实测 GLM-5.3 中转站：输入 ¥3.30，缓存 ¥0.83

01 / GLM-5.3 价格表逐行读：输入、输出与缓存各是多少

先看 CheapRelay 价格表里 GLM-5.3 这一行，模型 id 是 glm-5.3，按每 1,000,000 tokens 计费：输入 ¥3.30，输出 ¥9.91，缓存读取 ¥0.83。这三个数字对应三种不同的 token，不能把它们混在一起乘。输入是你发给模型的上下文，输出是模型写回来的内容，缓存读取则是重复使用已缓存内容时产生的读取费用。

其次，把 GLM-5.3 放回价格表里横向看。输入部分，GLM-5.3 是 ¥3.30，而 Qwen3.7 Plus 是 ¥0.87，两者相差 ¥2.43；输出部分，GLM-5.3 是 ¥9.91，而 MiMo V2.6 Pro 是 ¥2.50，两者相差 ¥7.41；缓存读取部分，GLM-5.3 是 ¥0.83，而 MiMo V2.6 Pro 是 ¥0.02，两者相差 ¥0.81。这说明选择模型时不能只看单价数字，还要看你实际会产生哪一种 token。价格表没有为 GLM-5.3 列出官方价，所以我们只和价格表中的其他模型逐项比较，不替它虚构一个参照数。

最后提醒一个容易算错的点：价格单位是每 1,000,000 tokens，所以用完 100,000 个输入 token，实际费用是价格乘以 0.1，而不是直接乘以 100,000。接下来的三个示例场景，都按这个规则展开，每个数字都能用乘法复核。

02 / 三个小场景并排：同样的调用量分别要付多少

下面把三个示例场景并排放在一起，方便先看总轮廓。场景一是一次轻量问答：输入 100,000 tokens，输出 10,000 tokens，没有缓存读取。场景二是带缓存的日常开发：输入 100,000 tokens，输出 10,000 tokens，缓存读取 500,000 tokens。场景三是一次批量整理：输入 1,000,000 tokens，输出 200,000 tokens，缓存读取 500,000 tokens。所有数字都只是示例，不是套餐，也不承诺固定消耗。

• ■ 场景一，GLM-5.3：0.1 × ¥3.30 = ¥0.330，0.01 × ¥9.91 = ¥0.099，合计 ¥0.429。
• ■ 场景二，GLM-5.3：¥0.330 + ¥0.099 + 0.5 × ¥0.83 = ¥0.844。
• ■ 场景三，GLM-5.3：1 × ¥3.30 = ¥3.300，0.2 × ¥9.91 = ¥1.982，0.5 × ¥0.83 = ¥0.415，合计 ¥5.697。

并排看过去，场景一和场景二的输入、输出完全相同，差别只在缓存读取，因此场景二比场景一多出 ¥0.415。场景三的输入量是场景一的 10 倍，输出量是 20 倍，缓存读取量相同，所以总费用从 ¥0.429 变成 ¥5.697。这就是 CheapRelay 按真实 token 计费最直观的样子：用量写在账单里，费用跟着用量走。

03 / 场景一细算：十万输入、一万输出为何是 ¥0.429

场景一假设你用 GLM-5.3 处理一次普通问答，输入 100,000 tokens，输出 10,000 tokens，不涉及缓存读取。输入费用是 0.1 × ¥3.30 = ¥0.330，输出费用是 0.01 × ¥9.91 = ¥0.099，两者相加得到 ¥0.429。换句话说，输出只占输入量的十分之一，但因为输出单价是 ¥9.91，高于输入单价 ¥3.30，它仍然贡献了 ¥0.099 的费用。

其次，把这个示例和价格表里的其他模型放在一起。MiMo V2.6 Pro 的输入是 ¥1.25、输出是 ¥2.50，同样按 0.1 与 0.01 计算，得到 0.1 × ¥1.25 = ¥0.125 与 0.01 × ¥2.50 = ¥0.025，合计 ¥0.150。Qwen3.7 Plus 的输入是 ¥0.87、输出是 ¥2.61，对应 0.1 × ¥0.87 = ¥0.087 与 0.01 × ¥2.61 = ¥0.0261，合计 ¥0.1131。三个结果摆在一起，¥0.429、¥0.150、¥0.1131，谁高谁低一目了然。

这个示例想说明的是，CheapRelay 的账单不是把请求次数当成价格，而是把输入、输出、缓存读取拆开，分别按价格表里的每百万 token 单价计算。你可以用手算复核，也可以直接在调用后核对余额变化。对于只是偶尔问几句的开发场景，GLM-5.3 的这次示例费用是几毛钱级别，充值前就能估出量级，不必先买上一整轮额度再试。

04 / 场景二细算：缓存读取五十万只多付 ¥0.415

场景二继续使用 GLM-5.3，输入仍是 100,000 tokens，输出仍是 10,000 tokens，额外加入 500,000 tokens 的缓存读取。输入与输出两项沿用场景一的结果，分别是 ¥0.330 和 ¥0.099。缓存读取按 0.5 × ¥0.83 = ¥0.415 计算，三项相加为 ¥0.844。与场景一的 ¥0.429 相比，多出来的正是这 ¥0.415，因为输入和输出两项没有变化。

其次，把缓存这一项单独比较。GLM-5.3 的缓存读取单价是 ¥0.83，Qwen3.7 Plus 是 ¥0.26，MiMo V2.6 Pro 是 ¥0.02。按 500,000 tokens 计算，GLM-5.3 是 ¥0.415，Qwen3.7 Plus 是 0.5 × ¥0.26 = ¥0.130，MiMo V2.6 Pro 是 0.5 × ¥0.02 = ¥0.010。三者相差是清楚的：缓存读取量相同，单价不同，费用就按比例拉开。

再看完整示例的合计。GLM-5.3 为 ¥0.844，Qwen3.7 Plus 为 ¥0.087 + ¥0.0261 + ¥0.130 = ¥0.2431，MiMo V2.6 Pro 为 ¥0.125 + ¥0.025 + ¥0.010 = ¥0.160。缓存读取让 GLM-5.3 在这个示例里从 ¥0.429 上升到 ¥0.844，增幅接近一倍，因为它的缓存单价在三者中更高。CheapRelay 把缓存读取单独列价，好处是你能看清这部分开销来自哪里，而不是面对一个混在一起的总数。

05 / 场景三细算：批量整理一次是 ¥5.697

场景三是批量整理任务，用 GLM-5.3 输入 1,000,000 tokens，输出 200,000 tokens，缓存读取 500,000 tokens。输入费用是 1 × ¥3.30 = ¥3.300，输出费用是 0.2 × ¥9.91 = ¥1.982，缓存读取费用是 0.5 × ¥0.83 = ¥0.415，三项合计 ¥5.697。这个示例里输出费用已经超过输入费用，因为输出量是输入量的五分之一，而输出单价 ¥9.91 约为输入单价 ¥3.30 的三倍。

其次，把同一场景换到另外两个模型上。MiMo V2.6 Pro 的合计是 1 × ¥1.25 = ¥1.250，0.2 × ¥2.50 = ¥0.500，0.5 × ¥0.02 = ¥0.010，合计 ¥1.760。Qwen3.7 Plus 的合计是 1 × ¥0.87 = ¥0.870，0.2 × ¥2.61 = ¥0.522，0.5 × ¥0.26 = ¥0.130，合计 ¥1.522。三个数字并排，¥5.697、¥1.760、¥1.522，差距主要来自输入和输出单价，而不是缓存。

这类批量任务最怕的是估不准量，付了钱才发现用超了。CheapRelay 采用预付余额，按真实 token 扣费，没有月租，余额不过期。你可以先按上面的算式估算这一批任务要准备多少余额，再决定是否使用 GLM-5.3，还是改用单价更低的模型。示例的意义不是替你选模型，而是把每一项费用摆到同一张纸上，让选择有依据。

06 / 接入方式与账户规则：价格之外还要看这几件事

GLM-5.3 属于可用 OpenAI 兼容客户端接入的模型，接口路径是 /v1，模型 id 填 glm-5.3。Cursor、Cherry Studio、Cline、Roo Code、OpenCode、OpenAI SDK 和 cURL 都可以放在这一类里使用，接口基础地址是 https://api.cheapapirelay.com。需要注意，Claude 模型只对应官方 Claude Code 和 Claude Desktop 客户端，版本需为 2.1.285 或更新；Gemini 模型走原生协议，通过 Gemini CLI 在 /v1beta 下接入。不同协议不要混填。

其次是账户与额度规则。CheapRelay 预付计费，没有月租，余额不过期；每个新账号注册赠送额度 ¥0.60，可以用于任何模型。每把每分钟调用上限为每把 120 次，每账号并发为 8 次。HTTP 402 表示余额已经小于或等于零，看到这个状态码就知道该充值了。

推荐奖励也有明确算法：直接邀请的用户付费，你获得其支付金额的 20%；第二级用户付费，你获得 6%，奖励进入可提现余额，最小提现金额 ¥20，通过支付宝提现。退款规则是充值后 12 天内，未使用余额可以退款，扣除已消费金额和支付手续费。把这些规则和 GLM-5.3 的 ¥3.30、¥9.91、¥0.83 放在一起看，CostRelay 的逻辑很简单：单价公开、计费透明、额度可控。