GLM-5.2 vs DeepSeek V4 Pro：ベンチマーク、料金、そして実際に使うべきモデル（2026年）

仕様比較

紙面上では、この2つは兄弟モデルのように見えます。どちらも中国発で、MITライセンスのオープンウェイトMixture-of-Expertsモデルであり、真の100万トークンコンテキストウィンドウを備えています。ただし、その下にあるアーキテクチャの思想は異なります。そしてその違いが、これから見るベンチマークの傾向をかなり説明してくれます。

ここでアーキテクチャが重要になるのはなぜでしょうか。100万トークンのウィンドウは、モデルがそれを利用できるだけのコスト効率を備えていて初めて役立つからです。Z.aiの答えはIndexShareです。4つのスパースアテンション層ごとに同じアテンションインデクサーを再利用する仕組みで、モデルカードによれば、100万トークンの完全なコンテキストにおけるトークンごとの計算量を2.9倍削減します。DeepSeekの答えはハイブリッドアテンションシステムです。モデルカードによれば、同じ長さで、前身のV3.2に対してFLOPsを27%、KVキャッシュを10%に抑えます。簡単に言えば、GLM-5.2は非常に長いエージェント軌跡で一貫性を保つことに効率化の予算を使い、DeepSeekは長いコンテキストを安価に提供することに使っています。正直なところ、比較の要点はこれに尽きます。

ベンチマーク：数値が実際に示していること

まず、現在利用できる唯一の独立した同条件比較の数値から見ていきましょう。Artificial Analysisは、GDPval-AA、Terminal-Bench v2.1、Humanity's Last Exam、GPQA Diamondを含む9つの評価で構成されたIntelligence Index v4.1を、モデル間で同一条件のもと実行しています。GLM-5.2は最大設定で51を獲得し、オープンウェイトモデルの中で最高でした。DeepSeek V4 Proは最大推論設定で44を獲得し、オープンモデルではMiniMax-M3と並んで2位です。参考までに、Claude Opus 4.8は56、GPT-5.5は55です。つまり、これら2つのオープンモデルの差は現実に存在しますが、どちらもプロプライエタリな最先端モデルから大きく離れているわけではありません。これは独立して測定された事実です。

ここから下はすべてベンダー報告の数値なので、その前提で扱います。

両ベンダーの独自表で重なる項目では、GLM-5.2が優勢です。SWE-bench Proは62.1対55.4、MCP-Atlasは77.0対73.6、ツール使用時のHumanity's Last Examは54.7対48.2です。知っておくべき点として、DeepSeekのSWE-bench Proの数値は、ScaleのSEALリーダーボードに独立したエントリーがありません。そのため、この6.7ポイント差は完全にベンダー報告の範囲内にあります。

一方、DeepSeekには独占的な領域があります。つまり、GLM-5.2が公開していないベンチマークです。DeepSeek V4 Proの報告値では、LiveCodeBenchで93.5%を記録しており、オープン・クローズドを問わず全モデル中最高です。Codeforcesレーティングは3206、GPQA Diamondは90.1%、HMMTは95.2%です。さらにSWE-bench Verifiedでは80.6%で、オープンウェイトとして最高のエントリーです。Z.aiはVerifiedを省略し、より難しいSWE-bench Proに直接進みました。私の見方では、両研究所とも自分たちの強みが出るようにベンチマークを選び、負ける項目では沈黙していたのでしょう。だからこそ、独立したAAの数値は単一のベンダー表より重要なのです。

他の比較記事では一度も指摘されていない落とし穴があります。巷で出回っているTerminal-Benchの数値は比較できません。Z.aiはGLM-5.2のTerminal-Bench 2.1でのスコアを81.0と報告しています。一方、DeepSeekのモデルカードが報告しているのはTerminal-Bench 2.0での67.9で、ベンチマークのバージョンが異なります。この記事の2つの数値を同じ列に並べている記事を見つけたら、そのタブは閉じてください。

コーディング：異なる2つの頭脳

正直にまとめると、この2つのモデルは異なる種類のコーディングを得意としており、その違いはルーティングに使えるほど明確です。

GLM-5.2は長期戦向けに作られています。Z.aiが報告した数値では、数時間から数十時間規模のオープンエンドなエンジニアリングプロジェクトを測定するベンチマーク、FrontierSWEで74.4%を達成しました。GPT-5.5の72.6%を上回り、Claude Opus 4.8にも1%以内まで迫っています。Terminal-Bench 2.1での81.0は、前身のGLM-5.1から19ポイントの向上です。あらゆる長期 horizon評価に共通する傾向があります。このモデルは、複雑で多段階の軌跡の中でも計画を維持し、途中で破綻しないよう訓練されています。

DeepSeek V4 Proはアルゴリズムのスペシャリストです。LiveCodeBenchは、競技プログラミングの問題、つまり正確で自己完結しており、正解か不正解かが明確な問題を評価します。そして、これほど高いスコアを公開したモデルは世界中で他にありません。Codeforcesレーティング3206とHMMT 95.2%も同じ物語を示しています。完全な仕様が与えられれば、正確で簡潔な解答を生成するのです。

2つのワークロードを想像してみてください。「この200ファイルのサービスを読み、規約を理解し、リファクタリングを提案して実行して」と言われた場合、それはGLM-5.2の得意分野です。1ファイルあたり約3Kトークンなら、200ファイルで60万トークンのコンテキストを実際に保持できます。「完全に仕様化された問題です。正しい200行のパッチを作ってください」と言われた場合、DeepSeekはそれをはるかに低いコストで一日中こなせます。

Hacker Newsでのコミュニティの議論は、どのベンチマークよりもこのトレードオフをよく表しています。一方の意見は、DeepSeekは日常業務の95%に対して十分に安く、十分に優秀だというものです。もう一方の反論は、長期タスクでは失敗が積み重なるというものです。「95%には十分」なモデルが、多時間にわたるエージェント実行を混乱させます。5%のエラーが積み重なるからです。どちらも正しいのです。ただ、異なる仕事について話しているだけです。

料金：表示価格と実際の請求額

ここで多くの比較記事がひそかに間違っています。DeepSeekの料金は今年2度変更されており、この検索クエリで上位に出てくる記事の半分はいまだに4月の料金を引用しているからです。

まず事実から。DeepSeekは4月24日に、100万トークンあたり入力1.74ドル / 出力3.48ドルという基準価格でV4 Proを開始し、開始時には75%割引を適用しました。5月31日、この割引は恒久的な公式価格となり、100万トークンあたり入力0.435ドル / 出力0.87ドルになりました。キャッシュヒット時の入力は100万トークンあたり0.0036ドルです（DeepSeek公式料金ページ）。このキャッシュ料金は見た目以上に重要です。DeepSeekは繰り返し使用されるプレフィックスを自動的にキャッシュするため、エージェントが毎ターン同じリポジトリコンテキストとシステムプロンプトを再送しても、そのトークンにかかる費用はキャッシュミス時の料金の約1%です。キャッシュを多用するエージェントワークロードでは、実効入力料金は見出し価格の0.435ドルをさらに下回る可能性があります。

GLM-5.2のZ.ai単独APIにおける定価は、100万トークンあたり入力1.40ドル / 出力4.40ドルです。（当社のGLM-5.2エンドポイント経由では1.26ドル / 3.96ドルで、定価より10%安くなります。）

したがってトークン単価では、DeepSeek V4 Proは入力が約3倍、出力が約5倍安いことになります。これで決まりでしょうか。そう簡単ではありません。ここが、見出し価格の表が見落としている部分です。

同じ仕事を完了するために2つのモデルが異なる量の思考を必要とする場合、トークン単価とタスク単価は乖離します。GLM-5.2は深く考えるモデルです。Artificial Analysisのトークン消費データによると、最大設定でIntelligence Indexの1タスクあたり約42,000出力トークンを消費します。これはGPT-5.5が最高設定で使う量よりも多い数値です。計算してみましょう。GLMの定価4.40ドルで42K出力トークンを使うと、1タスクあたりの出力コストは約0.18ドルです。同じ42KをDeepSeekの0.87ドルで処理すれば0.04ドル未満です。ただし、DeepSeekの実際のタスクあたりトークン消費量は比較可能な形式で公開されていないため、タスク単価の比率は測定値ではなく推定値として扱ってください。正確な倍率は不明でも方向性は明確です。GLMのタスク完了あたりの実質的なコストプレミアムは、トークン価格差に推論トークンへの欲求を掛け合わせたものです。表示価格ではなく、請求額を見積もってください。

私の判断を言えば、コストが最大の制約なら、ここまで読んだ時点ですでに答えは出ています。DeepSeekです。ここから先は、制約が能力である人向けです。

あなたのプロジェクトに合うのはどちら？

リポジトリ規模のコーディングエージェントを構築している場合は、GLM-5.2を選びましょう。独立した知能スコアのリード（51対44）、長期 horizonベンチマークの傾向、そして一貫性を保って利用するよう特別に訓練された100万トークンコンテキストが、すべて同じ結論を示しています。代償は、タスクごとに数倍多く支払うことです。短時間で仕様の明確な仕事では、不要な深い推論に料金を払うことになるでしょう。

ワークロードがアルゴリズム、数学、またはSTEM推論の場合は、DeepSeek V4 Proを選びましょう。LiveCodeBenchとCodeforcesの結果は、公開されている中で最高レベルです。それを出力100万トークンあたり0.87ドルで利用できます。代償は、オープンエンドで数時間にわたるエンジニアリングタスクでは、長期 horizonスコアの低さが示すように、失敗がより積み重なりやすいことです。これはHNの懐疑派が説明している失敗パターンそのものです。

コスト重視で高スループットの場合は、ほぼ議論の余地なくDeepSeekです。安定したプレフィックスを使うようプロンプトを構成し、0.0036ドルのキャッシュヒット料金を最大限活用しましょう。代償は、一般知能でオープンモデル2位のモデルを受け入れることです。ただし、分類、抽出、定型的なコーディングでは、その違いに気づくことはおそらくありません。

1つのAPIで両方にアクセスする方法

これらを並べて実行する実用的な理由は、両方とも1つのキーで1つのエンドポイントから利用できるため、実際のワークロードでA/Bテストを行うのが1行の変更で済むことです。どちらもOpenAI互換のチャットコンプリーション形式を使用します。

import requests
import json
 
url = "https://gptproto.com/v1/chat/completions"
 
def ask(model: str, prompt: str) -> str:
    payload = json.dumps({
        "model": model,
        "messages": [{"role": "user", "content": prompt}],
        "stream": False
    })
    headers = {
        "Authorization": "GPTPROTO_API_KEY",
        "Content-Type": "application/json"
    }
    response = requests.post(url, headers=headers, data=payload)
    return response.json()["choices"][0]["message"]["content"]
 
task = "Refactor this function to be idempotent: ..."
 
# Same request, two models — compare on your own workload
print(ask("glm-5.2", task))
print(ask("deepseek-v4-pro", task))

またはcURLの場合：

curl --location 'https://gptproto.com/v1/chat/completions' \
--header 'Authorization: GPTPROTO_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
  "model": "glm-5.2",
  "messages": [{"role": "user", "content": "Who are you?"}],
  "stream": false
}'

同じ呼び出しで"glm-5.2"を"deepseek-v4-pro"に置き換えると、もう一方のモデルに接続できます。完全なカタログはgptproto.com/modelにあります。