GLM-5.3-Flash และ GLM-5.2 แตกต่างกันอย่างไร?

GLM-5.3-Flash พัฒนาเหนือกว่า GLM-5.2 ด้วย attention แบบไฮบริด sparse + linear: การคำนวณ attention น้อยลงราว 3× และ KV cache เล็กลง 4.4× ซึ่งเป็นกุญแจที่ทำให้บริบท 1.31 ล้านโทเคนทำงานได้ที่ความเร็วระดับ flash เกณฑ์มาตรฐานโดยรวมก็ดีขึ้นเช่นกัน — DeepSWE v1.1 จาก 46.2 เป็น 63.4 ส่วน Toolathlon จาก 59.9 เป็น 78.4

GLM-5.3-Flash เปรียบเทียบกับ Claude Opus 4.8 อย่างไร?

ทั้งคู่ทำคะแนนเท่ากันบนดัชนี Intelligence Index ของ Artificial Analysis (57 เท่ากัน) ส่วนดัชนี Agentic Index ของ GLM-5.3-Flash (58) อยู่เหนือ Claude Opus 4.8 บน Z.ai Code Bench ทั้งสองใกล้เคียงกัน (29.0 เทียบกับ 29.5) แต่ GLM-5.3-Flash ตามหลังใน NL2Repo (56.3 เทียบกับ 69.7)

สถาปัตยกรรม attention แบบไฮบริดคืออะไร?

GLM-5.3-Flash จับคู่ attention แบบ sparse กับเส้นทาง attention แบบ linear โดย IndexPool บีบดัชนีแคชให้เหลือหนึ่งในสี่ และ Manifold-Constrained Hyper-Connections (mHC) ช่วยปรับปรุงการขยายสเกล Z.ai รายงานว่าการคำนวณ attention ลดลงราว 3× และ KV cache เล็กลง 4.4× เมื่อเทียบกับ GLM-5.3 ซึ่งเป็นเหตุให้บริบท 1.31 ล้านโทเคนทำงานได้ที่ความเร็วระดับ flash

ฉันรันด้วยตัวเองได้ไหม?

ได้ น้ำหนักโมเดลนี้ได้รับใบอนุญาต MIT และโฮสต์เองได้ฟรี ด้วยพารามิเตอร์ทำงานเพียง 18B ต่อโทเคน โมเดลจึงค่อนข้างเบาในการให้บริการบนเอนจินอินเฟอเรนซ์ที่ใช้ SGLang ของ Z.ai และคุณยังใช้ผู้ให้บริการแบบจัดการกว่า 10 รายบน OpenRouter ได้

วันนี้ฉันใช้ GLM-5.3-Flash ได้จากที่ไหนบ้าง?

บน Felo คุณใช้ได้ผ่าน Felo AI Search และ Felo API ส่วนแพลตฟอร์ม Z.ai และ OpenRouter คือช่องทางอย่างเป็นทางการอื่น ๆ

สัญญาอนุญาต MIT · น้ำหนักแบบเปิด · เปิดตัว 26 ส.ค. 2026

GLM-5.3-Flashปัญญาระดับแนวหน้า น้ำหนักแบบเปิด

GLM-5.3-Flash คือโมเดลระดับแนวหน้าแบบเปิดน้ำหนักของ Z.ai เปิดตัวเมื่อวันที่ 26 สิงหาคม 2026 ภายใต้สัญญาอนุญาต MIT โมเดลนี้ทำแต้มเสมอ Claude Opus 4.8 ในดัชนี Intelligence Index ของ Artificial Analysis ด้วยหน้าต่างบริบท 1,310,720 โทเคน รองรับอินพุตข้อความ ภาพ และวิดีโอแบบเนทีฟ และใช้ MoE 320B พารามิเตอร์ที่กระตุ้นทำงานเพียง 18B ลองใช้บน Felo AI Search หรือเรียกใช้ผ่าน Felo API ได้เลย

ลองใช้ GLM-5.3-Flash บน Felo เรียกใช้ผ่าน Felo API

ใช้งานได้บน Felo AI Search และ Felo API

การ์ดโมเดล

GLM-5.3-Flash โดยสรุป

สัญญาอนุญาต: MIT · น้ำหนักแบบเปิด
พารามิเตอร์: 320B รวม · 18B ทำงาน
หน้าต่างบริบท: 1.31 ล้านโทเคน
ผลลัพธ์สูงสุด: 48K โทเคน
อินพุต: ข้อความ · ภาพ · วิดีโอ

Attention แบบไฮบริด sparse + linear: การคำนวณ attention น้อยลงประมาณ 3× และ KV cache เล็กลง 4.4× เมื่อเทียบกับ GLM-5.3

Intelligence Index

Artificial Analysis · ระดับเดียวกับ Claude Opus 4.8

หน้าต่างบริบท

อินพุต 1,310,720 โทเคน

48K

ผลลัพธ์สูงสุด

48,000 โทเคนต่อการตอบกลับ

MIT

สัญญาอนุญาต

MIT · น้ำหนักแบบเปิด

อะไรที่ทำให้สถาปัตยกรรมนี้โดดเด่น

Z.ai ปรับโครงสร้างซีรีส์ GLM-5 ใหม่รอบการออกแบบ attention แบบไฮบริด ทำให้ความอัจฉริยะระดับแนวหน้านำมาให้บริการได้จริง

Attention แบบไฮบริด Sparse + Linear

โมเดลแนวหน้าแบบเปิดตัวแรกที่ผสาน attention แบบ sparse และ linear โดย IndexPool น้ำหนักเบาบีบดัชนีแคชให้เหลือเพียงหนึ่งในสี่ของขนาดเดิม และ Manifold-Constrained Hyper-Connections (mHC) ช่วยขยายสเกลได้ดีขึ้น การคำนวณ attention น้อยลงราว 3× และ KV cache เล็กลง 4.4× เมื่อเทียบกับ GLM-5.3 พร้อมรักษาความแม่นยำกับบริบทระยะยาว

น้ำหนักแบบเปิด สัญญาอนุญาต MIT

เผยแพร่น้ำหนักครบชุดภายใต้สัญญาอนุญาต MIT นำไปโฮสต์เอง ปรับแต่ง (fine-tune) หรือปรับใช้ผ่าน Z.ai หรือผู้ให้บริการกว่า 10 รายที่โฮสต์บน OpenRouter ได้เลย

GLM-5 แรกที่เป็นมัลติโมดัลแบบเนทีฟ

ฝึกจากคลังข้อมูลมัลติโมดัลขนาด 30T โทเคน อ่านข้อความ ภาพ และวิดีโอได้โดยตรง ไม่ต้องมีชุดประมวลผลภาพแยกต่างหาก และไม่ต้องประกอบโมเดลหลายตัวเข้าด้วยกัน

งานระดับแนวหน้า ความเร็วสายฟ้าแลบ

MoE 320B พารามิเตอร์ที่กระตุ้นทำงานเพียง 18B ต่อโทเคน ทำให้ทำงานระดับแนวหน้าให้เสร็จได้ด้วยความเร็วระดับเอเจนต์

ระดับเดียวกับ Claude Opus 4.8

ดัชนี Intelligence Index ของ Artificial Analysis: GLM-5.3-Flash ได้ 57 คะแนน ส่วน Claude Opus 4.8 ได้ 57 เช่นกัน ดัชนี Agentic Index: 58 คะแนน สูงกว่า Claude Opus 4.8, Claude Fable 5 และ GPT-5.6 Sol

สร้างมาเพื่อเขียนโค้ดและเอเจนต์

Z.ai Code Bench (max effort): 29.0 ขณะที่ Claude Opus 4.8 ได้ 29.5 ส่วน DeepSWE v1.1: 63.4 สูงกว่า GLM-5.2 อยู่ 17.2 คะแนน

คำขอเดียว ครอบคลุมข้อความ ภาพ วิดีโอ

หน้าต่างบริบท 1,310,720 โทเคนพร้อมอินพุตมัลติโมดัลแบบเนทีฟ Chartography: 78.0 เทียบกับ DeepSeek-V4-Flash-Vision-Exp ที่ได้ 64.3 ส่วน MVBench: 77.8 เทียบกับ 69.4

ตอบสนองในเวลาน้อยกว่าหนึ่งวินาที

ผู้ให้บริการบน OpenRouter วัดอัตราแฝงของโทเคนแรกที่ 0.55 วินาที และปริมาณงานสูงสุดราว 134 โทเคน/วินาที โดยมีผู้ให้บริการให้เลือกกว่า 10 ราย

เบนช์มาร์กอย่างเป็นทางการจากการ์ดโมเดล

GLM-5.3-Flash เทียบกับโมเดลระดับแนวหน้าอันดับต้น

ผลลัพธ์อย่างเป็นทางการจากการ์ดโมเดลของ Z.ai: GLM-5.3-Flash เทียบกับ GLM-5.2, DeepSeek-V4-Vision-Exp, Opus 4.8, GPT-5.6 Terra และ Gemini 3.7 Flash เดือนสิงหาคม 2026 ยิ่งสูงยิ่งดี — ตัวหนาคือคะแนนที่ดีที่สุดในแต่ละแถว

เบนช์มาร์ก

GLM-5.3-Flash

GLM-5.2

DeepSeek-V4-Vision-Exp

Opus 4.8

GPT-5.6 Terra

Gemini 3.7 Flash

การเขียนโค้ด

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

งานเอเจนต์

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

การมองเห็น

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

ที่มา: การ์ดโมเดลอย่างเป็นทางการของ Z.ai เดือนสิงหาคม 2026 เป็นข้อมูลที่รายงานเอง ผลลัพธ์อาจเปลี่ยนแปลงตามรูปแบบการประเมิน

Z.ai Code Bench (max effort): 29.0 เทียบกับ Claude Opus 4.8 ที่ 29.5 · ดัชนี Agentic Index ของ Artificial Analysis: 58 สูงกว่า Claude Opus 4.8

อ่านประกาศของ Z.ai

ลีดเดอร์บอร์ดอิสระ

GLM-5.3-Flash ในการจัดอันดับจากบุคคลที่สาม

ทักษะการออกแบบฟรอนต์เอนด์บน DesignArena และความคุ้มค่าบนเส้น Pareto ของ Artificial Analysis

DesignArena — ฟรอนต์เอนด์โดยรวม (ไม่ใช่แบบ Agentic)
GLM-5.3-Flash ได้ 1348 และ 1345 บน Elo ฟรอนต์เอนด์ของ DesignArena — ได้อันดับ 5 และ 6 โดยรวม ตามหลัง Kimi K3, GPT-5.6 Sol และ Claude Opus 5 แต่เหนือกว่า GLM-5.2, Gemini 3.7 Flash และ Claude Sonnet 5
ที่มา: DesignArena by Intelligence · Elo Rating · All Models

Artificial Analysis — เส้น Pareto ด้านต้นทุนและประสิทธิภาพ
ได้ 57 คะแนนบนดัชนี Intelligence Index ที่ $0.045 ต่องาน — GLM-5.3-Flash อยู่บนเส้น Pareto ร่วมกับ GPT-5.6 Sol (max) และ Claude Opus 5 (max) โดยใช้ต้นทุนเพียงเศษเสี้ยวของทั้งสอง
ที่มา: Artificial Analysis อัปเดตเมื่อวันที่ 26 สิงหาคม 2026

ข้อกำหนดทางเทคนิค

รายละเอียดที่สำคัญเมื่อคุณใช้ GLM-5.3-Flash ในเวิร์กโฟลว์ของตัวเอง

บริบทและผลลัพธ์

อินพุต 1,310,720 โทเคน (บริบท 1M+)

ผลลัพธ์สูงสุด 48,000 โทเคน

สถาปัตยกรรม

Mixture-of-Experts 320B รวม / 18B ทำงาน 45 ชั้น ใช้ Attention แบบไฮบริด sparse + linear ร่วมกับ IndexPool และ Manifold-Constrained Hyper-Connections (mHC)

สัญญาอนุญาตและน้ำหนัก

น้ำหนักแบบเปิดภายใต้สัญญาอนุญาต MIT ฝึกจากคลังข้อมูลมัลติโมดัลขนาด 30T โทเคน

ความเร็ว

อัตราแฝงโทเคนแรกมัธยฐานที่ 0.55 วินาที และปริมาณงานสูงสุดราว 134 โทเคน/วินาที จากผู้ให้บริการบน OpenRouter (วัดในเดือนสิงหาคม 2026)

ช่องทางใช้งาน

ใช้งานได้จริงบน Felo AI Search และ Felo API รวมถึงแพลตฟอร์ม Z.ai และผู้ให้บริการ OpenRouter กว่า 10 ราย

รูปแบบข้อมูล

อินพุตแบบเนทีฟทั้งข้อความ ภาพ และวิดีโอ พร้อมเอาต์พุตเป็นข้อความ ถือเป็นโมเดลมัลติโมดัลแบบเนทีฟตัวแรกในซีรีส์ GLM-5

โมเดลเดียว รองรับทุกอินพุต

ไม่มีไปป์ไลน์แยกหรือการประกอบโมเดล GLM-5.3-Flash อ่านข้อความ ภาพ และวิดีโอได้แบบเนทีฟ

ข้อความและโค้ด

ประมวลผลเอกสารยาว โค้ดเบส และข้อมูลที่มีโครงสร้างผ่านในรอบเดียว ได้ 63.4 บน DeepSWE v1.1 และ 84.3 บน Terminal-Bench 2.1

ภาพและกราฟ

ใส่ภาพหน้าจอ แผนภูมิ และไดอะแกรมเพื่อรับคำตอบที่มีหลักฐานรองรับ Chartography 78.0 เทียบกับ DeepSeek-V4-Flash-Vision-Exp ที่ 64.3 ส่วน OfficeQA-Pro 62.4% เทียบกับ Claude Opus 4.8 ที่ 48.9%

วิดีโอ

วิเคราะห์วิดีโอควบคู่กับข้อความและภาพ MVBench 77.8% นำหน้า DeepSeek-V4-Flash-Vision-Exp ที่ 69.4%

ใครใช้ GLM-5.3-Flash

ตั้งแต่นักพัฒนาเดี่ยวจนถึงทีมที่รันการอินเฟอเรนซ์เอง GLM-5.3-Flash ครอบคลุมทั้งงานเขียนโค้ด วิจัย และงานมัลติโมดัลบนโมเดลเปิดตัวเดียว

การเขียนโค้ดแบบเอเจนต์

ได้ 63.4 บน DeepSWE v1.1 และ 48.8 บน AutomationBench v1.0.6 จึงเป็นตัวเลือกที่แข็งแกร่งสำหรับเอเจนต์เขียนโค้ด การแก้ไขหลายไฟล์ และสายการเรียกใช้แบบยาว

งานเอเจนต์ระยะยาว

Toolathlon 78.4 พร้อมหน้าต่างบริบท 1.31 ล้านโทเคน ทำให้เซสชันเดียวทำงานต่อเนื่องผ่านหลายขั้นตอนได้โดยไม่ตกบริบท

การวิจัยมัลติโมดัล

รวมเอกสาร ภาพหน้าจอ แผนภูมิ และเฟรมวิดีโอในคำขอเดียว เพื่อดึงคำตอบแบบมีโครงสร้างพร้อมแหล่งอ้างอิง

การวิเคราะห์วิดีโอและภาพ

MVBench 77.8 และ Chartography 78.0 ครอบคลุมความเข้าใจวิดีโอ การอ่านกราฟ และการวิเคราะห์องค์ประกอบเอกสาร

การติดตั้งใช้งานด้วยตัวเอง

สัญญาอนุญาต MIT และพารามิเตอร์ทำงาน 18B หมายความว่าคุณรันน้ำหนักด้วยตัวเองได้สำหรับเวิร์กโฟลว์ที่อ่อนไหวต่อข้อมูลหรือต้องการการปรับแต่ง

เอเจนต์และไปป์ไลน์ Felo

เรียกใช้ผ่าน Felo API เพื่อสร้างเอเจนต์ ระบบอัตโนมัติ และไปป์ไลน์เครื่องมือที่เครื่องจักรอ่านเข้าใจ

สองวิธีในการใช้ GLM-5.3-Flash

ใช้ใน Felo AI Search

เปิด Felo AI Search เพื่อถามคำถาม ค้นหาเว็บด้วย AI และรับคำตอบพร้อมแหล่งที่มาจาก GLM-5.3-Flash

เปิด Felo AI Search

เรียกใช้ผ่าน Felo API

รับคีย์ Felo API ตั้งค่า base URL แล้วเรียกโมเดลจาก Claude Code, Codex, Hermes Agent หรือเอเจนต์ของคุณที่รองรับรูปแบบ OpenAI

ดู Felo API

คำถามที่พบบ่อย

GLM-5.3-Flash คือโมเดลแนวหน้าแบบเปิดน้ำหนักของ Z.ai ซึ่งเปิดตัวเมื่อวันที่ 26 สิงหาคม 2026 โดยเป็น Mixture-of-Experts 320B พารามิเตอร์ มีพารามิเตอร์ทำงาน 18B หน้าต่างบริบท 1,310,720 โทเคน รองรับอินพุตข้อความ ภาพ และวิดีโอแบบเนทีฟ พร้อม attention แบบไฮบริด sparse + linear และได้รับใบอนุญาต MIT

เริ่มต้นกับ GLM-5.3-Flash บน Felo

โมเดลระดับแนวหน้าแบบเปิดจาก Z.ai — บริบท 1.31 ล้านโทเคน อินพุตมัลติโมดัลแบบเนทีฟ และการเขียนโค้ดระดับเอเจนต์ในที่เดียว

เปิด GLM-5.3-Flash บน Felo AI Search

ยังมีบนแพลตฟอร์ม Z.ai และ Felo API