原生多模态新模型性能超越前代，价格降至十分之一

GLM-5.3-Flash 是 GLM-5 系列中第一个原生多模态模型。所谓原生多模态，是指模型在训练阶段就同时处理文本和图像，不是后期拼接出来的能力。

总参数 320B，每次推理只激活 18B。打个比方，一个团队有 320 人，每项任务只让 18 个最相关的人上场。模型因此保留了大模型的知识储备，也把计算开销压了下来。

最直接的结果是价格。它在基准测试和真实工作负载上都优于 GLM-5.2，价格只有后者的十分之一。

能做到又强又便宜，关键在于架构重新设计。它基于一个新训练的基座模型，架构和训练方案围绕能力与效率两个目标从头设计。

GLM 系列第一次用上混合架构，把稀疏注意力和线性注意力结合在一起。这种组合在不牺牲精确长上下文能力的前提下，大幅削减了长文本服务成本。

模型还用了 Manifold-Constrained Hyper-Connections（mHC），一种提升扩展效率的连接方式。训练数据是新的 30T-token 多模态预训练语料，也就是 30 万亿个 token 的文本和图像数据。

在能力层面，它在编码和智能体基准上接近 Claude Opus 4.8。编程辅助和自动化任务，它已经摸到顶级模型的门槛；价格则只有 GLM-5.2 的十分之一。

评估细节在技术报告里。HLE w/ tools 评估使用温度 1.0、top_p 0.95。最大生成长度 163,840 tokens，最大上下文长度 300,000 tokens。评判模型是 GPT-5.6-luna (medium)。NL2Repo 在 100 万 token 上下文下运行。DeepSWE 用 mini-swe-agent 框架，超时 6 小时，上下文 400K。Terminal-Bench 2.1 在 Claude Code 2.1.207 里评估，同样超时 6 小时。Toolathlon Verified 结果通过官方评估服务获得。pass@1 取 3 次独立运行的平均值。AutomationBench 用 v1.0.6。GDPval-AA v2 由 Artificial Analysis 评估。BabyVision 要求输入图像短边至少 1.5K 像素。

许可证是 MIT。MIT 允许自由使用、修改、商用，没有附加条款限制。企业可以把它集成进自己的产品，包括做商业用途。

部署方式也灵活。API 服务已经在 Z.ai API 平台开放，模型 ID 是 zai-org/GLM-5.3-Flash。模型更新于约 2 小时前，下载量 429 次。本地部署可以选 SGLang、vLLM、TokenSpeed、KTransformers 四个推理框架。模型支持英语和中文，pipeline_tag 是 text-generation，社区渠道有微信和 Discord。

技术报告已发布在 arXiv 上，编号 2602.15763。标题是《GLM-5: from Vibe Coding to Agentic Engineering》。作者是 GLM-5-Team。博客和技术报告都已公开。标题里的两个词概括了模型定位：从“随性编码”到“智能体工程”。也就是从辅助写代码，转向构建能自主完成复杂任务的智能体。

目前还有几处没写明。推理速度没有具体延迟数据；API 定价没有公布，只知道和 GLM-5.2 的比值；微调是否支持没提。最大上下文窗口也没有明确说明，评估里用的 300K 和 1M 只是测试条件。