Có một kiểu mệt mỏi vì phải quyết định rất đặc trưng, thường ập đến vào khoảng 11 giờ đêm, khi bạn đã uống ba ly cà phê và đang nhìn chằm chằm vào bảng chọn model của OpenCode.

Bạn có key Z.ai. Bạn có key MiniMax. Cả hai model đều tuyên bố cửa sổ ngữ cảnh một triệu token. Cả hai đều là trọng số mở. Cả hai đều gần như không tốn gì so với các model đóng tiên tiến. Cả hai đều có biểu đồ benchmark mà chúng đang dẫn đầu. Và bạn chỉ muốn biết nên đặt cái nào làm mặc định để quay lại làm việc.

Bài viết này là câu trả lời cho câu hỏi đó — bản dài, vì bản ngắn (“GLM-5.3-Flash, chắc vậy”) che giấu khoảng sáu lưu ý sẽ khiến bạn trả giá nếu bỏ qua.

Tôi đã thu thập chi tiết kiến trúc, benchmark của nhà cung cấp, các đánh giá trung lập, giá thực tế trên mỗi token kể cả cái bẫy phụ phí ngữ cảnh dài, dữ liệu đo lường sử dụng do chính OpenCode công bố, và các tệp cấu hình thực tế của cả hai. Sau đó tôi tính chi phí cho một tháng làm việc bình thường thay vì một kịch bản thông cáo báo chí.

Đây là kết quả.

TL;DR — Kết luận trong 30 giây

Hãy chạy GLM-5.3-Flash làm model mặc định trong OpenCode. Nó thông minh hơn trên gần như mọi benchmark tác nhân và lập trình quan trọng, giá mỗi token chỉ khoảng một nửa, giấy phép thực sự là MIT, và đó là nơi cộng đồng OpenCode đã thực sự chuyển sang.

Giữ MiniMax M3 làm làn đường tốc độ. Nó tạo ra tốc độ nhanh gấp ba và trả lời token đầu nhanh gấp đôi. Với các vòng lặp nhiều lượt, độ khó thấp — đổi tên tệp, dựng khung test, tạo tài liệu, chạy lint-rồi-sửa, refactor cơ học lớn — khoảng cách tốc độ đó cảm nhận rõ hơn khoảng cách trí thông minh.

Tóm gọn một cách thẳng thắn: GLM-5.3-Flash suy nghĩ tốt hơn, MiniMax M3 gõ nhanh hơn. Lập trình tác nhân chủ yếu là bài toán suy nghĩ, nên GLM thắng suất mặc định. Nhưng nếu bạn không chạy cả hai, bạn đang bỏ phí thông lượng, và OpenCode khiến việc chạy cả hai trở nên dễ dàng.

Bảng so sánh nhanh

	GLM-5.3-Flash	MiniMax M3
Nhà phát triển	Z.ai (Zhipu AI)	MiniMax
Phát hành	26 tháng 8 năm 2026	1 tháng 6 năm 2026
Tổng số tham số	320B	~428B
Tham số hoạt động mỗi token	18B	~23B
Kiến trúc	Attention tuyến tính KDA kết hợp NoPE sparse MLA, MoE (8/288 expert + 1 expert dùng chung)	Xương sống GQA + MiniMax Sparse Attention (MSA), sparse MoE
Cửa sổ ngữ cảnh	1M (1.048.576)	1M (512K là mức sàn đảm bảo)
Đầu ra tối đa	131.072 token	tối đa 262.144 token
Đầu vào đa phương thức	Văn bản, hình ảnh, video, tệp	Văn bản, hình ảnh, video
Giấy phép	MIT	MiniMax Community License
Giá đầu vào API	$0,15 / 1M ($0,03 đã cache)	$0,30 / 1M ($0,06 đã cache)
Giá đầu ra API	$0,50 / 1M	$1,20 / 1M
Phụ phí ngữ cảnh dài	Không công bố	2× khi đầu vào trên 512K
Tốc độ đầu ra	~48,6 tok/giây	~147,9 tok/giây
Thời gian đến token đầu	~1,51 giây	~0,99 giây
Terminal-Bench 2.1	84.3	66.0
Artificial Analysis Intelligence	57	45
Tỷ lệ token OpenCode	10.3%	1.12%
Chế độ suy nghĩ	Luôn bật (không tắt được)	Có thể cấu hình
Giá đăng ký khởi điểm	$18/tháng (GLM Coding Plan Lite)	$20/tháng (MiniMax Plus)

Giá là giá niêm yết chính thức của từng nhà cung cấp. Các cổng định tuyến như OpenRouter thường hiển thị giá thực tế thấp hơn vì chúng cân bằng tải qua các máy chủ bên thứ ba — phần dưới sẽ nói rõ hơn, vì điều đó quan trọng.

Vì sao đây là so sánh đáng quan tâm ngay lúc này

Bar chart comparing GLM-5.3-Flash and MiniMax M3 across llm-stats capability indexes for tool use, agents, reasoning, coding and vision — GLM-5.3-Flash dẫn đầu mọi chỉ số năng lực được chấm điểm độc lập. Khoảng cách về sử dụng công cụ — hạng 4 so với hạng 42 — là điều quan trọng nhất với một harness tác nhân.

Mười hai tháng trước, cuộc trò chuyện về lập trình trọng số mở là về việc liệu những model này có dùng được không. Câu hỏi đó đã ngã ngũ. Cuộc trò chuyện nửa cuối 2026 hẹp hơn và thú vị hơn: bạn trỏ harness tác nhân của mình vào model trọng số mở nào, và cái giá của việc chọn sai là gì?

OpenCode làm câu hỏi đó sắc hơn. Nó không phải cửa sổ chat — nó là tác nhân gốc terminal, biết lập kế hoạch, đọc tệp, sửa tệp, chạy lệnh, đọc đầu ra và lặp lại. Khối lượng công việc đó trừng phạt model theo cách mà một benchmark chat không bao giờ lộ ra. Một model viết được những hàm độc lập đẹp đẽ vẫn có thể vô dụng trong OpenCode nếu nó mất mạch sau hai mươi lần gọi công cụ, hoặc bịa ra một đường dẫn tệp, hoặc đốt 90.000 token để quyết định làm gì.

GLM-5.3-Flash và MiniMax M3 là hai model trọng số mở đáng tin nhất trong cuộc trò chuyện đó hiện nay. Chúng ra mắt cách nhau trong vòng ba tháng, cùng nhắm một công việc, giá cùng một bậc độ lớn, và đưa ra những đặt cược kỹ thuật gần như đối lập.

Phần cuối đó mới là chỗ thú vị.

GLM-5.3-Flash thực sự là gì

GLM-5.3-Flash có một trong những màn ra mắt tốt hơn trong năm, và đó không phải ngẫu nhiên.

Trước khi Z.ai gắn tên mình vào bất cứ thứ gì, model đã xuất hiện trên OpenRouter dưới mật danh “Ox Alpha.” Không ghi tên phòng lab, truy cập gần như miễn phí, không marketing. Nó lặng lẽ leo lên đầu bảng sử dụng OpenRouter và OpenCode rồi ở đó khoảng một tuần trong khi cộng đồng tranh luận ai đã tạo ra nó. Ngày 26 tháng 8 năm 2026, Z.ai xác nhận đó là của họ và mở mã nguồn trọng số theo MIT.

Side-by-side architecture diagram of GLM-5.3-Flash hybrid KDA and sparse MLA attention against MiniMax M3 sparse attention with KV block selection — Hai câu trả lời kỹ thuật khác nhau cho cùng một bài toán: làm cho ngữ cảnh một triệu token dùng được về mặt kinh tế, chứ không chỉ tồn tại trên lý thuyết.

Tung một model ra thế giới hoang dã và để nó tự giành uy tín trước khi nhận nó là một nước đi thực sự hay, và nó đã hiệu quả — model đã có dữ liệu sử dụng thật trước khi bất kỳ ai nhìn thấy biểu đồ benchmark.

Kiến trúc, nói theo cách dễ hiểu

GLM-5.3-Flash là model mixture-of-experts 320 tỷ tham số, chỉ kích hoạt khoảng 18 tỷ tham số mỗi token. Nó định tuyến mỗi token qua 8 trong 288 expert được định tuyến cộng một expert dùng chung — khoảng 2,8% trọng số expert hoạt động trong mỗi lượt lan truyền tiến. Đó là nguồn gốc kinh tế của “Flash”: kiến thức tầm biên, chi phí suy luận của model nhỏ.

Thiết kế attention mới là phần thực sự mới lạ. Thay vì một cơ chế attention đồng nhất, nó xen kẽ hai:

34 lớp linear-attention KDA. Các lớp này chạy trong thời gian tuyến tính so với độ dài chuỗi thay vì bậc hai. Chúng xử lý phụ thuộc cục bộ với chi phí thấp và giữ cho thông lượng không sụp khi ngữ cảnh của bạn lớn lên.
11 lớp NoPE sparse MLA. Multi-head latent attention kiểu DeepSeek không có positional embedding, phía trước là một “lightning indexer” chọn ra 2.048 token liên quan nhất trong toàn bộ ngữ cảnh. Đây là thứ giữ chất lượng truy hồi tầm xa.

Ngoài ra còn có một IndexPool bước nén tập hợp các vector key của indexer để cắt chi phí bộ nhớ ở độ dài ngữ cảnh cực lớn, và một đầu dự đoán đa token cho giải mã speculative — bản triển khai vLLM mặc định 5 token speculative mỗi bước giải mã, đáng giá 2–3× thông lượng ở kích thước lô nhỏ.

Hiệu ứng ròng so với GLM-5.3 đầy đủ: chi phí tính toán attention thấp hơn khoảng 3× và bộ nhớ đệm KV nhỏ hơn hơn 4×. Đó là lý do ngữ cảnh 1 triệu token thực sự dùng được chứ không chỉ tồn tại trên lý thuyết.

Vì sao điều này quan trọng với tác nhân lập trình

Cụ thể là ba điều.

Nó đa phương thức gốc, và đó không phải chiêu trò ở đây. Các model lập trình GLM trước đây có điểm mù với mọi thứ không đọc được dạng văn bản. Nếu tác nhân của bạn làm hỏng bố cục, model chỉ đọc văn bản không có cách nào biết. GLM-5.3-Flash nhận hình ảnh, video và tệp một cách gốc, nghĩa là gỡ lỗi bằng ảnh chụp màn hình, chuyển thiết kế thành mã và vòng kiểm tra “cái này trông có đúng không” đều nằm trong tầm tay.

Suy nghĩ là bắt buộc. Bạn không thể tắt nó. Bạn có thể đặt reasoning_effort để thấp, cao, hoặc tối đa (mặc định được tài liệu ghi là tối đa), nhưng model luôn suy nghĩ trước khi hành động. Với công việc tác nhân, đây là mặc định đúng — kiểu thất bại của các model lập trình rẻ là hành động tự tin mà không lập kế hoạch, và Z.ai đã bỏ lựa chọn đó.

Bước nhảy thế hệ là thật, và nó đến từ hậu huấn luyện. GLM-5.3 dùng lại cùng model nền với GLM-5.2. Mọi mức tăng đều đến từ mở rộng hậu huấn luyện — được cho là gấp mười lần số môi trường nhiệm vụ tầm xa, với các nhiệm vụ huấn luyện mô phỏng toàn bộ vòng đời phần mềm từ xác định lỗi qua kiểm thử đến triển khai, một số có quy mô bằng “khối lượng công việc của một kỹ sư cấp cao trong vài ngày.” Điểm DeepSWE v1.1 đi từ 46,2 lên 63,4. Terminal-Bench 3.0 đi từ 4,6 lên 28,3. Đó không phải là nhiễu tinh chỉnh.

MiniMax M3 thực sự là gì

MiniMax M3 ra mắt ngày 1 tháng 6 năm 2026 và đặt một cược khác: thay vì tối ưu cho suy luận đỉnh cao, hãy tối ưu cho kinh tế của những vòng lặp tác nhân kéo dài.

Nó là sparse MoE khoảng 428 tỷ tham số với khoảng 23 tỷ tham số hoạt động mỗi token, xây trên xương sống grouped-query attention với MSA (MiniMax Sparse Attention) ở trên.

Canh bạc MSA

Attention truyền thống là bậc hai: gấp đôi ngữ cảnh, gấp bốn tính toán. Đó là lý do hầu hết model “ngữ cảnh 1M” có 1M trên giấy và 150K trên thực tế — về kỹ thuật bạn có thể lấp đầy cửa sổ, nhưng bạn sẽ không muốn trả tiền cho nó.

MSA thay attention đầy đủ bằng chọn khối KV. Nó lọc trước ngữ cảnh xuống các khối liên quan và chỉ attention vào những khối đó, dùng key-value không nén để chất lượng truy hồi sống sót qua bước lọc. MiniMax báo cáo kết quả là khoảng 1/20 chi phí tính toán mỗi token của thế hệ trước ở ngữ cảnh 1M, với prefill nhanh hơn 9,7× và giải mã nhanh hơn 15,6× so với M2.

Đây là một mảnh kỹ thuật thực sự thông minh, và nó thể hiện ở những con số bạn cảm nhận được: đầu ra ~148 token/giây và thời gian đến token đầu dưới một giây. So với ~49 tok/giây và TTFT ~1,5 giây của GLM-5.3-Flash, M3 giống một lớp công cụ khác. Trong một vòng lặp tác nhân dài với hàng chục lượt, điều đó cộng dồn thành chênh lệch vài phút đồng hồ thực mỗi nhiệm vụ.

MiniMax còn quảng cáo M3 có thể “phiên lập trình tự hành 8+ giờ.” Hãy coi đó là tuyên bố, không phải thông số — nó chưa được kiểm chứng độc lập.

Chỗ M3 thực sự mạnh

Khía cạnh đa phương thức và tác nhân desktop của M3 bị đánh giá thấp. OSWorld-Verified 70,06% là điểm số nghiêm túc cho nhiệm vụ tác nhân desktop/GUI. MCP Atlas 74,2% cho thấy hành vi gọi công cụ của nó vững. GPQA Diamond 92,9% là sát tầm biên về suy luận khó. Và SWE-bench Verified 80,5% là một con số tiêu đề mạnh.

Nếu khối lượng công việc của bạn là “điều khiển trình duyệt, đọc video, vận hành UI, gọi mười hai công cụ MCP liên tiếp,” M3 không phải thỏa hiệp. Nó có lẽ là công cụ tốt hơn.

Các benchmark — và những gì chúng đang che giấu

Đây là chỗ tôi cần cẩn thận, vì cả hai nhà cung cấp đều công bố số liệu của riêng họ và hai model phần lớn được đánh giá trên những bộ benchmark khác nhau. Đó không phải ngẫu nhiên. Các phòng lab chọn những đánh giá mà họ thắng.

Chỗ chúng trùng nhau trực tiếp

Benchmark	GLM-5.3-Flash	MiniMax M3	Nó đo cái gì
Terminal-Bench 2.1	84.3	66.0	Nhiệm vụ tác nhân shell/terminal
Artificial Analysis Intelligence Index	57	45	Trí tuệ tổng hợp
Chỉ số suy luận (llm-stats)	50.3 (#13)	41.8 (#39)	Suy luận nhiều bước
Chỉ số lập trình (llm-stats)	37.8 (#22)	34.4 (#30)	Tạo mã
Chỉ số tác nhân (llm-stats)	39.1 (#9)	27.8 (#38)	Hoàn thành nhiệm vụ tác nhân
Chỉ số sử dụng công cụ (llm-stats)	34.2 (#4)	22.8 (#42)	Gọi hàm/công cụ
Chỉ số thị giác (llm-stats)	32.0 (#21)	25.6 (#37)	Hiểu đa phương thức

Terminal-Bench 2.1 là thứ đáng được cân nặng nhất với OpenCode, vì nó là đại diện công khai gần nhất cho những gì OpenCode thực sự làm: một tác nhân trong terminal, chạy lệnh, đọc đầu ra, lặp lại. Khoảng cách 18 điểm ở đó không phải sai số làm tròn.

Bảng xếp hạng Sử dụng công cụ là thứ khác tôi không muốn bỏ qua. GLM-5.3-Flash ở hạng 4 tổng thể so với M3 ở #42 là dòng liên quan đến quyết định nhất trong toàn bài viết này. Một harness tác nhân là cỗ máy gọi công cụ. Một model ở hạng 42 về sử dụng công cụ sẽ tạo ra nhiều lệnh gọi sai định dạng hơn, nhiều lần thử lại hơn, nhiều lượt lãng phí hơn — và mỗi lượt lãng phí tốn token và thời gian đồng hồ thực, thứ lặng lẽ xóa sạch lợi thế tốc độ của M3.

Chỗ GLM-5.3-Flash đứng một mình

Terminal-Bench 2.1: 84,3 — so với Claude Opus 4.8 ở 85,0. Trong vòng một điểm so với một model đóng tầm biên, với giá khoảng 1/30.
DeepSWE v1.1: 63,4 — tăng từ 46,2 của GLM-5.2.
AutomationBench v1.0.6: 48,8 — so với Opus 4.8 ở 41,0. Đây là mức dẫn trước lớn nhất của nó so với một model tầm biên.
Z.ai Code Bench v1.0: 29,0 — Opus 4.8 đạt 29,5.
GDPval-AA v2: 1.773 — điểm cao nhất trong các model được so sánh về năng lực công việc tri thức.
Toolathlon: 78,4 · OfficeQA Pro: 62,4 · CharXiv-R: 89,4% · MMVU: 80,5 · Chartography: 78,0

Chỗ MiniMax M3 đứng một mình

SWE-bench Verified: 80,5%
SWE-bench Pro: 59,0% — repo khó hơn, chạy với khung Claude Code
MCP Atlas: 74,2% · OSWorld-Verified: 70,06% · GPQA Diamond: 92,9%
KernelBench Hard: 28,8% · SWE-fficiency: 34,8%

Lưu ý bạn thực sự nên áp dụng

Số liệu ra mắt của cả hai phòng lab đều tự báo cáo. Bộ benchmark của MiniMax nói riêng chưa xuất hiện trên các bảng đánh giá trung lập vào thời điểm ra mắt, và chính các nhà phân tích của Z.ai ghi nhận rằng việc tự động chuyển hướng từ các phiên bản model cũ trên nền tảng Z.ai khiến so sánh A/B sạch thực sự khó.

Ở nơi các bên tổng hợp trung lập — Artificial Analysis và llm-stats — đã chạy đánh giá của riêng họ, GLM-5.3-Flash thắng mọi hạng mục. Đó là bằng chứng tôi đánh giá cao nhất, vì cả hai nhà cung cấp đều không tự chọn những benchmark đó.

Tín hiệu không ai nhắc tới: dữ liệu sử dụng của chính OpenCode

Đây là phần tôi thấy thuyết phục nhất, và cũng là phần mà hầu hết bài so sánh bỏ qua hoàn toàn.

OpenCode công bố dữ liệu đo từ xa về mức sử dụng của các mô hình chạy bên trong nó. Không phải tuyên bố của nhà cung cấp. Không phải bộ benchmark. Mà là những lập trình viên thật, làm việc thật, chọn thứ họ tiếp tục dùng.

Chỉ số	GLM-5.3-Flash	MiniMax M3
Người dùng duy nhất	566K	436K
Tỷ lệ token được xử lý	10.3%	1.12%
Token trong hai tháng	46T (+100%)	5T (−51%)
Người dùng quay lại ở tuần đầu	đang chờ	66% (32K tuần người dùng)

Đọc lại hai con số tỷ lệ token đó. Số người dùng khá tương đương — GLM-5.3-Flash có nhiều hơn khoảng 30% số người đã thử — nhưng lượng token xử lý nhiều hơn chín lần.

Khoảng cách đó không phải về việc ai đã thử cái gì. Mà là ai gắn bó với cái gì cho công việc thật. Người ta mở một phiên với M3, còn người ta sống trong các phiên với GLM-5.3-Flash.

Đường xu hướng nói điều tương tự còn rõ hơn: GLM-5.3-Flash tăng gấp đôi khối lượng token trong hai tháng, còn M3 mất một nửa.

Hai lưu ý công bằng. Thứ nhất, GLM-5.3-Flash mới hơn ba tháng, và mô hình mới thường có hiệu ứng tò mò; đường cong của nó sẽ phẳng lại. Thứ hai, tỷ lệ giữ chân 66% ở tuần đầu của M3 là một con số lành mạnh — những người chọn nó không bỏ nó, chỉ là ít người hơn và họ dùng nó nhẹ nhàng hơn. Và sự sụt giảm của M3 một phần do các thế hệ kế nhiệm của chính nó và nhịp phát hành mô hình trọng số mở Trung Quốc rộng hơn, chứ không phải bị từ chối hoàn toàn.

Nhưng nếu bạn đang hỏi “những người dùng OpenCode dày dạn thực sự chạy gì cả ngày,” thì dữ liệu trả lời không mập mờ.

Thiết lập MiniMax M3 trong OpenCode

Ghi nhận đúng chỗ: MiniMax có cách thiết lập dễ hơn, vì OpenCode có sẵn nhà cung cấp MiniMax tích hợp. Không cần tệp cấu hình, không JSON, không base URL.

bash

# 1. Install OpenCode (skip if you already have it)
curl -fsSL https://opencode.ai/install | bash
# or: npm i -g opencode-ai

# 2. Authenticate
opencode auth login
# Select: "MiniMax Token Plan (minimax.io)"
# Paste your Subscription Key (starts sk-cp-...)

# 3. Go
opencode

Sau đó /models trong phiên và chọn MiniMax-M3.

Cái bẫy loại khóa

Cái này bắt gần như tất cả mọi người. Khóa MiniMax Token Plan (đăng ký) và khóa API trả theo mức dùng không thể hoán đổi cho nhau. Chúng định tuyến khác nhau và tính phí khác nhau. Nếu bạn xác thực bằng khóa PAYG với nhà cung cấp Token Plan, bạn sẽ gặp lỗi xác thực hoặc lỗi số dư trông như dịch vụ hỏng, nhưng thực ra là do không khớp.

Khóa đăng ký bắt đầu bằng sk-cp- và cần một chỗ ngồi được gán hoặc tín dụng. Lấy khóa của bạn từ trang Token Plan trong trung tâm người dùng MiniMax, không phải trang khóa API chung.

Nếu bạn cần khối nhà cung cấp thủ công

Nếu bản OpenCode của bạn có trước khi có nhà cung cấp tích hợp, hoặc bạn muốn trỏ rõ vào khóa PAYG:

json

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "minimax": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "MiniMax",
      "options": {
        "baseURL": "https://api.minimax.io/v1",
        "apiKey": "{env:MINIMAX_API_KEY}"
      },
      "models": {
        "MiniMax-M3": {
          "name": "MiniMax M3",
          "limit": {
            "context": 1000000,
            "output": 262144
          }
        }
      }
    }
  }
}

Chú ý tới limit.context. Đó không phải để trang trí — xem phần tiếp theo.

Cái bẫy cửa sổ ngữ cảnh của MiniMax (đọc trước khi cam kết)

Nếu bạn định tuyến MiniMax M3 qua một harness tương thích Anthropic — Claude Code, hoặc một thiết lập OpenCode dùng @ai-sdk/anthropic với https://api.minimax.io/anthropic — có một lỗi đã được ghi nhận và vẫn còn mở mà bạn cần biết.

Việc /anthropic báo cửa sổ ngữ cảnh 200K thay vì 1M thực tế của M3.

Lớp tương thích dường như kế thừa metadata của Claude Sonnet thay vì báo cáo thông số thật của M3. Các tác nhân lập trình tin metadata đó và định cỡ ngân sách ngữ cảnh theo đó — nghĩa là tự động nén sẽ kích hoạt ở khoảng 167K token dù mô hình có thể chứa thoải mái gấp năm lần con số đó.

Đây là một kiểu lỗi thực sự khó chịu, vì nó vô hình. Tác nhân của bạn không báo lỗi. Nó chỉ lặng lẽ bắt đầu quên mọi thứ sớm hơn nhiều so với mức nên có, và bạn mất cả buổi chiều tự hỏi tại sao một mô hình có cửa sổ triệu token lại cứ mất mạch chỉ sau hai tệp trong một lần tái cấu trúc. Vấn đề được báo cáo ngay ngày M3 ra mắt và vẫn còn mở.

Cách xử lý vòng tránh

Trong OpenCode: dùng nhà cung cấp MiniMax tích hợp (tuyến tương thích OpenAI) thay vì tuyến Anthropic, và đặt limit.context một cách rõ ràng nếu bạn định nghĩa khối nhà cung cấp thủ công.

Trong Claude Code, ghi đè trực tiếp cửa sổ nén:

json

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://api.minimax.io/anthropic",
    "ANTHROPIC_AUTH_TOKEN": "<YOUR_MINIMAX_SUBSCRIPTION_KEY>",
    "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "1000000",
    "ANTHROPIC_MODEL": "MiniMax-M3[1m]",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "MiniMax-M3[1m]",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "MiniMax-M3[1m]",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "MiniMax-M3[1m]"
  }
}

Hai chi tiết quan trọng: hậu tố [1m] trên mã mô hình yêu cầu biến thể ngữ cảnh đầy đủ, và các biến môi trường shell ghi đè settings.json trong hành vi được ghi nhận của MiniMax. Nếu bạn có một ANTHROPIC_BASE_URL cũ được export trong tệp .zshrc, nó âm thầm thắng và bạn sẽ loay hoay mãi.

Ngoài ra — đừng đặt thông tin xác thực của nhà cung cấp thành biến export toàn cục. ANTHROPIC_BASE_URL là một biến toàn cục; export nó vĩnh viễn sẽ âm thầm chuyển hướng mọi công cụ nói tiếng Anthropic trên máy bạn sang MiniMax. Hãy giới hạn nó theo dự án hoặc theo lần chạy.

Thiết lập GLM-5.3-Flash trong OpenCode

OpenCode cũng có sẵn nhà cung cấp Z.AI tích hợp, nên việc này gần như dễ tương tự — chỉ có một khúc rẽ.

bash

# 1. Get a key from Z.ai — either a standard API key or a GLM Coding Plan key
# 2. Authenticate
opencode auth login
# Select "Z.AI" for a standard API key
# Select "Z.AI Coding Plan" for a Coding Plan subscription key

# 3. Start OpenCode, then pick your model
opencode
/models   # select GLM-5.3-Flash

Chọn nhà cung cấp khớp với loại khóa. Khóa API tiêu chuẩn và khóa Coding Plan dùng tuyến khác nhau và tính phí khác nhau. Chọn sai sẽ tạo ra lỗi xác thực hoặc lỗi số dư trông như tài khoản bị hỏng.

Các điểm cuối của Coding Plan

Nếu bạn tự nối mọi thứ hoặc cấu hình công cụ khác, gói dành cho nhà phát triển của Z.ai cung cấp ba điểm cuối:

Giao thức	URL gốc
Anthropic Messages	`https://api.z.ai/api/anthropic`
OpenAI Chat Completions	`https://api.z.ai/api/coding/paas/v4`
OpenAI Responses	`https://api.z.ai/api/v1`

Một hạn chế đáng lưu ý: GLM Coding Plan bị giới hạn theo hợp đồng cho các công cụ được hỗ trợ chính thức — Claude Code, OpenCode, Cline, Roo Code, Kilo Code, Cursor, Goose, Crush, OpenClaw và một vài công cụ khác. Nếu bạn định dùng khóa Coding Plan với harness tự phát triển của mình, hãy đọc điều khoản trước. Việc đó thì dùng API tiêu chuẩn.

Khối nhà cung cấp thủ công

json

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "zai": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "Z.AI",
      "options": {
        "baseURL": "https://api.z.ai/api/coding/paas/v4",
        "apiKey": "{env:ZAI_API_KEY}"
      },
      "models": {
        "glm-5.3-flash": {
          "name": "GLM-5.3-Flash",
          "limit": {
            "context": 1048576,
            "output": 131072
          },
          "options": {
            "reasoning_effort": "high",
            "temperature": 1,
            "top_p": 0.95
          }
        }
      }
    }
  },
  "model": "zai/glm-5.3-flash"
}

Cài đặt lấy mẫu được khuyến nghị

Các khuyến nghị được ghi nhận của Z.ai cho GLM-5.3-Flash, tôi sẽ không lệch khỏi đó nếu không có lý do:

temperature: 1
top_p: 0.95
reasoning_effort: max (mặc định được ghi nhận)
thinking.clear_thinking: false
stream: true và tool_stream: true cho các yêu cầu streaming

reasoning_effort là nút chính để cân chất lượng và độ trễ. thấp cho công việc nhạy cảm độ trễ, cao cho việc lập trình lớn, tối đa cho những vấn đề khó nhất. Vì GLM-5.3-Flash vốn đã chậm hơn trong hai mô hình với ~49 tok/giây, cao là một cài đặt hằng ngày hợp lý và tối đa là thứ bạn dùng khi một nhiệm vụ thực sự đã đánh bại cao.

OpenCode configuration diagram routing the plan and build agents to GLM-5.3-Flash and the grunt agent and small_model to MiniMax M3 — Thiết lập được khuyến nghị: trí tuệ ở nơi nó thay đổi kết quả, thông lượng ở nơi nó không.

Đây là chỗ cách đặt vấn đề “đối đầu” không còn đứng vững, vì OpenCode không bắt bạn chọn một. Cấu hình của nó hỗ trợ mô hình riêng cho từng tác nhân, nghĩa là bạn có thể đặt mô hình thông minh cho việc khó và mô hình nhanh cho việc phụ.

json

{
  "$schema": "https://opencode.ai/config.json",
  "model": "zai/glm-5.3-flash",
  "small_model": "minimax/MiniMax-M3",
  "agent": {
    "build": {
      "model": "zai/glm-5.3-flash",
      "options": { "reasoning_effort": "high" }
    },
    "plan": {
      "model": "zai/glm-5.3-flash",
      "options": { "reasoning_effort": "max" }
    },
    "grunt": {
      "description": "Mechanical, high-volume edits: renames, test scaffolding, docstrings, lint fixes",
      "model": "minimax/MiniMax-M3"
    }
  }
}

Logic là:

Lập kế hoạch chạy reasoning_effort: max trên GLM-5.3-Flash. Lập kế hoạch là nơi một quyết định tồi khiến bạn tốn nhiều token nhất về sau. Hãy mua khả năng suy nghĩ tốt nhất bạn có thể chi trả ở bước này.
Xây dựng dùng cao. Cân bằng tốt giữa chất lượng và độ trễ cho phần lớn công việc.
Việc máy móc giao cho M3. Đổi tên một ký hiệu trên 40 tệp không cần một mô hình xếp hạng #4 về dùng công cụ. Nó cần thông lượng, và M3 nhanh gấp ba.
small_model xử lý việc nội bộ của OpenCode — tạo tiêu đề, tóm tắt, các lệnh tiện ích nhỏ. Trỏ nó vào mô hình nhanh và rẻ.

Bạn không chọn người thắng. Bạn đang lắp một hộp số hai cấp.

Bài toán chi phí, với con số thật

Benchmark thì trừu tượng. Hóa đơn thì không. Hãy để tôi mô phỏng một nhiệm vụ tác nhân thực tế và chạy nó qua cả hai bảng giá.

Kịch bản

Một tính năng cỡ vừa, làm bằng tác nhân trong OpenCode: khoảng 60 lượt gọi công cụ, trung bình 45K token đầu vào mỗi lượt khi ngữ cảnh tích lũy, và 2K token đầu ra mỗi lượt.

Tổng đầu vào: 2,7M token
Tổng đầu ra: 120K token
Tỷ lệ trúng bộ đệm prompt giả định: 80% (2,16M đã lưu đệm, 540K mới)

GLM-5.3-Flash

Thành phần	Token	Mức giá	Chi phí
Đầu vào mới	540K	$0.15/M	$0.081
Đầu vào đã lưu đệm	2,16M	$0.03/M	$0.065
Đầu ra	120K	$0.50/M	$0.060
Tổng			≈ $0,21

MiniMax M3 (bậc tiêu chuẩn, ≤512K đầu vào)

Thành phần	Token	Mức giá	Chi phí
Đầu vào mới	540K	$0.30/M	$0.162
Đầu vào đã lưu đệm	2,16M	$0.06/M	$0.130
Đầu ra	120K	$1.20/M	$0.144
Tổng			≈ $0.44

GLM-5.3-Flash rẻ hơn khoảng 2,1 lần cho cùng một công việc. Điều đó khớp với ước tính độc lập là rẻ hơn khoảng 2,2 lần trên cơ sở pha trộn 3:1 đầu vào/đầu ra.

Nhân lên một tháng

Bốn tác vụ như vậy mỗi ngày, hai mươi ngày làm việc — 80 lượt chạy tác nhân:

GLM-5.3-Flash: ≈ $16,50/tháng
MiniMax M3: ≈ $35/tháng

Phụ phí ngữ cảnh dài không ai nhắc

Đây là cái bẫy. Giá của MiniMax M3 được chia bậc theo độ dài đầu vào, và khi bất kỳ yêu cầu đơn lẻ nào vượt 512K token đầu vào, đơn giá tăng gấp đôi:

Bậc	Đầu vào	Đầu ra	Đọc bộ đệm
≤512K đầu vào	$0.30/M	$1.20/M	$0.06/M
>512K đầu vào	$0.60/M	$2.40/M	$0.12/M
Bậc ưu tiên	1,5× tiêu chuẩn	1,5× tiêu chuẩn	1,5× tiêu chuẩn

Vậy là con số hào nhoáng “ngữ cảnh 1M” đi kèm một chú thích: nửa sau của cửa sổ đó tốn gấp đôi. Nếu quy trình làm việc của bạn thực sự liên quan đến việc nạp những kho mã khổng lồ vào ngữ cảnh, M3 chuyển từ đắt hơn GLM-5.3-Flash 2 lần thành khoảng đắt hơn 4 lần đúng lúc bạn cần ngữ cảnh nhất.

Z.ai không công bố phụ phí tương đương cho GLM-5.3-Flash. Một triệu token của nó có giá phẳng.

Đăng ký so với trả theo mức dùng

	GLM Coding Plan	MiniMax Token Plan
Nhập môn	Lite $18/tháng (~80 prompt/5 giờ, ~400/tuần, 100 lệnh MCP/tháng)	Plus $20/tháng (~3–4 tác nhân)
Trung cấp	Pro $72/tháng (~400 prompt/5 giờ, ~2.000/tuần, 1.000 lệnh MCP)	Max $50/tháng (~4–5 tác nhân, 3 video/ngày)
Cao cấp	Max $160/tháng (~1.600 prompt/5 giờ, ~8.000/tuần, 4.000 lệnh MCP)	Ultra $120/tháng (~6–7 tác nhân, 5 video/ngày)
Giảm giá theo năm	giảm ~30%	Không công bố
Mô hình bao gồm	GLM-5.3, GLM-5.3-Flash, GLM-5.2, GLM-5-Turbo	Dòng mô hình MiniMax

Hai chi tiết làm thay đổi bài toán.

GLM-5.3-Flash được hạn mức gấp 3 lần trong Coding Plan so với GLM-5.3, và dùng ngoài giờ cao điểm chỉ tốn 50% điểm tiêu chuẩn. Chọn Flash thay vì GLM-5.3 đầy đủ thực chất nhân ba giá trị đăng ký của bạn, và dời các lần chạy nặng ra ngoài khung giờ cao điểm 14:00–18:00 UTC+8 còn kéo dài thêm.

Hạn mức MiniMax không được cộng dồn. Hạn mức chưa dùng hết sẽ hết hạn vào cuối mỗi chu kỳ thanh toán, và chính MiniMax khuyến nghị trả theo mức dùng cho triển khai production thay vì Token Plan.

Với mức dùng tôi mô phỏng (~$16–35/tháng tiền token), trả theo mức dùng và các gói đăng ký nhập môn gần như hòa nhau. Khi vượt khoảng 6–8 giờ làm việc tác nhân mỗi ngày, các gói đăng ký thắng rõ rệt — GLM Coding Plan Lite $18 phủ ~400 prompt mỗi tuần thực sự khó đánh bại.

Một lưu ý về giá qua gateway

Bạn sẽ thấy những con số rất khác nhau tùy nơi xem. OpenRouter niêm yết GLM-5.3-Flash khoảng $0.05/M đầu vào và $0.17/M đầu ra; dữ liệu mô hình của chính OpenCode cho thấy $0.07/M và $0.25/M. Cả hai đều thấp hơn giá chính thức của Z.ai là $0.15/$0.50.

Đó không phải mâu thuẫn. Các gateway định tuyến cân bằng tải qua hơn 20 máy chủ bên thứ ba — Baseten, DeepInfra, Novita, Cloudflare và những nơi khác — và những máy chủ đó cạnh tranh về giá. Bạn hoàn toàn có thể mua GLM-5.3-Flash rẻ hơn giá niêm yết qua một gateway. Bạn đánh đổi tính ổn định: thông lượng trên OpenRouter dao động từ 8 đến 111 token/giây tùy nhà cung cấp bạn gặp, và với một vòng lặp tác nhân dài, đó là khác biệt giữa nhiệm vụ hai phút và nhiệm vụ mười lăm phút.

Với công việc tác nhân, tôi thà trả giá niêm yết cho bên cung cấp gốc để có độ trễ ổn định. Dùng gateway cho chạy hàng loạt và thử nghiệm.

Cấp phép và tự lưu trữ: phần doanh nghiệp châu Âu nên đọc hai lần

Nếu bạn đang điều hành doanh nghiệp trong EU, giấy phép không phải chú thích nhỏ. Đó là câu hỏi mua sắm.

GLM-5.3-Flash: MIT

Trọng số có trên Hugging Face tại zai-org/GLM-5.3-Flash theo giấy phép MIT. Đó là mức thoáng gần như tối đa của cấp phép phần mềm: dùng thương mại, sửa, phân phối lại, nhúng vào sản phẩm, không ngưỡng doanh thu, không phụ lục sử dụng được chấp nhận, không hạn chế lĩnh vực sử dụng. Giữ nguyên thông báo bản quyền là xong.

Với doanh nghiệp Đức hoặc EU, MIT cộng với trọng số có thể tự lưu trữ nghĩa là bạn đưa được toàn bộ vào hạ tầng của mình và biến nơi lưu trữ dữ liệu thành chuyện không còn đáng bàn — không cần đánh giá chuyển dữ liệu xuyên biên giới, không cần thỏa thuận xử lý dữ liệu với nhà cung cấp Trung Quốc, không phụ thuộc vào thời gian hoạt động của người khác’s.

MiniMax M3: MiniMax Community License

Trọng số của M3 cũng mở trên Hugging Face, nhưng theo MiniMax Community License — một giấy phép tùy chỉnh, không phải giấy phép thoáng tiêu chuẩn. Phản ứng của cộng đồng nhìn chung tích cực (nó thoáng hơn giấy phép mà M2.7 phát hành), và nhiều nguồn mô tả việc dùng thương mại trên thực tế là không hạn chế.

Nhưng “được mô tả là không hạn chế” và “được luật sư của bạn rà soát” là hai chuyện khác nhau. Nếu MiniMax M3 đi vào một sản phẩm thương mại, hãy đọc trực tiếp văn bản giấy phép trước khi phát hành. Giấy phép tùy chỉnh tạo thêm chi phí rà soát mà MIT hoàn toàn không có.

Kiểm tra thực tế về tự lưu trữ

Cả hai mô hình đều có trọng số mở. Không mô hình nào chạy trên laptop của bạn.

GLM-5.3-Flash:

Checkpoint FP8: 331 GB trên 62 shard (~306 GiB trọng số trước khi tính KV cache)
Biến thể BF16: 640 GB trên 120 shard
FP8 với TP=4 trên một GB200: ~386 GB VRAM
BF16 với TP=8: ~772 GB VRAM
Yêu cầu thế hệ Hopper trở lên — H100/H200/B200/B300/GB200/GB300, hoặc AMD MI300X/MI325X/MI355X
Bộ công cụ: vLLM 0.29.0+, FlashInfer 0.6.17+; cả SGLang, TokenSpeed, KTransformers, Transformers, Unsloth

MiniMax M3:

Khoảng 214 GB ở lượng tử hóa 4-bit — nhỏ hơn, nhưng vẫn đúng chuẩn máy chủ

Hạ tầng tự vận hành của Z.ai báo cáo ~48,7 token đầu ra/giây với TTFT 1,52 giây, và ở TP=4 trên GB200 là một pool KV 14,92M token hỗ trợ đồng thời tối đa 113,81× ở ngữ cảnh 128K. Đó là hình hài phần cứng cần có để phục vụ mô hình này cho tử tế.

Dịch ra thực tế: tự lưu trữ một trong hai mô hình nghĩa là thuê hoặc mua nhiều GPU trung tâm dữ liệu. Với hầu hết đội ngũ — kể cả phần lớn khách hàng của tôi — câu trả lời đúng là API, còn trọng số mở đóng vai trò bảo hiểm. Nếu nhà cung cấp tăng giá, làm mô hình kém đi hoặc biến mất, bạn vẫn có đường ra. Quyền lựa chọn đó có giá trị thật, kể cả khi bạn không bao giờ dùng đến.

Mỗi mô hình thực sự gãy ở đâu

Không có phần thổi phồng. Đây là những điểm yếu thật.

Điểm yếu của GLM-5.3-Flash

Nó chậm. ~48,6 token/giây đầu ra và ~1,51 giây đến token đầu tiên. So với ~148 token/giây và ~0,99 giây của M3, bạn cảm nhận được từng lần sinh dài. Trong một vòng tác nhân 40 lượt, cộng lại thành những phút thật sự ngồi chơi ngón tay.

Bạn không thể tắt suy nghĩ. Suy luận bắt buộc là đúng cho việc tác nhân khó và lãng phí cho những lệnh tầm thường. Mỗi yêu cầu “thêm docstring cho hàm này” đều phải trả thuế suy luận. Đây chính là lý do bạn muốn gắn M3 hoặc một mô hình nhỏ hơn vào cho việc lặt vặt.

Token suy luận là token bị tính tiền. Với reasoning_effort: max là mặc định được tài liệu ghi, chi phí thực tế mỗi tác vụ cao hơn ước tính ngây thơ chỉ dựa trên số input/output. Đặt nó thành cao trừ khi tác vụ xứng đáng tối đa.

Nó còn mới. Phát hành ngày 26 tháng 8 năm 2026. Các lỗi tích hợp đuôi dài trong hệ sinh thái harness chưa lộ hết, và hiểu biết cộng đồng vẫn còn mỏng. Nếu bạn gặp một kiểu lỗi hiếm, có thể bạn là người đầu tiên báo.

Đừng nhầm nó với GLM-5.3. Chúng là hai mô hình khác nhau với năng lực khác nhau — đáng chú ý là GLM-5.3 bản không Flash chỉ nhận văn bản. Gửi ảnh tới sai model ID là lỗi phổ biến thời gian đầu.

Điểm yếu của MiniMax M3

Xếp hạng sử dụng công cụ mới là vấn đề thật. Hạng 42 trên bảng chỉ số sử dụng công cụ của llm-stats, so với GLM-5.3-Flash ở hạng 4. Với một harness tác nhân, đó là năng lực chịu lực. Hãy chuẩn bị cho nhiều lệnh gọi công cụ sai định dạng hơn, nhiều lần thử lại hơn, nhiều lượt bị đốt để khắc phục — điều đó ăn mất lợi thế tốc độ mà bạn đã trả tiền.

Lỗi báo cáo ngữ cảnh chưa được giải quyết. Mở từ ngày phát hành. Có thể lách được, nhưng là vết giấy cứa bạn phải mang theo.

Kiểm chứng độc lập còn mỏng. Các benchmark ra mắt của MiniMax chưa xuất hiện trên các bảng trung lập, và ở nơi các tổng hợp trung lập đã đo, M3 nằm giữa bảng chứ không gần đỉnh. Khoảng cách giữa cách nhà cung cấp trình bày và đo lường của bên thứ ba ở đây rộng hơn so với Z.ai.

Giá ngữ cảnh dài tăng gấp đôi trên 512K. Tính năng được quảng cáo hàng đầu đi kèm phụ phí.

Giấy phép tùy chỉnh. Cần thêm rà soát pháp lý trước khi triển khai thương mại.

Mức sử dụng đang giảm. Lượng token trên OpenCode giảm 51% trong hai tháng là tín hiệu về đà phát triển của hệ sinh thái, bất kể nguyên nhân. Ít người dùng hơn nghĩa là ít người gặp và sửa cùng những lỗi bạn sẽ gặp.

Khung quyết định: năm tình huống

1. “Tôi muốn một mô hình, đặt rồi quên đi.”

GLM-5.3-Flash. Tốt hơn trên mọi benchmark trung lập, giá bằng một nửa, giấy phép MIT, và là nơi cộng đồng đã chọn. Đặt reasoning_effort: high, thêm GLM Coding Plan Lite giá $18/tháng nếu bạn code hằng ngày, rồi đi tiếp với cuộc đời mình.

2. “Tôi chạy những đợt tái cấu trúc cơ học khổng lồ trên các codebase rất lớn.”

MiniMax M3 cho các lượt cơ học, GLM-5.3-Flash cho phần lập kế hoạch. MSA khiến M3 thật sự kinh tế ở ngữ cảnh dài, và tốc độ sinh gấp 3 lần được cảm nhận rõ nhất ở các chỉnh sửa số lượng lớn, độ khó thấp. Chỉ cần để ý bậc giá 512K, và để GLM lập kế hoạch tái cấu trúc trước khi M3 thực thi.

3. “Công việc của tôi mang tính thị giác — UI, chuyển thiết kế thành code, gỡ lỗi qua ảnh chụp màn hình.”

GLM-5.3-Flash trước, M3 là lựa chọn thứ hai mạnh. Khả năng đa phương thức gốc của GLM được thiết kế đúng cho việc này và nó xếp trên M3 ở chỉ số thị giác (32,0 so với 25,6). Nhưng điểm OSWorld-Verified 70,06% của M3 khiến nó là lựa chọn tốt hơn riêng cho tác nhân desktop và GUI công việc — điều khiển ứng dụng thật thay vì đọc ảnh chụp màn hình.

4. “Tôi cần tự lưu trữ vì nơi lưu trữ dữ liệu hoặc tuân thủ.”

GLM-5.3-Flash, không phải bàn cãi. MIT so với giấy phép cộng đồng tùy chỉnh không phải chuyện sát nút khi có đội pháp lý tham gia, và tự lưu trữ theo MIT loại bỏ toàn bộ câu hỏi chuyển dữ liệu xuyên biên giới. Hãy tính ngân sách cho phần cứng cỡ Hopper hoặc một nhà cung cấp GPU châu Âu.

5. “Tôi đang điều hành một đội nhỏ với ngân sách eo hẹp.”

GLM Coding Plan Lite giá $18/tháng, mặc định dùng GLM-5.3-Flash. Hệ số hạn mức 3× cho Flash trong gói khiến nó thành lựa chọn đáng đồng euro nhất hiện nay. Hãy xếp các đợt chạy hàng loạt nặng ra ngoài khung giờ cao điểm 14:00–18:00 UTC+8 để được giảm 50% điểm. Thêm MiniMax sau nếu thông lượng trở thành nút thắt.

Những gì tôi sẽ theo dõi trong quý tới

Các lần chạy Terminal-Bench và SWE-bench Pro độc lập cho GLM-5.3-Flash. Con số của nhà cung cấp rất tốt. Các tổng hợp trung lập nhìn chung xác nhận. Nhưng tuyên bố cụ thể “trong vòng một điểm so với Claude Opus 4.8 trên Terminal-Bench 2.1” cần bên thứ ba lặp lại trước khi ai đó xây dựng bài toán kinh doanh trên đó.

Liệu lỗi ngữ cảnh của MiniMax /anthropic có được sửa hay không. Nó nhỏ, đã được ghi nhận, và mở từ tháng Sáu. Việc nó được đóng nhanh đến đâu cho bạn biết điều gì đó về tốc độ bảo trì.

Đường cong giữ chân của GLM-5.3-Flash trên OpenCode. Con số thị phần token rất ngoạn mục nhưng còn non. Điểm dữ liệu đáng quan tâm là liệu nó có giữ được trên 10% khi hết mới lạ. Nếu có, đây không phải một khoảnh khắc — mà là mặc định mới.

Nhịp phát hành từ các lab trọng số mở Trung Quốc. Qwen3.8-Flash-Next ra mắt gần như cùng lúc với GLM-5.3-Flash. Kimi K3 đã vượt GLM-5.3 trên DeepSWE (67,5 so với 66,9) và Toolathlon (76,5 so với 73,0). Khoảng cách giữa “mô hình code trọng số mở tốt nhất hiện tại” và “thứ hai” giờ tính bằng tuần. Hãy viết cấu hình sao cho đổi chuỗi mô hình chỉ là sửa một dòng, vì bạn sẽ còn đổi lần nữa.

Liệu Z.ai có công bố giá API riêng, đồng giá cho GLM-5.3 đầy đủ hay không. Tại thời điểm viết bài, dòng giá theo token cho GLM-5.3 vẫn thiếu trên trang giá chính thức trong khi GLM-5.3-Flash đã có giá đầy đủ. Đó là sự bất đối xứng kỳ lạ và đáng theo dõi.

Câu hỏi thường gặp

GLM-5.3-Flash có tốt hơn MiniMax M3 để viết code không? Theo bằng chứng hiện có, có. GLM-5.3-Flash dẫn đầu ở Terminal-Bench 2.1 (84,3 so với 66,0), ở Chỉ số Thông minh của Artificial Analysis (57 so với 45), và trên mọi chỉ số năng lực của llm-stats gồm code, tác nhân và sử dụng công cụ. Nó cũng rẻ hơn khoảng một nửa tính theo token. MiniMax M3 nhanh hơn — tốc độ đầu ra khoảng 3× — nhưng code tác nhân thưởng cho chất lượng suy luận nhiều hơn tốc độ sinh thô.

Cái nào rẻ hơn, GLM-5.3-Flash hay MiniMax M3? GLM-5.3-Flash, khoảng 2 lần. Giá chính thức là $0,15/M input và $0,50/M output cho GLM-5.3-Flash, so với $0,30/M và $1,20/M cho MiniMax M3. Khoảng cách nới ra khoảng 4 lần với các yêu cầu trên 512K token input, nơi MiniMax tăng gấp đôi giá còn Z.ai không công bố phụ phí.

Tôi có thể chạy GLM-5.3-Flash cục bộ không? Chỉ trên phần cứng cấp máy chủ. Checkpoint FP8 là 331 GB và cần khoảng 386 GB VRAM ở TP=4, trên GPU thế hệ Hopper trở lên. Đây không phải mô hình cho phần cứng tiêu dùng. Giấy phép MIT khiến việc tự lưu trữ đơn giản về mặt pháp lý; phần cứng khiến nó đắt.

OpenCode có hỗ trợ gốc cả hai mô hình không? Có. OpenCode có sẵn nhà cung cấp tích hợp cho cả Z.AI và MiniMax. Chạy opencode auth login, chọn nhà cung cấp khớp với loại khóa của bạn, rồi /models để chọn mô hình. Không cần opencode.json chỉnh sửa gì cho một thiết lập tiêu chuẩn.

Tại sao MiniMax M3 chỉ hiển thị ngữ cảnh 200K trong Claude Code? Một lỗi đã biết và vẫn còn mở ở endpoint tương thích Anthropic của MiniMax: nó báo metadata của Claude Sonnet thay vì thông số thật của M3, kích hoạt tự động nén ở khoảng 167K token. Đặt CLAUDE_CODE_AUTO_COMPACT_WINDOW để 1000000 trong cài đặt của bạn, hoặc dùng tuyến tương thích OpenAI thay thế.

GLM-5.3 và GLM-5.3-Flash khác nhau thế nào? Hai mô hình khác nhau. GLM-5.3 ra mắt ngày 14 tháng 8 năm 2026 và chỉ nhận văn bản, dùng chung mô hình nền với GLM-5.2. GLM-5.3-Flash ra mắt ngày 26 tháng 8, đa phương thức gốc, dùng kiến trúc MoE attention lai 320B/18B, giấy phép MIT với trọng số mở, và có giá khoảng một phần mười. Trong GLM Coding Plan, Flash còn được hạn mức gấp 3.

MiniMax M3 có thật sự là mã nguồn mở không? Trọng số có thể tải công khai từ Hugging Face, nhưng theo MiniMax Community License tùy chỉnh chứ không phải giấy phép thoáng tiêu chuẩn như MIT hay Apache 2.0. Việc dùng thương mại được nhiều nguồn mô tả là không hạn chế, nhưng hãy đọc văn bản giấy phép trước khi phát hành sản phẩm thương mại dựa trên nó.

Tôi nên dùng gói đăng ký hay trả theo mức dùng? Dưới khoảng $20–30/tháng chi cho token, hai cách gần như hòa nhau. Trên 6–8 giờ code tác nhân mỗi ngày, gói đăng ký thắng rõ — GLM Coding Plan Lite giá $18/tháng, bao khoảng 400 prompt mỗi tuần, là giá trị khởi điểm mạnh nhất hiện có. Lưu ý hạn mức MiniMax không cộng dồn sang kỳ sau, và chính MiniMax khuyến nghị trả theo mức dùng cho khối lượng sản xuất.

Điểm mấu chốt

Nếu bạn chỉ mang đi một điều từ bài này: GLM-5.3-Flash là mặc định tốt hơn cho OpenCode vào cuối năm 2026, và khoảng cách không hề sát ở những chiều quyết định kết quả code tác nhân — chất lượng suy luận, độ tin cậy khi dùng công cụ, và chi phí cho mỗi tác vụ hoàn thành.

MiniMax M3 không phải mô hình tồi. Nó được tối ưu theo cách khác, và kiến trúc MSA của nó là câu trả lời thật sự thanh thoát cho bài toán kinh tế ngữ cảnh dài. Có những khối lượng công việc thật — chỉnh sửa cơ học số lượng lớn, tác vụ tác nhân desktop và GUI, bất cứ thứ gì mà tốc độ sinh gấp 3 chiếm ưu thế — nơi nó là công cụ đúng.

Nhưng code tác nhân về bản chất là bài toán ra quyết định, không phải bài toán tốc độ gõ. Mô hình lập kế hoạch tốt hơn, gọi công cụ tin cậy hơn và phục hồi sau thất bại mượt hơn sẽ hoàn thành nhiều tác vụ hơn trên mỗi euro, kể cả khi nó sinh token chậm gấp ba.

Cách chơi thực dụng là hộp số hai cấp: GLM-5.3-Flash lo lập kế hoạch và xây dựng, MiniMax M3 lo việc lặt vặt, small_model hướng vào cái nhanh. OpenCode biến việc đó thành một thay đổi cấu hình mười lăm dòng, và bạn có trí tuệ ở chỗ cần và thông lượng ở chỗ không cần.

Và viết cấu hình đó sao cho dễ đổi model ID. Trong thị trường này, câu trả lời hiển nhiên hôm nay có hạn sử dụng tính bằng tuần.

Bạn đã chạy một trong hai mô hình này làm công cụ hằng ngày cho OpenCode chưa? Tôi đặc biệt quan tâm liệu con số Terminal-Bench của GLM-5.3-Flash có đứng vững trong các repository thật, và liệu có ai tìm được cách lách gọn hơn cho lỗi báo cáo ngữ cảnh của MiniMax. Hãy liên hệ — hoan nghênh mọi chỉnh sửa và bằng chứng ngược, và bài này sẽ được cập nhật khi bức tranh thay đổi.

Cập nhật lần cuối: 30 tháng 8 năm 2026.

TL;DR — Kết luận trong 30 giây

Bảng so sánh nhanh

Vì sao đây là so sánh đáng quan tâm ngay lúc này

GLM-5.3-Flash thực sự là gì

Kiến trúc, nói theo cách dễ hiểu

Vì sao điều này quan trọng với tác nhân lập trình

MiniMax M3 thực sự là gì

Canh bạc MSA

Chỗ M3 thực sự mạnh

Các benchmark — và những gì chúng đang che giấu

Chỗ chúng trùng nhau trực tiếp

Chỗ GLM-5.3-Flash đứng một mình

Chỗ MiniMax M3 đứng một mình

Lưu ý bạn thực sự nên áp dụng

Tín hiệu không ai nhắc tới: dữ liệu sử dụng của chính OpenCode

Thiết lập MiniMax M3 trong OpenCode

Cái bẫy loại khóa

Nếu bạn cần khối nhà cung cấp thủ công

Cái bẫy cửa sổ ngữ cảnh của MiniMax (đọc trước khi cam kết)

Cách xử lý vòng tránh

Thiết lập GLM-5.3-Flash trong OpenCode

Các điểm cuối của Coding Plan

Khối nhà cung cấp thủ công

Cài đặt lấy mẫu được khuyến nghị

Thiết lập tôi thực sự khuyên dùng: chạy cả hai

Bài toán chi phí, với con số thật

Kịch bản

GLM-5.3-Flash

MiniMax M3 (bậc tiêu chuẩn, ≤512K đầu vào)

Nhân lên một tháng

Phụ phí ngữ cảnh dài không ai nhắc

Đăng ký so với trả theo mức dùng

Một lưu ý về giá qua gateway

Cấp phép và tự lưu trữ: phần doanh nghiệp châu Âu nên đọc hai lần

GLM-5.3-Flash: MIT

MiniMax M3: MiniMax Community License

Kiểm tra thực tế về tự lưu trữ

Mỗi mô hình thực sự gãy ở đâu

Điểm yếu của GLM-5.3-Flash

Điểm yếu của MiniMax M3

Khung quyết định: năm tình huống

1. “Tôi muốn một mô hình, đặt rồi quên đi.”

2. “Tôi chạy những đợt tái cấu trúc cơ học khổng lồ trên các codebase rất lớn.”

3. “Công việc của tôi mang tính thị giác — UI, chuyển thiết kế thành code, gỡ lỗi qua ảnh chụp màn hình.”

4. “Tôi cần tự lưu trữ vì nơi lưu trữ dữ liệu hoặc tuân thủ.”

5. “Tôi đang điều hành một đội nhỏ với ngân sách eo hẹp.”

Những gì tôi sẽ theo dõi trong quý tới

Câu hỏi thường gặp

Điểm mấu chốt

Tín hiệu liên quan.

Đừng mua MacBook chỉ để chạy LLM: vì sao laptop 7.000 USD không thay được gói Claude hay ChatGPT 200 USD của bạn (2026)

So sánh mọi harness coding AI (tháng 10/2026): OpenCode v2, Hermes Agent, Claude Code, Codex và 24 công cụ khác

OpenCode v2 vs Hermes Agent vs OpenClaw: cuộc so tài tác nhân mã nguồn mở 2026 (và vì sao OpenCode 2.0 là bản cập nhật của năm)

Thêm tín hiệu của bạn. Hủy trả lời