GLM-5.3

glm-5.3

获取 API 密钥 API 文档

GLM-5.3 是智谱最新旗舰模型，复杂软件工程与 Agent 任务能力全面进阶。它使用与 GLM-5.2 相同的基础模型——所有提升均来自后训练。与 GLM-5.2 相比，它在复杂编程和长程任务方面表现更加出色

上下文窗口1.0M

提供商智谱AI

创建时间2026/09/01

在线体验

定价

同一模型能力，多条服务通道；按延迟、稳定性与成本灵活选择。

价格单位：$ / 1M tokens

指定服务通道：在请求体加入 provider 字段，例如 "provider": { "channel": "direct" }。可选 direct / stable / economical；不传则使用默认通道。

直连通道

官方直连链路，适合需要原生体验与完整上下文的请求。

输入	输出	缓存命中
1.25/M	4.40/M	0.30/M

介绍

输入

文本

输出

文本

GLM-5.3 API：编程能力最强的开源权重模型

GLM-5.3 是智谱（Z.ai）于 2026 年 8 月 14 日发布的旗舰模型，8 月 28 日开放权重。它没有换基座——沿用 GLM-5.2 的 MoE 基座（7530 亿总参数，每 token 激活约 400 亿），全部提升来自后训练 Scaling：数十倍规模的长程任务环境、更丰富的环境类型和大幅拉长的后训练时间。

结果是编程能力在智谱自研的 Z.ai Code Bench 上比 GLM-5.2 提升 50%，并在 Terminal-Bench 3.0、Agents' Last Exam 等公开基准上拿到开源模型第一。另一个官方也没预料到的方向是网络安全：CyberGym 84.5、ExploitBench 54.4，漏洞挖掘与白盒代码审计能力明显超出预期。

海鲸AI 通过 OpenAI 兼容接口提供 GLM-5.3，支持工具调用、reasoning_effort 推理强度控制与流式输出。

获取 API 密钥 · 模型 ID：GLM-5.3

为什么选择 GLM-5.3

开源权重里的编程最强 —— Z.ai Code Bench 较 GLM-5.2 提升 50%
智能体基准开源第一 —— Terminal-Bench 3.0 从 4.6 跃升到 28.3，Agents' Last Exam 28.5
网络安全能力突出 —— CyberGym 84.5、ExploitBench 54.4，白盒审计与漏洞挖掘是强项
100 万 token 上下文 —— 最大输出 128K token
执行路径更短 —— 同类任务下比闭源旗舰少用一半以上的输出 token

核心能力

01 项目级编程与工程智能体

这一代把后训练重心压在长程任务环境上，跨文件的功能实现、重构和调试都比 GLM-5.2 稳得多。在 Z.ai Code Bench 的 High 档位上，GLM-5.3 用约 5 万 token 达到 31.4% 准确率，而 Claude Opus 4.8 在最高档位需要约 12 万 token 才做到 29.5%——同样的活，GLM-5.3 的执行路径明显更短。

跨文件、跨模块的功能开发与重构
长链路缺陷定位与修复
智能体式的自主工程流程

02 网络安全与漏洞挖掘

官方形容这块能力"发展得比预期更快"。白盒代码审计、漏洞发现和利用链构造上，GLM-5.3 是当前开源权重模型里的第一梯队，CyberGym 84.5 为该项 SOTA。

白盒代码安全审计
漏洞发现与验证
安全工程自动化流程

03 100 万 token 长上下文

100 万 token 上下文配合 128K 最大输出，可以一次读入整个中大型代码仓库、数百页 PDF 或完整的长会话历史，再输出一份完整的分析或改动方案。

完整代码仓库级分析
超长技术文档处理
长会话历史全量保留

04 三档推理强度

GLM-5.3 的思考模式常驻开启，通过 reasoning_effort 提供 low、high、max 三档（默认 max）。简单任务降档省 token，复杂工程任务用 max 拿到最完整的推理链路。

low —— 轻量任务，控制成本
high —— 常规开发与分析
max —— 复杂工程与智能体任务（默认）

最佳使用场景

场景	说明
项目级编码	开源权重模型中的编程 SOTA，执行路径短
编码智能体	Terminal-Bench 3.0、Agents' Last Exam 开源第一
安全审计	白盒代码审计与漏洞挖掘，CyberGym SOTA
长上下文分析	整个仓库、数百页文档的一次性处理
国产化替代	开放权重，可私有化部署
成本优化	同等效果下输出 token 显著更少

GLM-5.3 与 GLM-5.2、GLM-5.3-Flash 的差异

能力	GLM-5.3	GLM-5.2	GLM-5.3-Flash
模型 ID	`GLM-5.3`	`GLM-5.2`	`GLM-5.3-Flash`
总参数 / 激活	7530 亿 / 约 400 亿	同基座	3200 亿 / 180 亿
上下文窗口	100 万 token	100 万 token	100 万 token
最大输出	128K token	128K token	128K token
输入模态	文本	文本	文本 + 图像
Terminal-Bench 3.0	28.3（开源第一）	4.6	低于 GLM-5.3
权重许可	GLM-5.3 License（可商用）	MIT	MIT
推理强度	low / high / max	high / xhigh	low / high / max
定位	旗舰：最强编程与安全	上一代旗舰	轻量多模态，价格约 1/10

具体计费以页面上方的实时价格卡片为准。

常见问题

GLM-5.3 什么时候发布的？ 2026 年 8 月 14 日发布，8 月 19 日上线 API，8 月 28 日开放模型权重。

相比 GLM-5.2 提升了什么？ 基座没变，全部提升来自后训练 Scaling。编程能力在 Z.ai Code Bench 上提升 50%，Terminal-Bench 3.0 从 4.6 拉到 28.3，Agents' Last Exam 从 23.8 提到 28.5，另外多出了一块很强的网络安全能力。

它和闭源旗舰差多少？ 编程与智能体能力接近 Claude Fable 5。Terminal-Bench 3.0 上 28.3 仍落后 GPT-5.6 Sol 的 34.6，但 Agents' Last Exam 是同批模型里最高的，且完成同类任务所需的输出 token 明显更少。

开源许可是什么？ 权重采用智谱自订的 GLM-5.3 License（不再是 GLM-5.2 的 MIT），允许商用，超大规模 MaaS 场景需通过安全审查；代码部分为 Apache 2.0。

上下文和输出上限是多少？ 100 万 token 上下文，最大输出 128K token，纯文本输入。需要图像输入请用 GLM-5.3-Flash。

思考模式可以关掉吗？ 不能。GLM-5.3 的思考模式常驻开启，只能通过 reasoning_effort 在 low/high/max 之间调节深度。

支持工具调用吗？ 支持。函数调用、流式输出、JSON 结构化输出均可使用。

为什么选择海鲸AI 使用 GLM-5.3 API

免部署直接调用 —— 7530 亿参数模型无需自建 GPU 集群
OpenAI 兼容接口 —— 现有代码改两行即可接入
与闭源模型同台对比 —— 同一账户下直接和 Claude、GPT 比效果比成本
人民币结算 —— 国产模型按人民币计价，账目清晰

API

API 接入信息

Model ID在推理接口中指定模型

glm-5.3

API Key推理接口的 Bearer Token（鉴权令牌）

前往 API Key 管理

Base URL兼容 OpenAI 协议 · /chat/completions

https://api.haijingai.com/v2/

provider 可选指定服务通道，不传则由系统选择默认通道

"provider": { "channel": "direct" }

glm-5.3 接入示例

海鲸AI 兼容 OpenAI 接口协议，可直接使用 OpenAI SDK 或 HTTP 请求接入，默认开启流式输出。

cURLPythonNode.js

curl https://api.haijingai.com/v2/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <API_KEY>" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {"role": "system", "content": "你是一个有帮助的助手。"},
      {"role": "user", "content": "你好！"}
    ],
    "provider": { "channel": "direct" },
    "stream": true
  }'
# provider 为可选字段，删除该行即使用默认通道

from openai import OpenAI

client = OpenAI(
    base_url="https://api.haijingai.com/v2",
    api_key="<API_KEY>",
)

stream = client.chat.completions.create(
    model="glm-5.3",
    messages=[
        {"role": "system", "content": "你是一个有帮助的助手。"},
        {"role": "user", "content": "你好！"},
    ],
    stream=True,
    # 可选：指定服务通道，不传则使用默认通道
    extra_body={"provider": {"channel": "direct"}},
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

import OpenAI from 'openai'

const client = new OpenAI({
  baseURL: 'https://api.haijingai.com/v2',
  apiKey: '<API_KEY>',
})

const stream = await client.chat.completions.create({
  model: 'glm-5.3',
  messages: [
    { role: 'system', content: '你是一个有帮助的助手。' },
    { role: 'user', content: '你好！' },
  ],
  stream: true,
  // 可选：指定服务通道，不传则使用默认通道
  // @ts-expect-error provider 为海鲸AI 扩展字段，不在 OpenAI SDK 类型定义内
  provider: { channel: 'direct' },
})

for await (const chunk of stream) {
  process.stdout.write(chunk.choices[0]?.delta?.content ?? '')
}