2026 yılında Çin LLM manzarası dar bir amiral gemisi sınıfına sıkıştı. Dört laboratuvar — Zhipu, Alibaba, Moonshot ve DeepSeek — artık bağlam, akıl yürütme ve kodlama konusunda Batı’nın sınır modelleriyle doğrudan yarışan modeller sunuyor, çoğu zaman bunu fiyatın çok küçük bir kısmına yapıyor. Bu makale, bugün MeshTok birleşik API üzerinden erişilebilen en ilgili dört Çinli amiral gemisinin bir özellik ve fiyat karşılaştırmasıdır: GLM-5.2, Qwen3.7 Max, Kimi K2.7 Code ve DeepSeek V4 Pro.
Gecikme veya kalite benchmark’ları çalıştırmadık. Aşağıdaki her sayı src/data/models.ts dosyasından gelir ve bir hesap makinesiyle yeniden üretilebilir. Amaç, belirli bir iş yükü ve bütçe için doğru modeli seçmenize yardımcı olmak — yönlendirme kararlarında gerçekten önem taşıyan verilere dayanarak: bağlam penceresi, yetenekler, maksimum çıktı ve milyon token başına fiyat.
Dört yarışmacı: özellik tablosu
Dört modelin tamamı bugün https://meshtok.com/v1 adresinden çağrılabilir. Üçü katalogda flagship yetenek etiketini taşır; Kimi K2.7 Code bu etiketi taşımayan bir kodlama uzmanıdır ve buraya dahil edilmiştir çünkü Moonshot’ın 2026’daki en ilgili geliştirici odaklı sürümüdür.
| Model | Sağlayıcı | Bağlam | Maks. çıktı | Giriş $/M | Çıktı $/M | Yayınlandı |
|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | DeepSeek (CN) | 1,000,000 | 32,768 | $0.4286 | $0.8571 | 2026-04 |
| GLM-5.2 | Zhipu (CN) | 1,000,000 | 128,000 | $1.1429 | $4.0000 | 2026-07 |
| Qwen3.7 Max | Alibaba (CN) | 1,000,000 | 8,192 | $0.8571 | $2.5714 | 2026-06 |
| Kimi K2.7 Code | Moonshot (CN) | 256,000 | 8,192 | $0.9286 | $3.8571 | 2026-05 |
Yetenek matrisi
| Capability | DeepSeek V4 Pro | GLM-5.2 | Qwen3.7 Max | Kimi K2.7 Code |
|---|---|---|---|---|
| Reasoning | ✅ | ✅ | ✅ | — |
| Coding | ✅ | ✅ | ✅ | ✅ |
| Vision (image) | ✅ | — | ✅ | — |
| Tool calling | ✅ | ✅ | ✅ | ✅ |
| JSON mode | ✅ | ✅ | ✅ | ✅ |
| Flagship tag | ✅ | ✅ | ✅ | — |
Bu iki tabloyla ilgili üç yapısal gözlem:
- Yalnızca DeepSeek V4 Pro ve Qwen3.7 Max çok modludur. Dördü arasında en pahalı model olan GLM-5.2’nin görüntü yeteneği yoktur. İş yükünüz ekran görüntüleri, diyagramlar veya taranmış belgeler içeriyorsa, fiyat konusu açılmadan önce alan ikiye daralır.
- GLM-5.2’nin 128K maksimum çıktısı eşsizdir. Buradaki diğer her model çıktıyı 8K–32K ile sınırlar. Tek seferde çok uzun yanıtlar üretmesi gereken iş yükleri için — tam dosya yeniden düzenlemeleri, uzun raporlar, çoklu dosya iskeleti — GLM-5.2 kesintisiz tek seçenektir.
- DeepSeek V4 Pro her iki eksende de en ucuz ve etiketlerde en kapsamlıdır.
reasoning,coding,image,tools,jsonveflagship— tam seti taşır — yine de hem giriş hem çıktı fiyatında buradaki her modeli alt eder.
Fiyat analizi
Aşağıdaki tüm rakamlar src/data/models.ts dosyasındaki liste fiyatlarından yapılan aritmetik projeksiyonlardır. Bunlar herhangi bir gerçek iş yükünün ölçümü değildir. Gerçek faturanız gerçek istem ve yanıt uzunluklarınıza bağlıdır; buradaki değer orandadır ve kararlı, yeniden üretilebilirdir.
1M giriş + 1M çıktı token başına maliyet
Elde hesabı birimi: bir milyon giriş token ve bir milyon çıktı token.
| Model | Giriş (1M) | Çıktı (1M) | Toplam |
|---|---|---|---|
| DeepSeek V4 Pro | $0.43 | $0.86 | $1.29 |
| Qwen3.7 Max | $0.86 | $2.57 | $3.43 |
| Kimi K2.7 Code | $0.93 | $3.86 | $4.79 |
| GLM-5.2 | $1.14 | $4.00 | $5.14 |
Bu birimde DeepSeek V4 Pro, Qwen3.7 Max’ten 2.7×, Kimi K2.7 Code’dan 3.7× ve GLM-5.2’den 4.0× daha ucuzdur. DeepSeek hariç her modelde çıktı token’ları faturayı domine eder — V4 Pro için giriş ve çıkış fiyatları 2× oranı içinde yer alır ki bu alışılmışın dışında dengelidir.
1K giriş + 500 çıktı token ile 1M çağrının maliyeti
Sohbet türü trafik için daha gerçekçi bir birim: her biri 1.000 giriş token tüketen ve 500 çıktı token üreten bir milyon kısa çağrı. Bu, bir milyar giriş token ve 500 milyon çıktı token olarak toplanır.
| Model | Giriş (1B) | Çıktı (500M) | 1M çağrı için toplam |
|---|---|---|---|
| DeepSeek V4 Pro | $429 | $429 | $857 |
| Qwen3.7 Max | $857 | $1,286 | $2,143 |
| Kimi K2.7 Code | $929 | $1,929 | $2,857 |
| GLM-5.2 | $1,143 | $2,000 | $3,143 |
Sıralama 1M+1M birimiyle tutarlıdır, tek dikkat çekici kayma şudur: sohbet türü trafikte GLM-5.2 dördü arasında en pahalı olur (4 $/M çıkış fiyatı baskın gelir) ve Kimi K2.7 Code’u çok az geçer. Pratik bir sonuç — 128K çıktı penceresini özellikle gerektirmeyen bir iş yükü için GLM-5.2’ye ayda 3.000$ harcıyorsanız, DeepSeek V4 Pro üzerinde aynı trafik şekli kabaca ayda 820$ tutar. Bu tasarrufun kalite ödünleşimine değip değmediğini yalnızca kendi değerlendirmeniz (eval) yanıtlayabilir; fiyat farkı, ölçmemenin masada gerçek para bıraktığı kadar büyüktür.
Hangisini ne zaman seçmeli
“En iyi Çin modeli” yoktur — yalnızca belirli bir iş yükü için doğru model vardır. Bu matrisi bir başlangıç noktası olarak kullanın ve kendi değerlendirmenizle doğrulayın.
| İş yükü | Önerilen | Neden |
|---|---|---|
| Bütçe dostu, yüksek hacimli çok modlu sohbet | DeepSeek V4 Pro | Görüntü desteksiz 1$/1M girişin altındaki tek model. 1K+500 sohbet biriminde Qwen3.7 Max’ten (tek diğer çok modlu seçenek) ~2.7× daha ucuz. |
| Uzun belge analizi (1M bağlam), kısa-orta çıktı | DeepSeek V4 Pro | 1M bağlam + 32K maksimum çıktı çoğu özetleme ve soru-cevap ihtiyacını karşılar. Gruptaki en ucuz 1M bağlamlı model. |
| Çok uzun tek seferlik çıktı gerektiren iş yükleri (>32K token) | GLM-5.2 | GLM-5.2’nin 128K maksimum çıktısı burada eşsizdir. V4 Pro 32K’da keser; Qwen3.7 Max ve Kimi K2.7 Code 8K’da sınırlanır. |
| En taze eğitim bilgisini gerektiren sorular | GLM-5.2 | Bilgi kesimi 2026-04, gruptaki en taze tarih. Yakın tarihli olaylar, API’ler veya kütüphaneler hakkındaki sorgular için yararlı. |
| Dengeli çok modlu amiral, orta fiyat | Qwen3.7 Max | 0.86$/2.57$ fiyatında vision + reasoning + flagship. DeepSeek’in profili olmadan çok modluluk istediğinizde veya Alibaba’nun araç ekosistemini gerektiğinizde altın orta yol. |
| Tüm depo kod analizi, ajanlı kodlama akışları | Kimi K2.7 Code | Uzun bağlamlı kod anlayışı için özel olarak tasarlanmış. 256K bağlam sınırına ve reasoning/flagship etiketlerinin yokluğuna dikkat edin — genel akıl yürütme değil kod için seçin. |
| DeepSeek’in tarzını tercih ettiğiniz zor çok adımlı akıl yürütme | DeepSeek V4 Pro | En düşük fiyatla reasoning ve flagship taşır. Yeni projeler için V4 Pro, kağıt üzerinde eski DeepSeek R1 (0528) modelinin yerini alır. |
Dördü arasında makul bir varsayılan yönlendirme politikası: ucuz, yüksek hacimli, çok modlu trafiği DeepSeek V4 Pro’ya gönderin; uzun çıktılı yeniden düzenlemeleri ve taze bilgi sorgularını GLM-5.2’ye yönlendirin; sıcak bir yolda sağlayıcı çeşitliliği istediğinizde Qwen3.7 Max’ı dengeli çok modlu yedek olarak kullanın; Kimi K2.7 Code’u, uzun bağlamlı kod ayarının primini haklı çıkırdığı özel depo ölçekli kod görevleri için ayırın.
Dördünü de nasıl çağırırsınız (gerçek, çalıştırılabilir kod)
MeshTok, https://meshtok.com/v1 adresinde tek bir OpenAI uyumlu uç nokta sunar. Bu makaledeki herhangi bir model arasında geçiş yapmak, model alanında yapılan tek satırlık bir değişikliktir — aynı SDK, aynı API anahtarı, aynı istek biçimi. Aşağıdaki model kimlikleri katalogdaki gerçek kimliklerdir.
# pip install openai
from openai import OpenAI
client = OpenAI(
base_url="https://meshtok.com/v1",
api_key="sk-your-meshtok-key",
)
def ask(model_id: str, prompt: str) -> str:
"""Same call, different model — switch with one string."""
resp = client.chat.completions.create(
model=model_id,
messages=[{"role": "user", "content": prompt}],
)
return resp.choices[0].message.content
# Real model IDs from the MeshTok catalog
cheap_multimodal = ask("deepseek/deepseek-v4-pro", "Summarize this 200K-token transcript and extract action items.")
long_output = ask("bigmodel/glm-5.2", "Rewrite this 50K-token file with the new API and keep it under 100K tokens.")
balanced_vision = ask("ali/qwen3.7-max", "Describe this screenshot and suggest UI fixes.")
repo_code = ask("moonshot/kimi-k2.7-code", "Analyze this entire repository and list dead code.")Akışlı yanıtlar için stream=True geçirin ve parçalar üzerinde dolaşın; araç çağrısı için tools argümanını geçirin; yapılandırılmış çıktı için response_format={"type": "json_object"} kullanın. Dört model de tools ve json destekler, dolayısıyla istek biçimi dördünde de aynıdır. Python, JavaScript ve cURL ile tam örnekler için MeshTok akış belgeleri ve araç çağrısı belgelerine bakın.
SSS
Dördünden en ucuzu hangisi? Aralarında belirgin bir farkla DeepSeek V4 Pro. Milyon token başına 0.4286$/0.8571$ ile, hem giriş hem çıktıda 1$/M altındaki tek model. 1M giriş artı 1M çıktı biriminde, diğer üçünden 2.7–4.0× daha ucuzdur.
En uzun bağlam penceresi hangisinde? Dördünden üçü — DeepSeek V4 Pro, GLM-5.2 ve Qwen3.7 Max — 1.000.000 tokenlık bir bağlam penceresini paylaşır. Kimi K2.7 Code 256.000 tokenla sınırlanır. Bağlam penceresi, modelin kabul ettiği beyan edilen üst sınırdır, her konumda kalite garantisi değildir — uzun bağlamlı davranışı daima kendi verilerinizle test edin.
En uzun maksimum çıktı hangisinde? Yalnızca GLM-5.2, 128.000 tokenla. DeepSeek V4 Pro 32.768 sunar; Qwen3.7 Max ve Kimi K2.7 Code 8.192 ile sınırlanır. İş yükünüz çok uzun tek seferlik yanıtlar üretiyorsa, GLM-5.2 kesmeyen tek seçenektir.
Hangi modeller görüntüyü (görüntü girişi) destekler? Yalnızca DeepSeek V4 Pro ve Qwen3.7 Max. GLM-5.2 ve Kimi K2.7 Code yalnızca metindir. Özellikle GLM-5.2, dördü arasında en pahalı olmasına rağmen görüntü yeteneğinden yoksundur.
Bu makalede neden gecikme veya kalite benchmark’ı yok?
Çünkü hiç çalıştırmadık ve ham loglarla destekleyemeyeceğimiz sayıları yayınlamayacağız. Gecikme; günün saatine, bölgeye, istem uzunluğuna ve kuyruk durumuna bağlıdır; test altyapısı olmayan tek bir ilk token gecikme rakamı pazarlamadır, veri değil. Paylaşılan bir değerlendirme seti olmadan kalite karşılaştırmaları da aynı ölçüde yumuşaktır. Yukarıdaki fiyat ve yetenek verileri, kararlı ve doğrulanabilir olan kısımdır. Geri kalan için MeshTok üzerinde kendi istemleriniz ve temperature: 0.0 ile kendi değerlendirmenizi çalıştırın.
Kimi K2.7 Code gerçekten bir “amiral gemisi” mi?
Hayır — katalogda flagship yetenek etiketini taşımaz ve reasoning etiketinden yoksundur. Buraya dahil edilmesinin nedeni, Moonshot’ın en ilgili geliştiriciye yönelik sürümü olmasıdır: uzun bağlamlı bir kodlama uzmanı. Genel akıl yürütme için değil, kod için seçin. Moonshot’ın genel amaçlı Kimi K2.6 modeli, bunu gereksinim duyarsanız reasoning taşır.
Bu fiyatlar kararlı mı?
Model sağlayıcıları liste fiyatlarını düzenli olarak günceller. Buradaki rakamlar 2026-08-21 tarihindeki MeshTok katalogunu yansıtır. Sayfanın üstündeki updatedDate, makalenin en son ne zaman gözden geçirildiğini belirtir; canlı doğruluk kaynağı her zaman https://meshtok.com/models adresidir.
Son gözden geçirme 2026-08-21, MeshTok Team tarafından. Tüm fiyatlar ve yetenekler, gözden geçirme tarihindeki canlı MeshTok model kataloğundan (src/data/models.ts) alınmıştır. Bu makale için gecikme, token sayısı veya kalite ölçümü yapılmamıştır — gösterilen rakamlar, yayımlanmış liste fiyatlarından yapılan aritmetik projeksiyonlardır, ampirik benchmarklar değildir.