DeepSeek V3.2 と GLM 5 の比較
コード・推論のコスト重視なら DeepSeek V3.2、長い出力とエージェントなら GLM 5 が向く。
仕様比較
Tools / Structured output / 日本語対応は公式カタログに項目がない場合「公式要確認」とします（§1.1: 未確認は未確認と表示）。
| 項目 | DeepSeek V3.2 | GLM 5 |
|---|---|---|
| 公式モデルID | deepseek/deepseek-v3.2 | z-ai/glm-5 |
| 入力/出力 (1M tok) | $0.26899999999999996 / $0.39999999999999997 | $0.95 / $3.15 |
| Advertised context window | 131,072 | 202,752 |
| Max completion tokens | 64,000 | 128,000 |
| Reasoning | 対応 | 対応 |
| Tools / Structured output | 公式要確認 | 公式要確認 |
| Japanese support | standard not independently verified | standard not independently verified |
どちらを選ぶか
DeepSeek V3.2 を選ぶ条件
- コスト重視の本番API（入出力単価が低い）
- コード生成・リファクタを重視
- R1系の推論・数式を使いたい
GLM 5 を選ぶ条件
- マルチステップのエージェント・ツール連携
- 128K tok 級の長い出力が必要
- 長文生成タスク
明確な勝者なし: 短いチャットや一般的な要約では両者の実効差は公式区分のみで、独立ベンチマークによる検証は未実施。
証拠カバレッジ・注意点
Evidence coverage
- DeepSeek: コード・推論の強みは開発者文書（B）。独立SWE-bench証拠なし（§ claims）。
- GLM 5: エージェント・長出力は公式区分（A）。実効証拠なし。
Caveats
- V3.2 は 131K context で超大RAGには不向き。
- GLM 5 の実効エージェント性能は独立検証なし。
Research notes
- Lost in the Middle: 長文contextでも実効性能は一様でない（§ research）。
- SWE-bench: コーディングは複合的課題（§ research）。
Variant awareness
DeepSeek は V3.2（通常）と R1-0528（推論特化）を選択。GLM は glm-4.5（期限 2026-12-31）も参照。
判断ポイント
- コード生成の単価
- max output の長さ
- エージェント向け機能
どちらも不向きな条件: 極端な低予算での大量本番処理、または未確認の日本語性能に依存する重要書類。
第3の候補
用途によっては 他のモデル が適する場合があります。コスト例は各モデルページで確認できます。
確認日: 2026-07-16。出典: OpenRouter公式カタログ。計算は入力トークンに基づく概算です。本ページは「最強モデル」を決めるものではなく、用途に応じた違いを整理します（hidden aggregate score 不使用）。