Il problema della lettura della cache: perché GLM 5.3 costa di più nel lavoro con agenti reali

Abbiamo esaminato fatture reali per il lavoro degli agenti e abbiamo visto una cosa semplice. Per GLM 5.3, la parte del leone del costo non sono le risposte o i nuovi input, ma la rilettura della cache: token che il modello ha già visto all'interno dello stesso lavoro. Nelle nostre misurazioni questo rappresenta l'80-90% del conto e nei compiti lunghi si avvicina al 98%. Ecco perché su DeepSeek lo stesso lavoro risulta sempre più economico, anche se a prima vista il listino prezzi di GLM sembra modesto. Ecco come succede.

Da dove proviene la cache nella tua fattura

Ogni chiamata API avviene senza memoria: il modello riceve nuovamente l'intera conversazione: istruzioni di sistema, cronologia chat, contenuto dei file. I provider memorizzano nella cache la parte ripetuta: se l'inizio di una richiesta corrisponde a qualcosa già elaborato, quei token vengono letti dalla cache con uno sconto. La risposta dell'API mostra la ripartizione: quanti token provengono dalla cache, quanti erano nuovi, quanti ne ha generati il ​​modello.

Sembra puro profitto. Ma lo sconto è una tariffa, non un regalo, e ogni modello stabilisce la propria. Il divario tra i modelli non viene misurato in percentuale ma in multipli. È lì che si nasconde il problema.

Cosa dice il listino prezzi

Prezzi pubblici a fine agosto 2026, dollari per milione di token:

Guarda la colonna centrale, quella che di solito viene sfiorata. Per DeepSeek V4 Pro, le letture della cache costano il tre percento del prezzo di input: uno sconto di quasi trenta volte per la rilettura. Per GLM 5.3 è del 19%, uno sconto di cinque volte. I modelli Flash sono più vicini in termini relativi (circa il 20% contro il 23%), ma in numeri assoluti le letture della cache GLM Flash costano ancora circa il doppio di quelle di DeepSeek Flash.

Misurato sul lavoro reale

Ad agosto abbiamo impiegato due settimane di traffico di agenti reali: 13.279 chiamate API su quattro modelli: GLM 5.3, GLM 5.3 Flash, DeepSeek V4 Pro e DeepSeek V4 Flash. Da questi abbiamo assemblato quasi trecento finestre di dialogo con attività complete, in cui un modello lavora su un lavoro per un lungo periodo: leggere il codice, modificare file, mantenere l'intera cronologia nel contesto. L'immagine tipica di tale attività: il 97-98% dei token di input sono riscontri nella cache. Entra solo un filo di testo veramente nuovo; il grosso è la stessa memoria riletta.

Ed ecco come si articola la fattura:

• GLM5.3:L'80-90% del totale va alle letture della cache, il 98% all'interno di una finestra di dialogo di attività mediana. Risposte e nuovi input sono gli avanzi.
• DeepSeek V4 Pro:anche circa due terzi del conto (64%) sono cachet. Una quota simile in termini di spirito, ma gli importi assoluti sono incomparabili, perché il tasso di lettura di DeepSeek è dodici volte inferiore.

Ora i soldi, per l'intera attività anziché per la chiamata. Una finestra di dialogo di attività media costa circa sei centesimi su GLM 5.3 Flash e circa due centesimi su DeepSeek V4 Flash. Per fare un confronto equo, abbiamo abbinato attività con lo stesso volume di testo generato: su carichi di lavoro comparabili DeepSeek risulta 3,6-5 volte più economico. GLM 5.3 completo rispetto a DeepSeek V4 Pro, nella classe di attività in cui si sovrappongono, era 6-7 volte più costoso, per la stessa quantità di lavoro svolto.

Una nota metodologica: queste cifre vengono ricalcolate in base alle tariffe pubbliche nella tabella sopra, non alla fattura effettiva di qualcuno. Come controllo di integrità, abbiamo confrontato il ricalcolo con gli addebiti registrati ovunque la tariffa sia aperta: divergevano del 2-3%, quindi la stima è valida.

Vuoi sentirlo in una singola chiamata? Una tipica chiamata dell'agente nelle nostre misurazioni è di circa 130mila token di cache, tremila nuovi token di input e un paio di centinaia di output. GLM 5.3 addebita circa quattro centesimi per tale chiamata. DeepSeek V4 Pro: circa mezzo centesimo. Sette volte, per lo stesso volume di lavoro.

Quindi GLM sta tradendo?

Formalmente no: tutte le tariffe vengono pubblicate e il ricalcolo corrisponde alle tariffe effettive ovunque la tariffa sia aperta. Il trucco sta altrove. L'attenzione attira i prezzi di input e output, mentre la riga "lettura cache" sembra una nota tecnica. In una chat a due messaggi è uno. Ma nel lavoro degli agenti, dove la memoria viene riletta centinaia di volte per ogni attività, quella riga diventa la principale voce di costo. GLM lo ha valutato dodici volte più alto di quello che DeepSeek ha fatto per i modelli di punta – e nelle sessioni lunghe supera tutto il resto. Anche la cache di DeepSeek non è gratuita; le sue tariffe sono semplicemente così piccole che rileggere l'intera memoria costa pochi centesimi.

Cosa fare al riguardo?

Tre cose che vale la pena fare prima di scegliere un modello per gli agenti:

• Trova la velocità di lettura della cache nel listino prezzi del tuo provider (lettura cache/input memorizzato nella cache). Nessuna linea del genere? Chiedi direttamente. Per sessioni lunghe conta più del prezzo di input.
• Osserva il tuo profilo di carico: la risposta API mostra quanti token provengono dalla cache. Al di sopra del 90% di riscontri nella cache, paghi principalmente per la rilettura, non per il lavoro.
• Tagliare spietatamente la memoria. Vecchi messaggi, gigantesche istruzioni di sistema e file "per ogni evenienza" vengono riletti a tue spese ad ogni chiamata. A volte una nuova sessione è più economica di una cronologia di tre giorni.

Entrambi i modelli sono disponibili inChat su NeuralSpace, nelCodicesezione e attraverso ilAPI pubblica- esegui la tua attività su entrambi e confronta le fatture. Ricorda solo di aprire la ripartizione: la parte interessante risiede sempre nella riga dei token memorizzati nella cache.