Apakah perbezaan antara GLM-5.3-Flash dan GLM-5.2?

GLM-5.3-Flash memperbaiki GLM-5.2 dengan perhatian hibrid sparse-plus-linear: kiraan perhatian lebih kurang 3× lebih rendah dan KV cache 4,4× lebih kecil — inilah yang membolehkan konteks 1,31 juta token kekal berjalan pada kelajuan gred flash. Penanda aras juga meningkat merentas semua bidang: DeepSWE v1.1 daripada 46,2 kepada 63,4, Toolathlon daripada 59,9 kepada 78,4.

Bagaimana perbandingan GLM-5.3-Flash dengan Claude Opus 4.8?

Keduanya mendapat skor setara pada Intelligence Index milik Artificial Analysis (57 setiap satu), manakala Agentic Index GLM-5.3-Flash (58) berada di atas Claude Opus 4.8. Pada Z.ai Code Bench kedua-duanya hampir setanding (29,0 berbanding 29,5), tetapi GLM-5.3-Flash ketinggalan pada NL2Repo (56,3 berbanding 69,7).

Apakah seni bina perhatian hibrid?

GLM-5.3-Flash menggandingkan perhatian sparse dengan laluan perhatian linear; IndexPool memampatkan indeks cache kepada satu perempat saiznya, dan Manifold-Constrained Hyper-Connections (mHC) memperbaiki skala. Z.ai melaporkan kiraan perhatian lebih kurang 3× lebih rendah dan KV cache 4,4× lebih kecil berbanding GLM-5.3 — inilah yang membolehkan konteks 1,31 juta token berjalan pada kelajuan gred flash.

Bolehkah saya menjalankannya sendiri?

Boleh — bobotnya berlesen MIT dan bebas untuk dihoskan sendiri. Dengan hanya 18B parameter aktif bagi setiap token, model ini agak ringan untuk dihoskan pada enjin inferens berasaskan SGLang milik Z.ai, dan anda juga boleh menggunakan 10+ pembekal terurus di OpenRouter.

Di manakah saya boleh menggunakan GLM-5.3-Flash hari ini?

Di Felo, anda boleh menggunakannya melalui Felo AI Search dan Felo API. Platform Z.ai dan OpenRouter ialah saluran rasmi yang lain.

Lesen MIT · Bobot Terbuka · Dilancarkan 26 Ogos 2026

GLM-5.3-FlashKecerdasan Perintis, Bobot Terbuka

GLM-5.3-Flash ialah model perintis berbobot terbuka dari Z.ai, dilancarkan pada 26 Ogos 2026 di bawah Lesen MIT. Ia menyamai Claude Opus 4.8 pada Intelligence Index milik Artificial Analysis dengan tetingkap konteks 1,310,720 token, input teks, imej dan video secara natif, serta MoE 320B parameter yang hanya mengaktifkan 18B. Cubalah di Felo AI Search, atau panggil melalui Felo API.

Cuba GLM-5.3-Flash di Felo Panggil melalui Felo API

Tersedia di Felo AI Search dan Felo API

Kad model

GLM-5.3-Flash sepintas lalu

Lesen: MIT · Bobot terbuka
Parameter: 320B jumlah · 18B aktif
Tetingkap konteks: 1,31 juta token
Output maksimum: 48,000 token
Input: Teks · Imej · Video

Perhatian hibrid sparse + linear: kiraan perhatian lebih kurang 3× lebih rendah dan KV cache 4,4× lebih kecil berbanding GLM-5.3.

Intelligence Index

Artificial Analysis · setanding Claude Opus 4.8

Tetingkap Konteks

1,310,720 token input

48K

Output Maksimum

48,000 token setiap respons

MIT

Lesen

MIT · bobot terbuka

Yang Membezakan Seni Bina Ini

Z.ai membina semula siri GLM-5 di sekeliling reka bentuk perhatian hibrid, menjadikan kecerdasan kelas perintis praktikal untuk dihoskan.

Perhatian Hibrid Sparse + Linear

Model perintis terbuka pertama yang menggabungkan perhatian sparse dan linear. IndexPool yang ringan mengecilkan indeks cache kepada satu perempat saiznya, dan Manifold-Constrained Hyper-Connections (mHC) meningkatkan skala — kiraan perhatian lebih kurang 3× lebih rendah dan KV cache 4,4× lebih kecil berbanding GLM-5.3, sambil kekal tepat pada konteks panjang.

Bobot Terbuka, Lesen MIT

Bobot penuh diterbitkan di bawah Lesen MIT. Hoskan sendiri, perhalusi (fine-tune), atau gunakan melalui Z.ai atau salah satu daripada 10+ pembekal yang menghoskan di OpenRouter.

GLM-5 Pertama yang Multimodal Secara Natif

Dilatih pada korpus multimodal 30T token, model ini membaca teks, imej dan video secara terus — tanpa saluran pemprosesan imej berasingan, tanpa menambung beberapa model.

Kerja Kelas Perintis, Prestasi Kilat

MoE 320B parameter yang hanya mengaktifkan 18B bagi setiap token menyiapkan kerja kelas perintis pada kelajuan agen.

Setanding Claude Opus 4.8

Intelligence Index milik Artificial Analysis: 57 untuk GLM-5.3-Flash, 57 untuk Claude Opus 4.8. Agentic Index: 58, melepasi Claude Opus 4.8, Claude Fable 5 dan GPT-5.6 Sol.

Dibina untuk Pengekodan dan Agens

Z.ai Code Bench (max effort): 29,0 berbanding 29,5 milik Claude Opus 4.8. DeepSWE v1.1: 63,4 — 17,2 mata di atas GLM-5.2.

Satu Permintaan untuk Teks, Imej dan Video

Tetingkap konteks 1,310,720 token dengan input multimodal natif. Chartography: 78,0 berbanding 64,3 milik DeepSeek-V4-Flash-Vision-Exp; MVBench: 77,8 berbanding 69,4.

Respons di Bawah Satu Saat

Pembekal di OpenRouter mengukur masa token pertama median 0,55 saat dan nilai pemprosesan puncak sekitar 134 token/saat, dengan 10+ pembekal untuk dipilih.

Penanda Aras Rasmi Kad Model

GLM-5.3-Flash vs. Model Perintis Teratas

Keputusan rasmi kad model Z.ai: GLM-5.3-Flash berbanding GLM-5.2, DeepSeek-V4-Vision-Exp, Opus 4.8, GPT-5.6 Terra, dan Gemini 3.7 Flash, Ogos 2026. Lebih tinggi lebih baik — teks tebal menandakan skor terbaik dalam setiap baris.

Penanda aras

GLM-5.3-Flash

GLM-5.2

DeepSeek-V4-Vision-Exp

Opus 4.8

GPT-5.6 Terra

Gemini 3.7 Flash

Pengekodan

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

Agentik

Toolathlon Verified

78.4

59.9

75.9

76.2

74.9

AutomationBench v1.0.6

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 w/ Tools

55.3

54.7

55.1

57.9

GDPval-AA v2

1773

1504

1675

1582

1571

1527

Visi

OfficeQA Pro

62.4

57.9

48.9

CharXiv Reasoning w/ Tools

89.4

80.4

89.9

88.0

88.7

Chartography w/ Tools

78.0

64.3

75.0

68.0

65.0

BabyVision

53.4

35.1

46.8

61.6

70.9

MVbench

77.8

69.4

67.1

75.0

82.2

MMVU

80.5

72.7

67.4

75.8

82.3

Sumber: kad model rasmi Z.ai, Ogos 2026. Dilaporkan sendiri; keputusan mungkin berbeza bergantung pada persediaan penilaian.

Z.ai Code Bench (max effort): 29,0 berbanding 29,5 milik Claude Opus 4.8 · Agentic Index milik Artificial Analysis: 58, melepasi Claude Opus 4.8

Baca pengumuman Z.ai

Papan Pendahulu Bebas

GLM-5.3-Flash dalam Kedudukan Pihak Ketiga

Kemahiran reka bentuk frontend di DesignArena dan nilai pada sempadan Pareto milik Artificial Analysis.

DesignArena — Frontend Keseluruhan (Non-Agentik)
GLM-5.3-Flash berada pada 1348 dan 1345 dalam Elo frontend DesignArena — tempat ke-5 dan ke-6 keseluruhan, di belakang Kimi K3, GPT-5.6 Sol, dan Claude Opus 5, serta di hadapan GLM-5.2, Gemini 3.7 Flash, dan Claude Sonnet 5.
Sumber: DesignArena by Intelligence · Elo Rating · All Models

Artificial Analysis — Sempadan Pareto Kos-Prestasi
57 mata pada Intelligence Index pada kos $0,045 setiap tugas — GLM-5.3-Flash berada pada sempadan Pareto bersama GPT-5.6 Sol (max) dan Claude Opus 5 (max), dengan kos yang hanya sebahagian kecil daripada mereka.
Sumber: Artificial Analysis, dikemas kini pada 26 Ogos 2026

Spesifikasi Teknikal

Butiran penting apabila anda menggunakan GLM-5.3-Flash dalam aliran kerja anda sendiri.

Konteks & Output

1,310,720 token input (konteks 1M+)

48,000 token output maksimum

Seni bina

Mixture-of-Experts 320B jumlah / 18B aktif, 45 lapisan. Perhatian hibrid sparse + linear dengan IndexPool dan Manifold-Constrained Hyper-Connections (mHC).

Lesen & Bobot

Bobot terbuka berlesen MIT, dilatih pada korpus multimodal 30T token.

Kelajuan

Masa token pertama median 0,55 saat dan nilai pemprosesan puncak sekitar 134 token/saat merentas pembekal OpenRouter (diukur pada Ogos 2026).

Ketersediaan

Berjalan di Felo AI Search dan Felo API, serta platform Z.ai dan 10+ pembekal OpenRouter.

Modaliti

Input natif teks, imej dan video dengan output teks — model multimodal natif pertama dalam siri GLM-5.

Satu Model, Semua Jenis Input

Tiada saluran berasingan atau model yang ditambung — GLM-5.3-Flash membaca teks, imej dan video secara natif.

Teks & Kod

Menghuraikan dokumen panjang, pangkalan kod dan data berstruktur dalam satu laluan — 63,4 pada DeepSWE v1.1, 84,3 pada Terminal-Bench 2.1.

Imej & Carta

Masukkan tangkapan skrin, carta dan rajah untuk jawapan yang berasas: Chartography 78,0 berbanding 64,3 milik DeepSeek-V4-Flash-Vision-Exp; OfficeQA-Pro 62,4% berbanding 48,9% milik Claude Opus 4.8.

Video

Analisis video bersama teks dan imej: MVBench 77,8%, di hadapan 69,4% milik DeepSeek-V4-Flash-Vision-Exp.

Siapa Menggunakan GLM-5.3-Flash

Daripada pembangun solo hingga pasukan yang menjalankan inferens sendiri, GLM-5.3-Flash mengendalikan pengekodan, penyelidikan dan kerja multimodal pada satu model terbuka.

Pengekodan Agentik

63,4 pada DeepSWE v1.1 dan 48,8 pada AutomationBench v1.0.6 menjadikannya pilihan kukuh untuk agen pengekodan, suntingan berbilang fail dan rantaian panggilan yang panjang.

Kerja Agen Jangka Panjang

Toolathlon 78,4 ditambah tetingkap 1,31 juta token mengekalkan satu sesi berjalan merentas banyak langkah tanpa hilang konteks.

Penyelidikan Multimodal

Gabungkan dokumen, tangkapan skrin, carta dan bingkai video dalam satu permintaan untuk mendapatkan jawapan berstruktur bersama sumbernya.

Analisis Video & Visual

MVBench 77,8 dan Chartography 78,0 merangkumi pemahaman video, pembacaan carta dan analisis susun atur dokumen.

Penempatan Sendiri (Self-Hosted)

Lesen MIT dan 18B parameter aktif bermaksud anda boleh menjalankan bobot itu sendiri untuk aliran kerja yang sensitif data atau memerlukan penalaan halus.

Agen & Pipeline Felo

Panggil ia melalui Felo API untuk membina agen, automasi dan pipeline alat yang boleh dibaca mesin.

Dua Cara Menggunakan GLM-5.3-Flash

Guna di Felo AI Search

Buka Felo AI Search untuk bertanya soalan, mencari web dengan AI, dan dapatkan jawapan yang bersumber daripada GLM-5.3-Flash.

Buka Felo AI Search

Panggil Felo API

Dapatkan kunci Felo API, tetapkan URL asas, dan panggil model daripada Claude Code, Codex, Hermes Agent, atau agen anda sendiri yang serasi dengan OpenAI.

Lihat Felo API

Soalan Lazim

GLM-5.3-Flash ialah model perintis berbobot terbuka daripada Z.ai yang dilancarkan pada 26 Ogos 2026. Ia ialah model Mixture-of-Experts 320B parameter dengan 18B parameter aktif, tetingkap konteks 1,310,720 token, input natif teks, imej dan video, serta perhatian hibrid sparse-plus-linear. Ia berlesen MIT.

Mulakan dengan GLM-5.3-Flash di Felo

Model perintis terbuka daripada Z.ai — tetingkap konteks 1,31 juta token, input multimodal natif, dan pengekodan kelas agen dalam satu tempat.

Buka GLM-5.3-Flash di Felo AI Search

Juga di platform Z.ai dan Felo API