“Flash”不是统一的性能等级。五个名字里，有开源权重、API 产品和 preview；有纯文本模型，也有原生多模态；厂商披露的上下文、价格和基准口径也不相同。把它们排进一张“谁更强”的总榜，会制造出并不存在的可比性。

本文资料截至 2026 年 9 月 8 日，只记录厂商发布页、官方模型卡和官方 API 文档能够直接支持的事实。未披露就写未披露；厂商 benchmark 只作为厂商自报，不当作独立复现。名称也按官方拼写：腾讯的是 Hy4 preview，不是 “HY-4”；小米比较的是 API 中的 MiMo-V2.5 标准版，不是参数更大的 Pro。

先看结论

  • 要自己部署、检查许可证或改推理栈，先看 Hy4 preview（Apache-2.0）、GLM-5.3-Flash（MIT）、MiMo-V2.5（MIT）与 DeepSeek-V4-Flash（MIT），四者均已开源全量权重并支持本地 serving；Qwen 生产 API 虽为托管，但有 125B 架构基础的开放权重 Qwen3.8-Flash-Next 可供预览。
  • 要 1M 长上下文并直接处理图像与视频，GLM-5.3-Flash（声明 [1m] 标识）、Qwen3.8-Flash 和 MiMo-V2.5 均原生支持；要音频输入，目前仅 MiMo-V2.5 明确列出。
  • DeepSeek-V4-Flash 基础版是纯文本模型；视觉能力属于单独的实验模型 deepseek-v4-flash-vision-exp，不能算到基础 Flash 上。
  • 想按公开 benchmark 直接排五强，目前做不到。没有一套五款都参加、版本和 harness 一致的官方或独立测试。
  • 真正能先筛掉候选项的，通常是数据能否出域、输入模态、上下文/输出上限、许可证和单任务成本，而不是厂商表格中的一两个分数。

一张表看清不是同类产品

项目 Hy4 preview GLM-5.3-Flash Qwen3.8-Flash DeepSeek-V4-Flash MiMo-V2.5（标准版）
交付形态 开放权重 + API 开放权重 + API 生产托管 API；另有开放权重架构预览 开放权重 + API 开放权重 + API
官方权重许可证 Apache-2.0 MIT 生产版未单独公开权重；架构版 Flash-Next 于 2026-08-26 开源（Qwen Community License 1.0） MIT MIT
官方披露参数 770B 总计 / 49B 激活，另有 10B / 0.7B 激活 MTP 320B 总计 / 18B 激活 生产版未单列；Flash-Next 预览为 125B core + 51B n-gram / 约 6B 激活 284B 总计 / 13B 激活（Pro 版为 1.6T / 49B） 310B 总计 / 15B 激活（Pro 版为 1.02T / 42B）
上下文 1M 1M（同一模型以 [1m] 调用标识启用） 1M（官方注 1,000,000） 1M 1M
最大输出 未由官方明确；部分第三方平台限制 64K 128K（131,072） 131,072；thinking chain 另有上限 384K 128K（131,072）
输入 / 输出 文本 → 文本 视频、图像、文本、文件 → 文本 文本、图像、视频 → 文本 文本 → 文本（另有实验 ID 支持视觉） 文本、图像、视频、音频 → 文本
官方兼容接口 OpenAI 兼容 serving OpenAI 兼容及多种本地 serving OpenAI、Anthropic 兼容 OpenAI、Anthropic 兼容及多种本地 serving OpenAI、Anthropic 兼容及多种本地 serving
官方美元价（每 1M tokens） $0.834 / $2.501 $0.075 / $0.25（限时五折） $0.15 / $0.47（国际 / Global 区） $0.22 / $0.66（非峰时） $0.14 / $0.28

表中的留白与单列说明，严格遵循官方公开披露口径。尤其不能把同系列的其他模型行为补进空格：GLM-5.3-Flash 自身是 1M context、131,072 tokens 最大输出，不能因为命名接近就混用 GLM-5.3 的其他接口行为；Qwen3.8-Flash-Next 虽是生产版 Qwen3.8-Flash 的开放权重/架构预览基础，Next 的本地部署参数仍不等于托管 API 的服务上限。

Hy4 preview：参数规模最大，部署门槛也最高

腾讯官方模型卡给出 770B 总参数、49B 激活参数、78 层结构：第一层是 dense FFN，后 77 层为 MoE，每个 token 使用 8 个 routed experts 和 1 个 shared expert。它还列出 Gated DeepSeek Sparse Attention、IndexCache、iHC 四残差流，以及 10B 总计、0.7B 激活的 MTP 模块。上下文为 1M，当前模型卡将它描述为 text-only，且未由官方明确公布最大输出上限（部分第三方 API 平台如 TokenHub 目前将其单次生成限制为 64K）。

权重可从 Hugging Face、ModelScope、GitCode 和 CNB 获取，许可证是 Apache-2.0，官方列出 Transformers、vLLM 和 SGLang 路线。这使它适合需要本地部署、可审计许可证或自定义推理服务的团队，但“49B 激活”不等于只需承载 49B 权重；770B 级主干仍决定显存、加载和并行成本。官方 local serving 名称为 hy4-preview，另有 Hy4-preview-FP8 权重。

腾讯发布公告还给出 TokenHub 口径：输入 $0.834 / 百万 token、输出 $2.501 / 百万 token、缓存命中 $0.042 / 百万 token。这是厂商在特定渠道公布的价格，不代表所有入口、地区和后续时段。

官方内部盲评由 163 名专家评 203 个工程任务：Hy4 preview 为 2.99 / 4，GLM-5.3 为 2.92，Kimi K3 为 2.94；公告还称相对 GLM-5.3 吞吐提高 31.8%。这些都是腾讯自报，不是独立第三方复现，也不能外推到下文另外四款。

GLM-5.3-Flash：小激活量开放权重，但别与 GLM-5.3 混写

Z.ai 官方模型卡把 GLM-5.3-Flash 标为原生多模态模型，约 320B 总参数、18B 激活参数，输入模态官方 API 文档列出为视频、图像、文本、文件，输出文本。架构关键词包括 hybrid sparse + linear attention 和 Manifold-Constrained Hyper-Connections；权重以 safetensors 发布，许可证为 MIT。模型卡 pipeline 标注为 image-text-to-text，但 Z.ai API 文档的模型规格卡明确列入 Video 输入，本文按 API 文档口径。

官方页同时列出 glm-5.3-flash 与 glm-5.3-flash[1m]。两者是同一个 GLM-5.3-Flash 模型；[1m] 是调用时声明 1M context 支持的标识，不是另一个模型、权重版本或能力档。测试和生产配置仍应记录实际 model ID，避免客户端默认上下文与 1M 声明不一致。

官方卡列出 Hugging Face Transformers、vLLM、SGLang、TokenSpeed、KTransformers 和 Unsloth 等部署路线，并提供 reasoning_effort 的 low、high、max 档。对要部署开放权重又不想承载 Hy4 770B 主干的团队，这个 18B 激活量很有吸引力；但总权重仍约 320B，不能按 18B dense 模型估算硬件。

上下文最容易误写。模型卡在不同评测任务中使用 164K、300K、400K、1M 等预算，而官方调用页用同一模型的 glm-5.3-flash[1m] 标识明确声明 1M context 支持。Flash 的最大输出为 131,072 tokens（128K）（官方 API 文档规格卡）。这里的 [1m] 只声明上下文支持，不代表另一套模型权重；文档和代码应同时写清基础 ID 与长上下文调用标识。

Z.ai 官方价格页对 GLM-5.3-Flash 给出限时促销价：输入 $0.075 / 百万 token、缓存输入 $0.015、输出 $0.25；标价分别为 $0.15 / $0.03 / $0.50。页面写明五折优惠在 **2026 年 9 月 9 日 24:00（UTC+8 / Singapore）**结束，因此本文只把它当截至资料日期的短期价格，不用于长期 TCO。该页没有替 Flash 补上通用 context 或 API model ID。

官方卡自报 Terminal-Bench 2.1 为 84.3，ExtractBench mean 为 80.75，并声称相对前代有提升。由于其余四款没有在同一 harness 全部参赛，这些数字只能说明该卡的自报结果，不能生成五模型排名。

Qwen3.8-Flash：托管多模态和明确的 1M 窗口

阿里云 Model Studio 文档中的准确模型 ID 是 qwen3.8-flash。它支持文本、图像、视频输入和文本输出，context window 为 1,000,000；文档列出最大输入 991,808、最大输出 131,072。thinking 模式还单列 983,616 输入和最多 262,144 reasoning chain 的预算，调用方要按模式计算 token 边界，不能只记“1M”。

它提供 OpenAI 与 Anthropic 兼容接口，并列出 function calling、structured output、context caching、prefix continuation 等能力。web search 的地区支持并不一致：北京和新加坡支持，法兰克福、东京、弗吉尼亚不支持；batch 与 fine-tuning 均不支持。区域、数据驻留和功能可用性应在部署前按实际 endpoint 再核一次。

价格按地域和币种分开。国际 / Global 区美元口径为输入 $0.15 / 百万 token、输出 $0.47 / 百万 token（适用 1M context 以内）；中国区人民币价为输入 ¥0.80、输出 ¥2.70、缓存命中 ¥0.10，显式缓存创建 ¥1.25；新加坡区为输入 ¥1.094、输出 ¥3.427、缓存命中 ¥0.117、缓存创建 ¥1.458。前一组地区限额为 30,000 RPM / 5M TPM，新加坡为 15,000 RPM / 2M TPM。注意 Qwen 的缓存采用显式创建计费模式（创建缓存按输入计费，后续命中才享受低价），不同于 DeepSeek 或 MiMo 免创建费的自动命中缓存。

生产版 Qwen3.8-Flash 本身未单独公开权重文件，仅以托管 API 形式交付；其对应的基础架构与开放权重版本 Qwen3.8-Flash-Next 已于 2026 年 8 月 26 日 在 Hugging Face（Qwen/Qwen3.8-Flash-Next）与 ModelScope 正式公开，采用 Qwen Community License 1.0。该预览模型提供 125B 核心 + 51B n-gram 嵌入表（另含 4B MTP）、约 6B 激活，原生支持 262,144 上下文，官方部署指引用 YaRN 扩展至 1,000,000。两者虽具直接技术血缘，但生产版托管 API 的 1M 默认窗口、区域功能与限流规格，不能与开放权重预览版的本地部署参数混为一谈。

DeepSeek-V4-Flash：284B 开源与 API 双轨，13B 极致激活

DeepSeek 官方更新日志将 API 模型名写为 deepseek-v4-flash。2026 年 4 月 24 日 V4 进入 API，7 月 31 日发布 DeepSeek-V4-Flash-0731（官方称之 superseding the preview version），后续增加 low、high、max thinking 档，并支持 Responses / Codex 相关接口。接入同时覆盖 OpenAI Chat Completions 与 Anthropic-compatible 形态。

该模型拥有约 284B 总参数、13B 激活参数（相比旗舰版 Pro 的 1.6T / 49B 大幅精简），采用 MoE 架构，并针对超长上下文引入**压缩稀疏注意力（CSA）与重度压缩注意力（HCA）混合机制，结合流形约束超连接（mHC）**改善极深网络的跨层特征传播。这些数字和术语均来自官方技术报告《DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence》（arXiv:2606.19348）。

DeepSeek 已于 2026 年 7 月 31 日在 Hugging Face（deepseek-ai/DeepSeek-V4-Flash-0731）开源全量模型权重，采用 MIT 许可证。注意权重以 fp8/fp4 量化形式分发（config 中 quant_method 为 fp8、expert_dtype 为 fp4），仓库权重文件合计约 167 GB；官方部署指引是 vLLM 跑在单台 4×GB300 节点上。本文不给出社区估算的“几张显卡能跑”的结论——官方未披露相应数字。

官方定价页明确给出 1M context、384K 最大输出和 2500 并发。峰时每百万 token 为缓存命中 $0.014、缓存未命中输入 $0.44、输出 $1.32；非峰时分别为 $0.007 / $0.22 / $0.66。峰时是周一至周五 01:00–04:00 与 06:00–10:00 UTC（换算为北京时间即工作日 09:00–12:00 与 14:00–18:00，覆盖核心办公时段），周末全天、工作日午休与夜间均为非峰时。对于数据清洗、离线抽取等非实时批处理任务，错峰调度能让 API 支出直接减半。

基础 deepseek-v4-flash 应按文本模型处理。8 月 21 日另有实验 ID deepseek-v4-flash-vision-exp 增加视觉输入；它是独立模型名，参数规模未由官方披露，不能据此宣称基础 Flash 原生多模态。对生产系统而言，这个区分会影响请求 schema、回退策略和版本锁定。

MiMo-V2.5 标准版：310B 开源全模态，15B 激活兼顾私有化

小米已在 Hugging Face（XiaomiMiMo）于 2026 年 4 月 27 日开源 MiMo-V2.5 系列全量权重（含 Base），采用 MIT 许可证。标准版模型拥有 310B 总参数、15B 激活参数，稀疏 MoE 架构（256 routed experts，每 token 激活 8 个），并融合混合注意力（Hybrid Attention：滑动窗口 SWA 与全局 GA 以 5:1 交错、128 滑动窗口）以及 3 层**多 Token 预测（MTP）**推测解码模块。旗舰版 MiMo-V2.5-Pro 则为 1.02T 总参数、42B 激活参数，两者不可混淆。

在官方托管 API 与本地推理形态中，标准版 ID 为 mimo-v2.5。它是原生全模态模型，支持文本、图像、视频、音频输入和文本输出，context window 为 1M，最大输出为 128K（131,072 tokens）；功能覆盖 deep thinking、streaming、function calling、structured output、web search 和 context caching，同时提供 OpenAI-compatible 与 Anthropic-compatible 接口。

官方 API 价格为缓存命中 $0.0028 / 百万 token、未命中输入 $0.14 / 百万 token、输出 $0.28 / 百万 token（官方另有人民币口径 ¥0.02 / ¥1 / ¥2）。官方目录列出 100 RPM、10M TPM。需格外留意的是 100 RPM 的频控阈值：折合每秒不足 1.7 次请求，这意味着托管 API 的吞吐配额明显偏向大上下文长任务吞吐（10M TPM 极为宽裕），但并不适合未提额直接硬抗多用户高并发的 Web 在线交互。对于需要全模态且需要本地部署可控的团队，其 15B 极小激活量的 MIT 开源权重具备很高的工程吸引力。

成本对照：五款统一按官方美元价

五款模型都有官方美元口径价格，下表统一按每百万 token 列出美元价，避免汇率折算引入的第二层误差。三个口径提示：GLM-5.3-Flash 为限时五折价，原价见括号，优惠在 **2026 年 9 月 9 日 24:00（UTC+8）**结束；DeepSeek-V4-Flash 分峰谷两档，峰时为工作日 01:00–04:00 与 06:00–10:00 UTC；Qwen3.8-Flash 为国际 / Global 区美元价，其美元页未单列缓存命中价（人民币口径为 ¥0.10 / 百万 token）。

下表另列 1M 输入 + 1M 输出的组合基准，用于直接比较“一次装满窗口”的任务量级（首轮未缓存输入的粗略成本）：

模型与计费版本 输入（每 1M tokens） 输出（每 1M tokens） 缓存命中（每 1M tokens） 1M 输入 + 1M 输出基准 计费机制与成本特性
Hy4 preview（TokenHub 托管） $0.834 $2.501 $0.042 $3.335 770B 主干推理成本直接反映在托管单价；长线大吞吐调用推荐用 Apache-2.0 权重私有部署
GLM-5.3-Flash（限时五折） $0.075（原 $0.15） $0.25（原 $0.50） $0.015（原 $0.03） $0.325 五折至 2026-09-09 24:00 UTC+8；原价恢复后基准 $0.65
Qwen3.8-Flash（国际 / Global 区） $0.15 $0.47 美元页未单列（人民币 ¥0.10） $0.62 适用 1M context 以内；显式创建缓存（创建费人民币 ¥1.25），创建后命中才享受低价
DeepSeek-V4-Flash（非峰时） $0.22 $0.66 $0.007 $0.88 周末全天及工作日非峰时段；免创建费自动命中缓存；官方 2500 并发
DeepSeek-V4-Flash（工作日峰时） $0.44 $1.32 $0.014 $1.76 工作日 01:00–04:00 与 06:00–10:00 UTC；批处理错峰调度省 50% 支出
MiMo-V2.5 标准版 $0.14 $0.28 $0.0028 $0.42 全模态中单价最低；100 RPM 频控偏大吞吐批处理，不适合未提额的高并发在线交互

按官方美元价排序的成本阶梯：

  • 第一梯队（输入 ≤ $0.15、输出 ≤ $0.47）：GLM-5.3-Flash 限时五折（$0.075 / $0.25）、MiMo-V2.5（$0.14 / $0.28）、Qwen3.8-Flash（$0.15 / $0.47）；
  • 第二梯队（输入 $0.22–$0.44）：DeepSeek-V4-Flash，非峰时输入 $0.22 / 输出 $0.66，工作日峰时涨到 $0.44 / $1.32；
  • 第三梯队：Hy4 preview 托管渠道输入 $0.834 / 输出 $2.501，直接反映 770B 主干的推理硬件成本。

缓存计费机制不同，多轮成本结构也不同：Qwen 采用显式创建缓存计费（创建按输入计费，创建后命中才享受低价），而 GLM、MiMo、DeepSeek 都是免创建费的自动命中缓存。只比单价不看缓存机制，会在多轮 agent 循环里选错。

典型任务：1M 输入 + 10K 输出

假定单次超长文档分析、代码库审查或多模态长视频总结任务消耗 1M 未缓存输入 + 10K 输出 tokens，美元单价下的单次成本：

  • GLM-5.3-Flash（五折）：$0.075 + $0.0025 ≈ $0.078
  • MiMo-V2.5：$0.14 + $0.0028 ≈ $0.143
  • Qwen3.8-Flash：$0.15 + $0.0047 ≈ $0.155
  • DeepSeek-V4-Flash（非峰时）：$0.22 + $0.0066 ≈ $0.227（工作日峰时约 $0.453）
  • Hy4 preview：$0.834 + $0.025 ≈ $0.859

若同一批 1M tokens 文档需要进行 10 轮连续提问与多轮 Agent 循环（开启 context caching，假设输入缓存命中率 100%），总费用将呈现显著分化：

  • MiMo-V2.5：首轮未命中输入 $0.14 + 后续 9 轮命中（9 × $0.0028 ≈ $0.025）+ 10 轮输出（0.1M × $0.28 ≈ $0.028）≈ $0.193；
  • GLM-5.3-Flash（五折）：$0.075 + 9 × $0.015 ≈ $0.135 + $0.025 ≈ $0.235（恢复原价后约 $0.47）；
  • DeepSeek-V4-Flash（非峰时）：$0.22 + 9 × $0.007 ≈ $0.063 + 0.1M × $0.66 ≈ $0.066 ≈ $0.349（峰时约 $0.698）；
  • Hy4 preview：$0.834 + 9 × $0.042 ≈ $0.378 + 0.1M × $2.501 ≈ $0.25 ≈ $1.46。

Qwen3.8-Flash 因美元页未单列缓存命中价、且缓存为显式创建计费，未纳入多轮测算；按人民币口径（命中 ¥0.10、创建 ¥1.25）推算，其多轮成本会明显高于自动命中的 MiMo / DeepSeek。

怎么选：先用硬约束删候选

1. 数据能不能离开自己的环境

不能出域时，托管 API 的低单价没有意义。当前官方资料下，应优先验证 Hy4 preview（Apache-2.0）、GLM-5.3-Flash（MIT）、MiMo-V2.5（MIT）与 DeepSeek-V4-Flash（MIT） 的开源权重、许可证、量化版本和硬件预算。尤其 DeepSeek（284B 总/13B 激活）、MiMo（310B 总/15B 激活）与 GLM（320B 总/18B 激活）三者总参数集中在 300B 上下、激活参数仅 13B–18B，部署门槛显著低于 Hy4（770B 总/49B 激活）；DeepSeek 的权重以 fp8/fp4 量化分发，部署估算要按量化权重而非 bf16 全精度算。若进一步需要全模态（含音视频）则首选 MiMo-V2.5；Qwen 的生产版 API 虽是托管，但有 125B 架构预览版 Qwen3.8-Flash-Next 可作为技术参照。能用托管服务时，再把所在地区、数据政策、吞吐限制和故障切换纳入比较。

2. 输入不只是文本吗

图像输入可看 GLM-5.3-Flash、Qwen3.8-Flash 和 MiMo-V2.5；视频输入官方明确列出的有 GLM（API 文档 Input Modality 含 Video）、Qwen 与 MiMo；音频输入这里仅 MiMo 标明。DeepSeek 的视觉是单独 experimental ID，Hy4 当前卡为 text-only。不要用系列品牌的其他模型能力替代具体 ID 的能力。

3. 是高并发交互，还是大吞吐批处理

面向最终用户的 Web 应用、智能客服等脉冲型高并发场景，务必核实 RPM 和并发上限：Qwen 官方给到 30,000 RPM，DeepSeek 给到 2500 并发，具备较强承载力；而 MiMo 托管 API 默认的 100 RPM 极易在并发时触发频控，更适合长文档解析或后台批量流水线；若自行部署 Hy4、GLM-5.3-Flash、MiMo-V2.5 或 DeepSeek-V4-Flash，则取决于自主算力池的卡数与显存池规划。

4. 真的需要 1M 吗

1M 只说明允许送入多少 token，不说明模型能稳定利用多远的信息，也不说明首 token 延迟、KV cache 成本和工具循环表现。先用自己的长仓库、长合同或多轮 agent trace 做 needle retrieval、跨段引用和冲突信息测试，并记录有效正确率随长度如何衰减。

5. 比 token 单价，更要比完成一个任务的成本

统一准备 30–100 个真实任务，每款至少重复三次，记录：一次通过率、重试次数、输入/输出/推理 token、缓存命中、wall time 和人工修正分钟数。最后算 cost per accepted task。不同厂商的缓存机制（显式创建 vs 自动命中）、thinking token、峰谷和区域计价不一致，只把价目表排成一列通常会选错。

6. 版本必须锁到 ID 和日期

preview、public beta 和实验视觉版本都可能快速变化。保存 model ID、请求参数、地区 endpoint、测试日期和原始响应；生产上线前再核一次官方 changelog。本文的 asOfDate 是资料截点，不是这些模型长期不变的保证。

来源

除非段落明确写“第三方”，以上 benchmark、吞吐与价格都来自模型厂商自己的页面，尚不能代替同版本、同 harness、同预算下的独立复现。