GLM-5.3-Flash 是 2026 年 8 月 26 日的发布，用一个数字讲清了 Z.ai 的成本主张：每百万输入 token $0.15。它是 GLM-5 系列第一个原生多模态模型，从全新的基座训练而来——总参数 320B、激活 18B——而不是在 GLM-5.2 的基座上做后训练。
有意思的是架构。它把线性注意力（用状态建模局部依赖）与稀疏注意力（用轻量索引器检索全局信息，并新增”IndexPool”把四个索引键压成一个）结合起来，再加上流形约束超连接（mHC）。相比 GLM-5.3，注意力计算减少 3.0 倍、KV 缓存缩小 4.4 倍——1M token 上下文就这样变得可负担。权重以 MIT 许可发布在 Hugging Face。
基准测试
Z.ai 发布时自报（2026 年 8 月 26 日）。对比列取自其发布的表格。
| 基准 | GLM-5.3-Flash | GLM-5.2 | DeepSeek V4-Vision-Exp | Opus 4.8 | GPT-5.6 Terra | Gemini 3.7 Flash |
|---|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 84.3 | 81.0 | 83.9 | 85.0 | 87.4 | 85.8 |
| DeepSWE v1.1 | 63.4 | 46.2 | 59.3 | 58.0 | 69.6 | 65.3 |
| NL2Repo | 56.3 | 48.9 | 57.7 | 69.7 | — | — |
| Toolathlon Verified | 78.4 | 59.9 | 75.9 | 76.2 | 74.9 | — |
| AutomationBench | 48.8 | 26.2 | 38.8 | 41.0 | 37.2 | 52.3 |
| Agents’ Last Exam | 26.3 | 20.4 | 27.3 | 27.0 | 28.0 | — |
| HLE（带工具） | 55.3 | 54.7 | 55.1 | 57.9 | — | — |
| GDPval-AA v2（Elo） | 1773 | 1504 | 1675 | 1582 | 1571 | 1527 |
| OSWorld 2.0 | 59.1 | — | 54.9 | 54.8 | 50.2 | 47.9 |
| Vision2Web | 77.8 | — | 67.6 | 76.1 | 67.5 | 76.5 |
| CharXiv Reasoning（带工具） | 89.4 | — | 80.4 | 89.9 | 88.0 | 88.7 |
| MMVU | 80.5 | — | 72.7 | 67.4 | 75.8 | 82.3 |
Opus 4.8 与 GPT-5.6 Terra 是较早一代的对比对象；Z.ai 的表格里没有更新的 Claude 5.5 或 GPT-6 模型。Gemini 3.7 Flash 在 AutomationBench、MMVU 与 BabyVision（70.9 对 53.4）上胜过 GLM-5.3-Flash。
在 Z.ai 私有的 Code Bench v1.0 上，最大强度下它几乎追平 Opus 4.8（29.0 对 29.5）。Z.ai 还援引 Artificial Analysis Intelligence Index v4.1.1：得分 57，折扣价下每任务约 $0.045。
定价
| 每 1M token | GLM-5.3-Flash | GLM-5.3-FlashX |
|---|---|---|
| 输入 | $0.15 | $0.37 |
| 缓存输入 | $0.03 | $0.075 |
| 输出 | $0.50 | $1.25 |
FlashX 是更快的档位（约 200 token/秒）；两者都支持 1M token 上下文。
规格
| 规格 | 数值 |
|---|---|
| API 模型 | glm-5.3-flash、glm-5.3-flashx |
| 架构 | 320B MoE，激活 18B，45 层；稀疏与线性注意力混合，IndexPool，mHC |
| 预训练 | 全新基座，30T 多模态 token |
| 上下文窗口 | 1M token；最大输出 128K |
| 模态 | 文本、图像、视频、文件输入；文本输出 |
| 推理 | 始终开启；推荐 reasoning_effort: max，temperature 1，top_p 0.95 |
| 许可证 | MIT（权重在 Hugging Face） |
| 部署 | SGLang、vLLM、TokenSpeed；发布时已在国产 AI 芯片上大规模服务 |
对比
- 对比 GLM-5.3： 旗舰更大、仅支持文本、贵约 9 倍；Flash 在价格、视觉与长上下文成本上占优。
- 对比 GLM-5.2： 每个公布的项目都更好，价格约为十分之一。
- 对比 DeepSeek V4.1-Flash： 两者都是高效的开放模型；DeepSeek 的更大（552B），DeepSWE v1.1 得分更高（74.2 对 63.4），而 GLM-5.3-Flash 原生支持视频输入。
- 对比 Qwen3.8-Flash-Next： 更小的开放模型（激活 6B），API 价格相近；阿里报告 DeepSWE v1.1 为 58.7，对 GLM-5.3-Flash 的 63.4（评测框架不同），且采用社区许可证而非 MIT。
局限
- 厂商自报，且对比模型较旧。
- 始终开启思考——没有非推理模式。
- 仅输出文本。
更大的版图请见 2026 LLM 指南。
适用场景
- 带视觉反馈闭环的低成本编码智能体（前端、游戏、GUI）
- 电脑操作与浏览器操作智能体
- 办公与文档工作流——PPTX、DOCX、XLSX 与 PDF 交付物
- MIT 许可下的自托管多模态智能体栈
优缺点
优势
- 定价 $0.15 / $0.50——约为 GLM-5.2 的十分之一——却在 Z.ai 公布的每个编码与智能体项目上都超过它
- GLM-5 系列首个原生多模态模型，支持图像、视频与文件输入，视觉编码与电脑操作成绩亮眼（OSWorld 2.0 59.1、Vision2Web 77.8）
- 全新的稀疏加线性注意力混合设计，相比 GLM-5.3 注意力计算减少 3.0 倍、KV 缓存缩小 4.4 倍，让 1M 上下文服务起来便宜
- MIT 许可权重已发布在 Hugging Face；Z.ai 援引 Artificial Analysis Intelligence Index v4.1.1 得分 57，每任务约 $0.045
局限
- 在高难度长程任务上仍落后于最大的模型，Z.ai 自己也只说"接近"Claude Opus 4.8
- 320B 参数的模型仍属多卡部署，但比 GLM-5.3 轻得多
- 与 GLM-5.3 一样不能关闭思考，对延迟敏感的场景只能选 low 强度
- 只能输出文本——没有图像或音频生成
常见问题
GLM-5.3-Flash 什么时候发布的？
Z.ai 于 2026 年 8 月 26 日发布，权重上线 Hugging Face，API 模型名为 `glm-5.3-flash` 与 `glm-5.3-flashx`。发布前它曾以"ox-alpha"之名在 OpenCode 与 OpenRouter 上匿名测试。
GLM-5.3-Flash 多少钱？
GLM-5.3-Flash 输入 $0.15 / 百万 token，缓存 $0.03，输出 $0.50。GLM-5.3-FlashX 输入 $0.37、缓存 $0.075、输出 $1.25，推理更快，约 200 token/秒。
它是 GLM-5.3 的蒸馏版吗？
不是。Z.ai 说它从全新训练的基座出发，架构重新设计，使用 30T token 的多模态预训练语料，并非来自 GLM-5.2 或 GLM-5.3 的基座。
它有多大？
总参数 320B、激活 18B、共 45 层，而 GLM-4.5 为 355B / 32B / 92 层。Z.ai 称它是第一个结合稀疏与线性注意力的开源前沿级模型。
GLM-5.3-Flash 能看图和视频吗？
能。它接受文本、图像、视频与文件输入并输出文本，上下文窗口 1M token，最大输出 128K。