听起来像夸张」。
自称每日追踪 AI 定价的 TokenBurn Index 认为，中位成本/任务「是正确的那条轴，但它也埋掉了不少东西」：同属 GPT-5.6 家族的 Luna 与 Cyber 标价相差约 60 倍（0.20 美元对 12.50 美元），「一个模型可能只是靠话少而不是靠便宜靠近前沿」。榜单数据部分支持这个提醒：Luna 每任务中位输出 15,400 tokens，Flash 是 31,700。
成本口径被单独算账。自称 AI 构建者的 Luke（The HYPE Critic）写道：0.12 美元听着便宜，「直到你算算一个真实产品 agent 在五分之一失败率下需要多少次这样的『便宜』调用」；Maximus 则提醒「中位数有意思，但分布更重要，一个离群任务就能毁掉预算」。
正面声音同样不少。自称从事 Physical AI 与机器人的 Steven Cheng 评论「在成本和性能上双杀 Max 版？这波 vibe coding 能量很足」；The AI Therapist 称 GLM 们是「开源界的对冲基金」，「0.12 美元/任务意味着 Z.ai（zhipu）把推理卖得比大多数人写推文的时薪还便宜，套利要来了」；中文用户「安叫兽」的评论是「这个成本和提升幅度放一起看，挺能打的」。
回复里反复出现「Grok 4.6 在哪？」。按 Arena.ai 的更新日志，Grok 4.6 (xHigh) 在 8 月 27 日就已进入 Agent Arena，目前总榜第 16、净提升 5.76%，中位成本 1.12 美元，约是 Flash 的 9 倍。
便宜的一端正在变挤，数字仍只有一家口径
需要提醒的是，上述数字全部来自 Arena.ai 基于自家会话数据的评估口径。一家基准机构对自己平台上模型表现的公告，本身不等于独立验证。
在这个前提下，公告里有两件事值得盯住。其一，自称「在 agent 上折腾小工具」的 anytan 注意到：「0.12 美元的中位成本还能排开源第 4，这条曲线的便宜一端正在快速变挤」。榜单上 DeepSeek V4 Flash (High) 中位成本 0.15 美元、Kimi K2.7 Code 0.16 美元、GPT-5.6 Luna 0.08 美元，都挤在同一价位段。
其二，五个信号里，主推文只单独点名了 Confirmed Success，唯一为负的 Bash Recovery（-0.7%）只出现在补充推文的列表里。下一次榜单更新时，Flash 的 9,970 次会话还会继续累积，4.41% 和「第 19」的位置都会变动，而这 0.12 美元的任务成本在真实生产负载下能否站住，公告没有给出答案。