快速回答： GLM 5.3 Flash 是 Z.ai（智谱）GLM-5 系列的效率档模型，发布于 2026 年 8 月 26 日。它是一个 320B 总参数、18B 激活参数的 Mixture-of-Experts 模型，也是该系列首个原生多模态模型（文本 + 图片 + 视频输入，文本输出），拥有 1,048,576 token 的上下文窗口、MIT 许可的开源权重，API 标价为每 100 万输入 token $0.15、每 100 万输出 token $0.50。它同时也是此前在 OpenRouter 上以代号 "Ox Alpha" 匿名运行了一周的那个模型。
如果你过去一周试着查过这个模型，多半掉进了同一团乱麻：找到的文章一半在讲 GLM 5.3（另一个更贵的模型），一半在讲一个叫 Ox Alpha 的神秘端点，而各处报出来的价格彼此差两倍。这不怪你——这模型先用代号发布、再揭晓身份，然后带着限时折扣正式上线，任何一句价格引用都因此变得含糊。
本文只用一手来源：Hugging Face 模型卡、zai-org/GLM-5 仓库、OpenRouter 模型页及其公开 endpoints API（2026 年 8 月 27 日查询）、以及 Artificial Analysis 的独立实测。凡是来自社区而非厂商的数据，文中都会明确标注。我们没有自己跑过 GLM 5.3 Flash 的完整 benchmark 套件——这一点我们直说，而不是把厂商图表包装成实测。
这篇文章解决什么问题
痛点是名称冲突叠加价格歧义。"GLM 5.3" 和 "GLM 5.3 Flash" 是两个不同的模型，价格差约 10 倍；而你在各处看到的 Flash 报价，绝大多数是限时 5 折，不是标价。再加上模型是匿名预览发布的，社区积累的实践认知全部归档在一个已经不存在的名字下面。
读完这页你会清楚：GLM 5.3 Flash 的架构到底是什么、标价和折扣价分别是多少、跑分数据哪些是厂商自报哪些是独立测得，以及——这是多数科普文会跳过的部分——哪些场景下 18B 激活的模型是错误选择。
GLM 5.3 Flash 速览
| 项目 | 值 |
|---|---|
| 全称 | GLM-5.3-Flash |
| 厂商 | Z.ai（智谱 AI） |
| 发布日期 | 2026 年 8 月 26 日 |
| 曾用代号 | Ox Alpha（stealth/ox-alpha，2026 年 8 月 20 日起预览） |
| 总参数量 | 320B |
| 激活参数量 | 每 token 18B |
| 架构 | Mixture-of-Experts，45 层，每 token 从 288 个专家中路由 8 个 |
| 注意力 | 混合架构——KDA 线性注意力层 + NoPE 稀疏 MLA 层 |
| 上下文窗口 | 1,048,576 token（1M） |
| 最大输出 | 131,072 token |
| 模态 | 文本 + 图片 + 视频 → 文本 |
| 权重精度 | 原生 FP8（另有 BF16 版本） |
| 训练语料 | 30T token 多模态预训练语料 |
| 权重许可 | MIT |
| API 标价 | 输入 $0.15 / 缓存输入 $0.03 / 输出 $0.50（每 100 万 token） |
架构，用人话讲
最重要的数字不是 320B，而是 18B。GLM 5.3 Flash 是 MoE 模型，单个 token 只激活 288 个专家中的 8 个。你为 320B 参数付出存储和显存代价，但算力开销更接近一个 18B 稠密模型。这一条就解释了这个模型的全部性格：接近前沿的质量，配上一个看起来像标错了的价格。
有三个设计选择值得理解，因为它们直接决定了模型的行为方式：
1. 稀疏 + 线性混合注意力。 这是 GLM 系列首次采用混合注意力栈：KDA 线性注意力层负责局部依赖，NoPE 稀疏 MLA 层负责拉取全局相关上下文。Z.ai 称这套组合相比 GLM-5.3 带来约 3 倍更少的注意力计算和 4.4 倍更小的 KV cache。实际意义在于后者：长上下文的成本瓶颈通常是 KV 显存而不是权重本身，把它缩小 4.4 倍，才让百万 token 上下文从"规格表数字"变成"能负担得起的产品"。
2. IndexPool。 为了让百万上下文真正可用而不只是标在纸上，模型通过加权池化压缩索引 key 向量，用一点精度换取长上下文下明显更低的延迟和显存占用。
3. mHC（Manifold-Constrained Hyper-Connections）。 Z.ai 把它归功为在总参数量相当的前提下，相比 GLM-4.5 把激活参数量和层数同时减半的关键。这是让 320B/18B 这个比例真正跑得通的规模化技巧。
你不需要吃透这些才能用这个模型。但你需要它们，才能向同事解释为什么一个"320B 模型"能以每百万输入 token $0.15 的价格服务而没人亏钱。
原生多模态——"原生"两个字为什么重要
GLM 5.3 Flash 是 GLM-5 家族里第一个原生多模态模型。它接受文本、图片和视频输入，输出文本。"原生"意味着视觉通路是预训练语料（30T token，多模态）的一部分，而不是事后给文本模型外挂一个视觉编码器。
实际后果是：混合了代码与视觉上下文的任务——读一张 UI 崩掉的截图然后改 CSS、从一段录屏里追踪 bug、从架构图里抽出 schema——落在模型的核心能力区内，而不是一个改造方案的边缘地带。Z.ai 自报的 OfficeQA Pro 分数（62.4，官方称领先 Claude Opus 4.8）是文档与视觉推理基准，也是 Flash 这一档唯一宣称直接胜过旗舰而不是接近旗舰的地方。
如果你想用自己的截图而不是一张图表来验证这个说法，可以直接在 glm5.app 上打开一个 GLM 5.3 Flash 会话贴进去——五分钟的自测比任何 benchmark 表格都更能说明它适不适合你。
它到底多少钱（请读脚注）
Z.ai 的标价是每 100 万输入 token $0.15、缓存输入 $0.03、输出 $0.50。
你现在几乎在所有地方看到的那个数字——输入 $0.075 / 输出 $0.25——是标价打了限时 5 折之后的结果，目前 Z.AI 自己在 OpenRouter 上的端点、Novita 和 GMICloud 是这个价。同一个模型的其他 provider（DeepInfra、Baseten、Parasail、Io Net、Cloudflare）已经在按不打折的 $0.15 / $0.50 收费。
由此得出两条规则，它们是"预算稳得住"和"某天账单翻倍"之间的分界线：
- 按 $0.15 / $0.50 做预测。 折扣是促销性质的。如果你的单位经济模型只在折扣价下成立，那你其实没有单位经济模型。
- 报价格时必须说明是哪个 provider。 "GLM 5.3 Flash 是 $0.075" 这句话，在服务它的十个端点里只有三个成立。
完整的十家 provider 价差拆解见我们的 GLM 5.3 Flash 定价指南。独立机构 Artificial Analysis 按 7:2:1 的缓存/输入/输出比例给出的混合价是每 100 万 token $0.10——这是个不错的横向比价数字，但只有当你的流量真的长这个比例时，它才是个可用的预算数字。
跑分：哪些是厂商自报，哪些是独立测得
Z.ai 自己公布的数据，以及它自己挑选的对照组：
| 基准 | GLM 5.3 Flash | 对照 |
|---|---|---|
| Terminal-Bench 2.1 | 84.3 | Claude Opus 4.8：85.0 · GPT-5.6 Terra：87.4 |
| DeepSWE v1.1 | 63.4 | GLM-5.2：46.2 |
| AutomationBench | 48.8 | GLM-5.2：26.2 |
| Z.ai Code Bench v1.0（max effort） | 29.0 | Claude Opus 4.8：29.5 |
| OfficeQA Pro | 62.4 | 官方称领先 Opus 4.8 |
| HLE（带工具） | 55.3 | — |
对第一方表格要保持常规警惕——"Z.ai Code Bench" 是 Z.ai 自己出的基准，而厂商挑对照组这件事，就是厂商挑对照组。真正有用的信号是 GLM-5.2 的差值：DeepSWE v1.1 从 46.2 涨到 63.4，AutomationBench 从 26.2 涨到 48.8，而对照的这个模型贵了大约十倍。这是同家族、同方法学的对比，是经得起推敲的那一类。
独立方面，Artificial Analysis 给 GLM 5.3 Flash 的 Intelligence Index 评分是 57，远高于同体量开源权重模型约 27 的中位数。同一来源测得输出速度 50.2 token/秒（低于同类 67 t/s 的中位数——这个模型在吞吐意义上并不快），首 token 时间 1.47 秒（优于 2.14 秒的中位数）。
这个组合值得直说，因为名字有误导性：这里的 "Flash" 指便宜，不指快。 它是低成本档，不是低延迟档。如果你的产品需要 token 尽快出现在屏幕上，请先实测再假设。
开源权重：MIT，以及它给你什么
权重发布在 Hugging Face 的 zai-org/GLM-5.3-Flash（另有 -BF16 版本）和 ModelScope，采用 MIT 许可——这基本是开源权重能给到的最宽松条款。商用、修改、再分发、私有分支全部允许，没有营收门槛，也没有附加的可接受使用条款。合规审查时有一个细节要弄对：权重是 MIT，而 zai-org/GLM-5 代码仓库是 Apache-2.0。
GitHub 上没有独立的 GLM-5.3-Flash 仓库。 推理配方和架构说明都在 zai-org/GLM-5 里，这才是该指给团队的地址。官方支持的服务栈是 SGLang、vLLM、TokenSpeed 和 KTransformers，社区已经产出了适配 llama.cpp、Ollama、LM Studio 和 Jan 的 GGUF 量化版本。
完整的架构与下载细节见我们的 GLM 5.3 Flash 参数与体积拆解。自部署是真的可行，但不是随手能做的事：FP8 权重合计约 328 GB，这个数字来自 NVIDIA 开发者论坛用户对 Hugging Face 文件体积的读数。那是一场多卡多机的讨论，不是一台工作站的讨论。
Ox Alpha 那条线
有六天时间，GLM 5.3 Flash 以 stealth/ox-alpha 的身份活在 OpenRouter 上——一个匿名、免费、不披露 provider 的推理模型。完整的前后对照（模型 ID、价格、数据政策）见 Ox Alpha vs GLM 5.3 Flash。Z.ai 的发布公告直接确认了这条关联，并且值得注意地提到，预览期间它完全跑在中国国产 AI 芯片上。围绕发布的报道称其使用了一套基于 SGLang 改造的服务引擎，带来约 3 倍的端到端服务性能提升；具体芯片厂商未披露。
这件事的意义不止于八卦。第一，大量实用的社区经验——吞吐观察、智能体编程结果、各种脾气——都归档在 "Ox Alpha" 名下，想找一线反馈而不是发布日通稿，就该用这个词去搜。第二，预览期产生了真实的生产流量（OpenRouter 自己的活跃面板显示排名前五的消费方全是智能体编程工具），这意味着发布数据是建立在一周真实负载之上，而不是冷启动。
什么时候 GLM 5.3 Flash 是错误选择
多数科普文停在规格表。下面这部分能帮你省下一个白干的迭代——三种它并不合适的情形：
你要的是低延迟，不是低成本。 实测输出约 50 token/秒，GLM 5.3 Flash 比同价位的多数对手都慢。对于"感知速度就是产品"的流式聊天界面，选一个更贵但更快的模型，往往才是更省钱的决策。
你的任务处在前沿的边缘。 在 Z.ai 挑选的基准上，它和 Claude Opus 4.8 的差距很小（Terminal-Bench 2.1 上 84.3 对 85.0），但基准上的小差距会在真实任务最难的那 5% 上放大成大差距。对于"答错了还很难被发现"的任务，旗舰的溢价通常是值得付的。
你想在单机上自部署。 328 GB 的 FP8 权重塞不进一台 128 GB 的机器。NVIDIA 论坛上的社区反馈把实际下限放在多台设备集群加 4-bit 或混合量化——而量化掉三分之一的精度，会改变 benchmark 所描述的那个质量图景。
它适合的场景则毫不含糊：高并发的智能体编程、长上下文的文档与代码库处理，以及任何"你此前在为不需要旗舰深度的任务支付 GLM 5.2 或旗舰价"的流水线。判断的诚实做法是拿你自己最难的真实任务跑一遍——在 glm5.app 上试用 GLM 5.3 Flash，零配置；或者把 glm-5.3-flash 这个模型 ID 接进现有流水线，和你今天在跑的东西 diff 一下输出。
常见问题
GLM 5.3 Flash 和 GLM 5.3 是同一个模型吗？ 不是。它们是不同价格档的不同模型。GLM 5.3 Flash 是 2026 年 8 月 26 日发布的 320B-A18B 多模态效率模型；GLM 5.3 是 8 月早些时候发布的、更贵的、以文本为主的版本。Z.ai 称 Flash 以约十分之一的价格在各项基准上超过 GLM-5.2，且 Coding Plan 用户在 Flash 上的可用配额约为 GLM-5.3 的 3 倍。
GLM 5.3 Flash 免费吗？ 不是长期免费。它在 Ox Alpha 预览周期间免费，当前的 $0.075 / $0.25 是标价 $0.15 / $0.50 的限时 5 折。权重在开源意义上是免费的——Hugging Face 上的 MIT 许可——但自己跑起来意味着你要提供约 328 GB 的显存。
它真的能处理一百万 token 吗？ 在 Z.ai 自己的端点和多数 OpenRouter provider 上，上下文窗口是 1,048,576 token。两个注意点：Io Net 提供的是 262,144 token 的版本，Cloudflare 列的是 1,310,720，所以上限取决于你打到哪个端点；另外最大输出在多数端点上单独限制在 131,072 token。
本地跑需要什么硬件？ 不止一台。FP8 版本约 328 GB。NVIDIA DGX Spark 论坛上的社区讨论把现实起点放在 2 台设备配 4-bit 或混合量化，该配置下报告的峰值吞吐约 43 token/秒——社区实测，未经独立验证。
去哪拿权重？
Hugging Face 上的 zai-org/GLM-5.3-Flash（BF16 版本是 zai-org/GLM-5.3-Flash-BF16），以及 ModelScope 上的 ZhipuAI/GLM-5.3-Flash。没有专用 GitHub 仓库——推理配方在 zai-org/GLM-5 里。
来源
- zai-org/GLM-5.3-Flash — Hugging Face 模型卡——参数量、架构、MIT 许可、跑分表、量化版本情况。
- zai-org/GLM-5 — GitHub——官方混合注意力说明、FP8/BF16 版本、支持的推理框架。
- GLM 5.3 Flash on OpenRouter——发布日期、上下文窗口、各 provider 定价、Ox Alpha 沿革。
- OpenRouter endpoints API（z-ai/glm-5.3-flash）——各 provider 价格与规格表，2026 年 8 月 27 日查询。
- Artificial Analysis — GLM-5.3-Flash——独立的 Intelligence Index、输出速度、TTFT 与混合价。
价格与端点可用性变动频繁。以上数据均于 2026 年 8 月 27 日核对；在敲定生产预算前，请以 OpenRouter 模型页或 Z.ai 官方定价文档为准。
