Z.ai 于 2026 年 8 月 26 日发布 GLM-5.3-Flash，这是 GLM-5 系列中第一个原生多模态模型。总参数量为 3200 亿，每个 token 实际激活 180 亿，可处理 100 万 token 的上下文。权重以 MIT 许可发布，商用几乎不受限制。整体设计的重心，是让编程与智能体类任务跑得更便宜。
3200 亿里只动 180 亿
GLM-5.3-Flash 采用混合专家（MoE）架构。总参数量 3200 亿，但处理每个 token 时真正参与计算的只有约 180 亿。GLM-4.5 的激活量是 320 亿，这一代反而压缩到接近一半，优先级显然放在了低成本和高吞吐上。
训练使用了约 30 万亿 token 的多模态语料。注意力部分把两种机制组合起来：用线性注意力处理邻近 token 之间的依赖，用稀疏注意力抓取远处真正有用的上下文。当上下文接近 100 万 token 时，索引器的 key 向量会大量堆积并拖慢速度，为此引入了 IndexPool，把成组的向量压缩起来。Z.ai 表示，相比 GLM-5.3，注意力计算量降到三分之一，KV 缓存体积缩小到 4.4 分之一。
相比 GLM-5.2，跑分变化明显
编程方面，DeepSWE v1.1 得分 63.4，而 GLM-5.2 为 46.2。衡量自动化能力的 AutomationBench 得分 48.8，GLM-5.2 为 26.2，接近翻倍。在综合指标 Artificial Analysis Intelligence Index v4.1.1 上，该模型取得 57 分，当时折扣后的成本为每项任务 0.045 美元（约 7 日元）。
Z.ai 称，在已公布的编程与智能体测试中，这款模型全面超过 GLM-5.2，价格却只有十分之一，并称在自家内部编程基准上与 Claude Opus 4.8 的差距缩小到 0.5 分以内。
不过这类比较会随评测框架、上下文长度上限以及生成参数而变化。两个分数是否在同一条件下测出，不查看各自的设置就无法判断。把成绩单直接当排行榜来读，并不稳妥。
※1 美元 = 160 日元（截至 2026 年 8 月 31 日）
看着自己画出的界面来修改
这次发布中被重点介绍的，是基于视觉的自我校验。Z.ai 让模型查看已渲染的界面、游戏画面和 3D 输出，再根据看到的结果评估并修改自己的产出。写完代码不算结束，模型可以回头看实际呈现的画面并继续调整。
同样的做法还覆盖文档、表格、演示文稿、仪表盘和会议材料。目标是让模型同时在文本、图像和结构之间进行推理，这一点在前端开发和资料制作场景中应该体现得最明显。
“ox-alpha”的真实身份与国产芯片
发布之前，这款模型曾以匿名的“ox-alpha”出现在 OpenCode 和 OpenRouter 上。在身份未公开的情况下就引发关注，Z.ai 称它当周成为这两个平台上使用最多的模型。这次发布正式确认，ox-alpha 就是 GLM-5.3-Flash。
另一个值得注意的细节是，推理完全运行在中国产 AI 芯片上。Z.ai 基于 SGLang 搭建了把编码、预填充与解码分离处理的服务栈，并称在数万张国产加速卡上把端到端服务性能提升到 3 倍。在海外 GPU 采购难以规划的背景下，证明这种规模的推理可以只靠国产芯片完成，其意义并不局限于跑分本身。
在哪里用，价格如何
GLM-5.3-Flash 面向所有 GLM Coding Plan 用户开放，可用额度是 GLM-5.3 的 3 倍。多模态能力通过 ZCode 的 Browser Use 与 Computer Use 提供。
权重在 Hugging Face 上分发，本地部署支持 SGLang、vLLM 和 TokenSpeed。由于采用 MIT 许可，无论是内部使用还是嵌入自家产品都比较省事。
总结
GLM-5.3-Flash 是一款总参数 3200 亿、激活 180 亿的多模态 MoE 模型，以 MIT 许可开放了 100 万 token 的上下文能力。相比 GLM-5.2，编程与自动化基准提升明显，而官方给出的价格只有十分之一。此次发布还揭开了匿名模型 ox-alpha 的身份，加上推理完全依托国产芯片这一点，可讨论的内容并不只有分数。由于成绩受评测条件影响较大，最可靠的判断方式还是自己动手跑一遍。
※缩略图为 AI 生成的示意图。
