GLM-5.3 中转站价格：输入 ¥3.30，输出 ¥9.91

01 / GLM-5.3 的中转站价格表，先把三项单价摆出来

做成本核算时，我不想先听形容词，只想先看数字。CheapRelay 价格表里，GLM-5.3 的模型 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。三项单价摆在这里，谁都可以自己乘以 token 数量复核，不需要相信一句“很划算”。

需要先说明的是，CheapRelay 的价格表中，官方标价只出现在 Claude 系列和 GPT 系列，GLM-5.3 这一行没有对应的官方标价，所以我不替它编一个，也不把别的模型的官方价挪过来套用。GLM-5.3 的价格只能和价格表里其他模型的实际单价直接比较。这反而更干净：比单价，比总账，比缓存读取这一项有没有被认真计价。

• ■ 输入：¥3.30 / 1,000,000 tokens
• ■ 输出：¥9.91 / 1,000,000 tokens
• ■ 缓存读取：¥0.83 / 1,000,000 tokens

使用方式是预付余额，按真实 token 计费，没有月租，余额不过期。新账号有 ¥0.60 注册赠送额度，可以用在任何模型上；这意味着注册之后就能直接试一把 GLM-5.3，不用先买一整套东西。下面的三个场景全部只是示例，用同一套单价算出具体金额。

02 / 场景一：小量问答，三种模型并排算总账

第一个示例是短对话：一次请求输入 10,000 tokens，输出 2,000 tokens，另有 5,000 tokens 走缓存读取。换成每百万 tokens 单价乘以用量，GLM-5.3 的输入费用是 3.30 × 0.01 = ¥0.033，输出费用是 9.91 × 0.002 = ¥0.01982，缓存读取是 0.83 × 0.005 = ¥0.00415，三项相加等于 ¥0.05697。

把同一组用量放到另外两个模型上。MiMo V2.6 Pro 的输入是 1.25 × 0.01 = ¥0.0125，输出是 2.50 × 0.002 = ¥0.005，缓存读取 0.02 × 0.005 = ¥0.0001，合计 ¥0.0176。Qwen3.7 Plus 的输入是 0.87 × 0.01 = ¥0.0087，输出是 2.61 × 0.002 = ¥0.00522，缓存读取 0.26 × 0.005 = ¥0.0013，合计 ¥0.01522。

三个数字并排放：¥0.01522、¥0.0176、¥0.05697。这个示例里的结论很直接——短问答场景，GLM-5.3 的单次账单是三者中较高的一份，Qwen3.7 Plus 的示例账单更低。选型时不必迷信模型名字，先把用量结构代入单价，才知道该选谁。GLM-5.3 属于 GLM 系列，走 OpenAI 兼容协议，在 /v1 下使用，可以接 Cursor、Cherry Studio、Cline、Roo Code、OpenCode、OpenAI SDK 或 cURL，模型 id 直接填 glm-5.3。

03 / 场景二：代码任务，输出量决定账单高度

第二个示例更接近日常写代码：一次任务输入 200,000 tokens，输出 40,000 tokens，缓存读取 100,000 tokens。GLM-5.3 的输入费用为 3.30 × 0.2 = ¥0.66，输出费用为 9.91 × 0.04 = ¥0.3964，缓存读取为 0.83 × 0.1 = ¥0.083，合计 ¥1.1394。

同样用量交给 Qwen3.8 Max：输入 4.12 × 0.2 = ¥0.824，输出 12.35 × 0.04 = ¥0.494，缓存读取 0.49 × 0.1 = ¥0.049，合计 ¥1.367。再看 Grok 4.6：输入 3.35 × 0.2 = ¥0.67，输出 10.04 × 0.04 = ¥0.4016，缓存读取 0.84 × 0.1 = ¥0.084，合计 ¥1.1556。

三份账单并排是 ¥1.1394、¥1.1556、¥1.367。在这个代码任务示例里，GLM-5.3 的账单比 Grok 4.6 少 ¥0.0162，比 Qwen3.8 Max 少 ¥0.2276，差距不大但方向明确。缓存读取这一项也值得单独看：GLM-5.3 是 ¥0.83，Grok 4.6 是 ¥0.84，Qwen3.8 Max 是 ¥0.49，单位差得不多，真正拉开距离的是输出单价 ¥9.91 对 ¥12.35。

这类任务往往反复读同一批仓库文件，缓存读取量会累积，所以把缓存读取单独列成一行，而不是混进输入里含糊处理，才是算账的基本功。CheapRelay 按真实 token 结算，缓存读取也按价格表单价收费，你看到的每一行都能对上公式。

04 / 场景三：长上下文，百万输入把差距放大

第三个示例是长上下文：输入 1,000,000 tokens，输出 100,000 tokens，缓存读取 500,000 tokens。GLM-5.3 的输入是 3.30 × 1 = ¥3.30，输出是 9.91 × 0.1 = ¥0.991，缓存读取是 0.83 × 0.5 = ¥0.415，合计 ¥4.705。

同样的用量放到 MiMo V2.6 Pro：输入 ¥1.25，输出 2.50 × 0.1 = ¥0.25，缓存读取 0.02 × 0.5 = ¥0.01，合计 ¥1.51。Qwen3.7 Plus：输入 ¥0.87，输出 2.61 × 0.1 = ¥0.261，缓存读取 0.26 × 0.5 = ¥0.13，合计 ¥1.261。

并排看三份示例账单：¥1.261、¥1.51、¥4.705。长上下文示例里，GLM-5.3 的这一笔明显高于另外两个模型，差额主要来自输入单价 ¥3.30 对 ¥0.87 和 ¥1.25，以及缓存读取单价 ¥0.83 对 ¥0.26 和 ¥0.02。如果你的任务每次都要塞进整份文档并重复读取同一段缓存，那这笔账要提前算；如果上下文不大、输出占比高，结果就会完全不同。

顺带把有官方标价的模型放进来对照。GPT-6.1 Sol 在 CheapRelay 价格表里输入 ¥1.07、输出 ¥5.31、缓存读取 ¥0.25，同一组用量是 1.07 + 0.531 + 0.125 = ¥1.726；而它的官方标价是输入 ¥14.40、输出 ¥72.00、缓存读取 ¥0.72，同一组用量为 14.40 + 7.2 + 0.36 = ¥21.96。官方标价与这里的实际费用，两组数字各自算清，差距自己会说话。

05 / 怎么接入 GLM-5.3：协议和客户端别搞混

价格算清楚之后，剩下的就是别在接入环节绕远路。GLM-5.3 属于 GPT、DeepSeek、Kimi、Qwen、Grok、MiniMax 这一类，走 OpenAI 兼容协议，路径在 /v1。API base 是 https://api.cheapapirelay.com，模型 id 是 glm-5.3。客户端可以用 Cursor、Cherry Studio、Cline、Roo Code、OpenCode、OpenAI SDK 或 cURL，按 OpenAI 兼容方式填写地址、密钥和模型名即可。

这里顺便把两类容易混的模型讲清楚。Claude 系列只支持官方 Claude Code 和 Claude Desktop 客户端，版本需要 2.1.285 或更新，不用 OpenAI 兼容方式接入；Gemini 系列走原生协议，在 /v1beta 下通过 Gemini CLI 使用。GLM-5.3 不属于这两类，所以直接按 OpenAI 兼容客户端的常规方式来配，不需要改协议，也不需要换客户端。

调用限制也写在明面上：每个 key 每分钟 120 次调用，每个账号同时 8 次调用。返回 HTTP 402，说明余额已经小于等于零，这时充值再继续。CheapRelay 采用预付余额方式，没有月租，余额不会过期，用多少算多少。

06 / 把账算到最后一笔：充值、赠送与推荐奖励

最后把使用成本之外的规则一起核对，免得月底对账时才发现少算了一项。首先是充值：新账号有 ¥0.60 注册赠送额度，任何模型都能用，可以拿它先跑一次 GLM-5.3 的真实请求，看看输入、输出、缓存读取三类用量在你自己的项目里各占多少。其次是退款：充值后 12 天内，未使用余额可以申请退款，扣除已经消费的部分和支付手续费。

再次是推荐奖励。直接邀请的用户产生支付，你获得其支付金额的 20%；第二层用户产生支付，你获得 6%。奖励进入可提现的奖励余额，最低提现金额是 ¥20，通过支付宝提现。把这个比例代入一个数字看：假设你直接邀请的用户本月实际支付 ¥100，你这边的奖励是 100 × 20% = ¥20，刚好达到最低提现门槛；如果来自第二层，则是 100 × 6% = ¥6，可以继续累积。

把三部分合起来看，CheapRelay 的成本结构是清楚的：GLM-5.3 输入 ¥3.30、输出 ¥9.91、缓存读取 ¥0.83，按真实 token 结算；没有月租，余额不过期；新账号送 ¥0.60；推荐奖励 20% 与 6% 分层计算，奖励可提现。三个示例场景已经把公式摆完了，接下来只要把自己的 token 用量代进去，账单是多少就是多少，不需要靠感觉判断。