GLM-5.3-Flash 與 GLM-5.2 有什麼不同？

GLM-5.3-Flash 以混合稀疏 + 線性注意力全面優於 GLM-5.2：注意力運算量約為 1/3，KV 快取約為 1/4.4——這正是它讓 1.31M token 上下文維持閃速效能的原因。各項基準測試也全面提升：DeepSWE v1.1 從 46.2 提升到 63.4，Toolathlon 從 59.9 提升到 78.4。

GLM-5.3-Flash 與 Claude Opus 4.8 相比如何？

兩者在 Artificial Analysis 的 Intelligence Index 上打平（同為 57），而 GLM-5.3-Flash 的 Agentic Index（58）高於 Claude Opus 4.8。在 Z.ai Code Bench 上差距極小（29.0 vs. 29.5），但 NL2Repo 則略居下風（56.3 vs. 69.7）。

混合注意力架構是什麼？

GLM-5.3-Flash 將稀疏注意力與一條線性注意力路徑結合；IndexPool 把索引快取壓縮到四分之一大小，Manifold-Constrained Hyper-Connections（mHC）改善擴展性。Z.ai 指出，相較 GLM-5.3，注意力運算量約為 1/3，KV 快取約為 1/4.4——這正是 1.31M token 上下文依然能維持閃速效能的關鍵。

我可以自己跑嗎？

可以。權重採用 MIT 授權，可免費自行架設。每個 token 只啟用 18B 參數，在 Z.ai 基於 SGLang 的推論引擎上運作相對輕量；也可以使用 OpenRouter 上 10+ 家代管服務商。

目前可以在哪裡使用 GLM-5.3-Flash？

在 Felo 方面，可透過 Felo AI Search 與 Felo API 使用。其他官方管道為 Z.ai 平台與 OpenRouter。

MIT 授權 · 開放權重 · 2026 年 8 月 26 日發布

GLM-5.3-Flash前沿智能，開放權重

GLM-5.3-Flash 是 Z.ai 於 2026 年 8 月 26 日以 MIT 授權發布的開放權重前沿模型。它具備 1,310,720 token 的上下文視窗、原生文字/圖片/影片輸入，以及 320B 參數的混合專家模型（僅啟用 18B），在 Artificial Analysis 的 Intelligence Index 上追平 Claude Opus 4.8。你可以在 Felo AI Search 上試用，也能透過 Felo API 呼叫。

在 Felo 上試用 GLM-5.3-Flash 透過 Felo API 呼叫

可在 Felo AI Search 與 Felo API 上使用。

模型卡

GLM-5.3-Flash 一覽

授權: MIT · 開放權重
參數: 總計 320B · 啟用 18B
上下文視窗: 1.31M token
最大輸出: 48K token
輸入: 文字 · 圖片 · 影片

混合稀疏 + 線性注意力：相較 GLM-5.3，注意力運算量約為 1/3，KV 快取約為 1/4.4。

Intelligence Index

Artificial Analysis · 與 Claude Opus 4.8 持平

上下文視窗

輸入 1,310,720 token

48K

最大輸出

每次回應最多 48,000 token

MIT

授權

MIT · 開放權重

架構的與眾不同

Z.ai 圍繞混合注意力設計重塑 GLM-5 系列，讓頂尖水準的智能真正落地、能被實際服務。

混合稀疏 + 線性注意力

首款結合稀疏與線性注意力的開放前沿模型。輕量的 IndexPool 將索引快取壓縮到四分之一大小，Manifold-Constrained Hyper-Connections（mHC）則強化擴展性——相較 GLM-5.3，注意力運算量約為 1/3，KV 快取約為 1/4.4，同時在長上下文上維持精準。

開放權重，MIT 授權

完整權重已按 MIT 授權發布。可自行架設、微調，或透過 Z.ai 或 OpenRouter 上代管該模型的 10+ 家服務商部署。

GLM-5 系列首款原生多模態模型

以 30T token 的多模態語料訓練，可直接閱讀文字、圖片與影片——不需額外的視覺流程，也無須拼接多款模型。

前沿任務，閃速效能

320B 參數的混合專家模型，每個 token 僅啟用 18B——前沿級的工作，以代理等級的速度完成。

與 Claude Opus 4.8 持平

Artificial Analysis Intelligence Index：GLM-5.3-Flash 57，Claude Opus 4.8 也為 57。Agentic Index：58，高於 Claude Opus 4.8、Claude Fable 5 與 GPT-5.6 Sol。

為程式開發與代理而生

Z.ai Code Bench（max effort）：29.0，Claude Opus 4.8 為 29.5。DeepSWE v1.1：63.4——比 GLM-5.2 高出 17.2 分。

一套請求，文字、圖片、影片全搞定

1,310,720 token 的上下文視窗，原生多模態輸入。Chartography：78.0（DeepSeek-V4-Flash-Vision-Exp 為 64.3）；MVBench：77.8（69.4）。

次秒級回應

OpenRouter 服務商實測首次 token 回應時間中位數 0.55 秒，峰值吞吐量約 134 token/s，共 10+ 家服務商可選。

官方模型卡基準測試

GLM-5.3-Flash 對比頂尖前沿模型

Z.ai 官方模型卡資料：GLM-5.3-Flash 對比 GLM-5.2、DeepSeek-V4-Vision-Exp、Opus 4.8、GPT-5.6 Terra 與 Gemini 3.7 Flash，資料截至 2026 年 8 月。數值愈高愈好——粗體標示每行最佳成績。

基準測試

GLM-5.3-Flash

GLM-5.2

DeepSeek-V4-Vision-Exp

Opus 4.8

GPT-5.6 Terra

Gemini 3.7 Flash

程式開發

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

代理

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

視覺

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

來源：Z.ai 官方模型卡，2026 年 8 月。自評結果，可能因評測環境而有所差異。

Z.ai Code Bench（max effort）：29.0 vs. Claude Opus 4.8 的 29.5 · Artificial Analysis Agentic Index：58，高於 Claude Opus 4.8

閱讀 Z.ai 公告

獨立排行榜

GLM-5.3-Flash 在第三方排行榜的表現

DesignArena 上的前端設計能力，以及 Artificial Analysis Pareto 前沿上的高性價比。

DesignArena —— 前端綜合（非代理）
GLM-5.3-Flash 在 DesignArena 前端 Elo 得分為 1348 與 1345——總排名第 5、第 6，僅次於 Kimi K3、GPT-5.6 Sol 與 Claude Opus 5，領先 GLM-5.2、Gemini 3.7 Flash 與 Claude Sonnet 5。
來源：DesignArena by Intelligence · Elo 評分 · 所有模型

Artificial Analysis —— 性價比 Pareto 前沿
Intelligence Index 得分 57，每次任務成本僅 $0.045——GLM-5.3-Flash 與 GPT-5.6 Sol（max）、Claude Opus 5（max）同處 Pareto 前沿，成本僅為其一小部分。
來源：Artificial Analysis，更新於 2026 年 8 月 26 日

技術規格

把 GLM-5.3-Flash 用在自己的工作流程中，這些細節最關鍵。

上下文與輸出

輸入 1,310,720 token（100 萬+ 上下文）

最大輸出 48,000 token

架構

總計 320B / 啟用 18B 的混合專家模型，45 層。採用 IndexPool 與 Manifold-Constrained Hyper-Connections（mHC）的混合稀疏 + 線性注意力。

授權與權重

MIT 授權的開放權重，以 30T token 多模態語料訓練。

速度

OpenRouter 各服務商的首次 token 延遲中位數為 0.55 秒，峰值吞吐量約 134 token/s（2026 年 8 月實測）。

取得管道

已於 Felo AI Search 與 Felo API 上線，另支援 Z.ai 平台與 10+ 家 OpenRouter 服務商。

輸入模式

原生文字、圖片、影片輸入加上文字輸出——GLM-5 系列首款原生多模態模型。

一個模型，應付所有輸入

不需要額外流程，也無須拼接多款模型——GLM-5.3-Flash 原生讀懂文字、圖片與影片。

文字與程式碼

單次處理長文件、程式碼庫與結構化資料——DeepSWE v1.1 63.4，Terminal-Bench 2.1 84.3。

圖片與圖表

丟入螢幕截圖、圖表與示意圖，就能得到有依據的回答：Chartography 78.0 vs. DeepSeek-V4-Flash-Vision-Exp 的 64.3；OfficeQA-Pro 62.4% vs. Claude Opus 4.8 的 48.9%。

影片

影片與文字、圖片一起分析：MVBench 77.8%，領先 DeepSeek-V4-Flash-Vision-Exp 的 69.4%。

誰在使用 GLM-5.3-Flash

從獨立開發者到自行營運推論的團隊，一款開放模型就能涵蓋程式開發、研究與多模態工作。

代理式程式開發

DeepSWE v1.1 63.4、AutomationBench v1.0.6 48.8——程式開發代理、跨檔案修改與長呼叫鏈都是強項。

長時程代理工作

Toolathlon 78.4 加上 1.31M token 視窗，單一工作階段就能連續完成多個步驟而不掉上下文。

多模態研究

把文件、截圖、圖表與影片影格放入同一請求，取得帶來源的結構化答案。

影片與視覺分析

MVBench 77.8 與 Chartography 78.0——影片理解、圖表判讀、文件版面分析一次到位。

自行架設部署

MIT 授權加上 18B 啟用參數，資料敏感或需微調的工作流程，可以直接用自己的權重來跑。

Felo 代理與自動化流程

透過 Felo API 呼叫，建構代理、自動化，以及機器可讀的工具管線。

使用 GLM-5.3-Flash 的兩種方式

在 Felo AI Search 上使用

開啟 Felo AI Search，就能提問、用 AI 搜尋網路，並從 GLM-5.3-Flash 取得帶引用的答案。

開啟 Felo AI Search

呼叫 Felo API

取得 Felo API 金鑰、設定 base URL，就能從 Claude Code、Codex、Hermes Agent 或自行打造的 OpenAI 相容代理直接呼叫。

查看 Felo API

常見問題

GLM-5.3-Flash 是 Z.ai 於 2026 年 8 月 26 日發布的開放權重前沿模型。它由 320B 參數的混合專家模型組成（啟用參數 18B），擁有 1,310,720 token 的上下文視窗，原生支援文字、圖片與影片輸入，並採用混合稀疏 + 線性注意力架構。模型以 MIT 授權釋出。

從 Felo 開始體驗 GLM-5.3-Flash

來自 Z.ai 的開放前沿模型——1.31M token 上下文、原生多模態輸入、代理級程式開發，全都集中在一處。

在 Felo AI Search 開啟 GLM-5.3-Flash

也可透過 Z.ai 平台與 Felo API 取得