LongCat 2.5 vs GLM-5.3: qual modelo escolher?

Comece pelo LongCat 2.5 se o agente precisar ler capturas de tela ou se você procurar uma tarifa de API publicada menor. Se precisar dos pesos do modelo, investigue primeiro o GLM-5.3. Para escolher pela qualidade de código, execute as mesmas tarefas nos dois e revise as alterações: uma tabela de lançamento não resolve a decisão para o seu repositório.

Em 3 de novembro de 2026, o preço temporário do LongCat era US$ 0,30 por milhão de tokens de entrada sem cache e US$ 1,20 por milhão de saída. A Z.ai informava US$ 1,40 e US$ 4,40. São tarifas das APIs oficiais, não preços da assinatura Tabbit, e não dizem quantos tokens cada tarefa consumirá.

Um usuário do Reddit pediu ao LongCat 2.5 Preview que analisasse cinco classes C# no OpenCode e relatou raciocínio repetitivo e uma tarefa não concluída. É uma experiência com o Preview, não um teste da versão final. Ela sugere definir uma condição de parada e testes de aceitação. Mais adiante mostramos um cálculo feito no Tabbit Browser.

Principais pontos

• O LongCat 2.5 aceita imagens; a Z.ai documenta o GLM-5.3 com entrada apenas de texto.

• Na data da pesquisa, os pesos do LongCat 2.5 estavam anunciados para breve. Os do GLM-5.3 são públicos, com licença própria.

• Cada modelo lidera tarefas diferentes na tabela da Meituan. Vários resultados do GLM vieram de relatórios externos, sem teste conjunto controlado.

• A tarifa oficial do LongCat é menor, mas temporária. Compare o custo por tarefa aprovada.

• Relatos sobre o Preview ajudam a identificar riscos, mas não medem a versão final.

Comparação rápida

Fontes: lançamento LongCat, parâmetros, guia GLM-5.3 e ficha do modelo. Veja também nossa visão geral do GLM-5.3 e a análise do LongCat 2.0, que trata de uma geração anterior.

Benchmarks de código e suas condições

Na tabela de lançamento da Meituan, o asterisco indica que o resultado do GLM veio de um relatório ou ranking público, sem necessariamente ter sido executado junto ao LongCat nas mesmas condições.

Fonte: avaliação da Meituan, consultada em 3 de novembro de 2026. O LongCat informa média de três execuções de Terminal-Bench 2.1 com Claude Code 2.1.280; a ficha do GLM cita Claude Code 2.1.207. Agente, ferramentas, tempo, prompt e limite de saída podem mudar o resultado. A pequena diferença na primeira linha não define o melhor modelo para seu repositório.

Transforme os números em tarefas verificáveis. Em um projeto existente, escolha um bug com teste falhando e confira o teste e as alterações sem relação com a tarefa. Para um projeto novo, defina o comportamento esperado antes de começar. Os prompts do GLM e as avaliações ajudam a preparar tarefas, mas não substituem seus critérios de aceitação.

Preço de API: calcule o custo da tarefa

O preço do LongCat é um desconto por tempo limitado. Ele e o preço da Z.ai foram consultados em 3 de novembro de 2026. Os valores estão em dólares por milhão de tokens, sem outras cobranças.

Com um milhão de tokens de entrada sem cache e 200 mil de saída, sem ferramentas nem outros encargos, o cálculo resulta em $0.54 para o LongCat e $2.28 para o GLM-5.3. O exemplo usa quantidades iguais; não pressupõe consumo real ou taxa de sucesso iguais.

custo por tarefa aprovada = gasto total com modelos e ferramentas / tarefas aprovadas nos testes

Inclua tentativas malsucedidas, novas tentativas, contexto repetido, falhas de cache e revisão humana quando for possível medi-los. A Z.ai cobra separadamente pela busca integrada. Coding Plan, fornecedor externo e conta Tabbit têm regras próprias.

Imagens, contexto e limite de saída

O anúncio da LongCat descreve compreensão visual nativa. Para testar uma interface, forneça captura de tela, arquivos relevantes e um critério visual verificável. Depois confira o resultado e a acessibilidade no navegador.

O guia da Z.ai descreve o GLM-5.3 com entrada apenas de texto. Para uma imagem, use um componente visual separado ou forneça uma descrição verificada. Isso não significa que todo aplicativo baseado no GLM deixe de oferecer recursos visuais.

Os dois anunciam cerca de um milhão de tokens de contexto. A LongCat especifica que entrada e saída compartilham esse limite. Sua referência de parâmetros indica 262.144 como máximo de max_tokens, enquanto o guia rápido informa saída máxima de 128K. Confirme no endpoint utilizado. A Z.ai documenta 128K de saída para o GLM-5.3, e o cliente pode limitar mais.

Pesos e implantação

Na pesquisa, os links de GitHub e Hugging Face do LongCat 2.5 estavam marcados como disponíveis em breve. Isso não confirma data nem licença futura. Se a hospedagem própria for obrigatória, confira novamente o repositório e as condições. A licença MIT do LongCat 2.0 não se aplica automaticamente ao 2.5.

A ficha do GLM-5.3 no Hugging Face publica os pesos e cita vLLM e SGLang. O rótulo da licença é glm-5.3; leia as condições para seu uso. Pesos disponíveis não eliminam custos de hardware, operação, segurança e suporte. A ficha informa 753 bilhões de parâmetros; estime a memória para sua quantização e seu contexto.

O que os relatos sobre o Preview mostram

No caso das classes C#, o autor descreve repetições e uma tarefa inacabada. Isso sugere registrar chamadas de ferramentas e interromper ciclos sem progresso; não prova o mesmo comportamento na versão final.

Outro usuário do Reddit testou o Preview três vezes por tarefa no Terminal-Bench 2.1 e relatou menos exceções e tempos esgotados do que nos outros modelos da comparação. Também informou uma falha recorrente do dispositivo em uma tarefa. GLM-5.3 não foi testado. Os relatos não estabelecem uma classificação das versões finais.

Como fazer um teste justo

1. Escolha cinco tarefas representativas e reversíveis, como um bug comum, uma alteração em vários arquivos e recuperação de erro.

2. Fixe a revisão do repositório, permissões, tempo e testes de aceitação. Não inclua segredos nem credenciais de produção.

3. Registre versão do modelo e fornecedor, agente, esforço, prompt, contexto, tokens, erros de ferramentas, duração e diff final.

4. Confira testes e alterações sem relação com a tarefa antes da autoavaliação do modelo. Em tarefas visuais, examine a interface.

5. Repita para observar variação e inclua tentativas malsucedidas no custo.

Um único acerto é um exemplo, não uma taxa de sucesso. O guia de navegadores com agentes explica a influência das ferramentas e do aplicativo em tarefas com várias etapas.

Organize a comparação no Tabbit Browser

Para pesquisar, abra a documentação e os preços oficiais no Tabbit Browser e peça uma tabela com fonte, data, versão e dúvidas. Confira cada dado na página original, especialmente o desconto e a divergência sobre a saída máxima.

Em 3 de novembro, fizemos um cálculo no ambiente de testes do Tabbit com LongCat-2.5 selecionado. Fornecemos as duas tabelas de preço e pedimos o custo de um milhão de tokens de entrada e 200 mil de saída. A resposta foi $0.54 e $2.28, de acordo com a conta. Os preços foram fornecidos no prompt, não verificados pelo modelo. Uma resposta correta não mede confiabilidade geral nem qualidade de código.

O seletor dessa conta de teste mostrava LongCat-2.5, mas não o GLM-5.3 completo. GLM-5.3-FlashX é outro modelo e não foi usado como substituto. A disponibilidade varia conforme conta e edição; a captura não comprova disponibilidade em produção.

Veja as boas práticas do Tabbit e a comparação de navegadores de IA. Um assistente de navegador não substitui os testes do repositório; confira também disponibilidade, cotas e regras de dados.

Qual modelo escolher em cada caso?

Comece pelo requisito inegociável e faça uma avaliação pequena. Se os resultados forem próximos, mantenha uma alternativa e repita o teste quando mudar o fornecedor, o agente ou a versão.

Secholar.L

Crescimento e conteúdo na Tabbit

Secholar.L escreve guias práticos sobre navegadores com IA e fluxos de trabalho com agentes, comparando ferramentas com pesquisa real e fontes verificáveis.