GLM-5.3-Flash

glm-5.3-flash

获取 API 密钥 API 文档

GLM-5.3-Flash 是 GLM-5 系列首个原生多模态模型，以极致低成本架构实现超越 GLM-5.2 的更强智能

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
0.15/M	0.50/M	0.03/M

介绍

输入

文本图像

输出

文本

GLM-5.3-Flash API：能看图干活的混合注意力多模态模型

GLM-5.3-Flash 是智谱（Z.ai）于 2026 年 8 月 26 日发布并以 MIT 许可证开源的模型，是 GLM-5 系列第一个原生多模态成员。3200 亿总参数、每 token 激活 180 亿，支持图像输入和 100 万 token 上下文。

它最值得注意的不是参数规模，而是架构：线性注意力与稀疏注意力的混合设计，层数从 GLM-4.5 的 92 层压到 45 层，并引入 mHC（流形约束超连接）。相比旗舰 GLM-5.3，注意力计算量降低约 3.01 倍、KV 缓存降低约 4.44 倍——这直接换成了 GLM-5.3 约十分之一的价格档位。

在 Artificial Analysis 综合智能指数上，GLM-5.3-Flash 拿到 57 分，进入全球前沿模型区间；Toolathlon Verified 78.4、AutomationBench 48.8 两项智能体基准都是同组第一。

海鲸AI 通过 OpenAI 兼容接口提供 GLM-5.3-Flash，支持图像输入、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-Flash

为什么选择 GLM-5.3-Flash

原生多模态 —— GLM-5 系列首个支持图像输入的模型，可一次传多张图
AA 智能指数 57 分 —— 以 180 亿激活参数进入前沿模型区间
混合注意力架构 —— 注意力计算量降低约 3.01 倍，KV 缓存降低约 4.44 倍
价格约为 GLM-5.3 的 1/10 —— 前沿能力配轻量级成本
MIT 开源许可 —— 权重完全开放，可自由商用与私有化部署
100 万 token 上下文 —— 最大输出 128K token

核心能力

01 视觉编程与"看着自己干活"

原生多模态让模型可以直接读设计稿、截图和报错界面，再写代码——不需要先让另一个模型把图转成文字描述。做前端还原、UI 调试和自动化流程时，模型能看到自己产出的界面长什么样，再决定下一步怎么改。

设计稿 / 截图直出前端代码
界面缺陷的视觉定位与修复
图文混合的多轮迭代开发

02 智能体与工具调用

Toolathlon Verified 78.4（同组第一）、AutomationBench 48.8（同组第一），在多工具编排与自动化流程上是这个参数档位里的第一梯队。GDPval-AA v2 拿到 1773 分，真实职业任务上排在第 2。

多工具编排与长链路自动化
真实职业任务的知识工作
图文混合的智能体流程

03 混合注意力带来的效率优势

线性注意力 + 稀疏注意力的混合架构，配合 45 层的浅层设计和 mHC，把长上下文场景下最贵的两块开销压了下来：注意力计算约 1/3，KV 缓存约 1/4.4。这是它能把价格做到旗舰十分之一的直接原因，也让长上下文推理的延迟明显更低。

长上下文下的低延迟响应
高并发场景的成本可控
私有化部署的显存友好

04 100 万 token 多模态上下文

100 万 token 上下文同时接纳文本和图像，最大输出 128K token。整份带插图的技术文档、一整套设计稿加上对应代码仓库，都可以一次装下。

图文混排的长文档理解
完整仓库 + 界面截图联合分析
长会话历史全量保留

最佳使用场景

场景	说明
视觉编程	设计稿、截图直接转前端代码与界面调试
高并发智能体	Toolathlon、AutomationBench 同组第一，成本可控
图文文档处理	带插图的技术文档、报告的长上下文理解
成本敏感的生产部署	约 GLM-5.3 十分之一的价格档位
私有化部署	MIT 许可 + 180 亿激活参数，显存需求友好
大批量处理	低延迟长上下文，适合流水线任务

GLM-5.3-Flash 与 GLM-5.3、GLM-5.2 的差异

能力	GLM-5.3-Flash	GLM-5.3	GLM-5.2
模型 ID	`GLM-5.3-Flash`	`GLM-5.3`	`GLM-5.2`
总参数 / 激活	3200 亿 / 180 亿	7530 亿 / 约 400 亿	同 GLM-5.3 基座
模型层数	45 层	—	—
输入模态	文本 + 图像	文本	文本
上下文窗口	100 万 token	100 万 token	100 万 token
最大输出	128K token	128K token	128K token
AA 智能指数	57	更高	低于 GLM-5.3
Terminal-Bench 2.1	84.3	88.2	略低
权重许可	MIT	GLM-5.3 License	MIT
推理强度	low / high / max	low / high / max	high / xhigh
定位	轻量多模态，约 1/10 价格	旗舰：最强编程与安全	上一代旗舰

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-Flash 什么时候发布的？ 2026 年 8 月 26 日正式上线并同步开源权重，采用 MIT 许可证。

它和 GLM-5.3 是什么关系？ 不是同一个基座的裁剪版，而是一条独立的轻量多模态路线：3200 亿总参数、180 亿激活，用线性 + 稀疏的混合注意力架构做效率优化，价格约为 GLM-5.3 的十分之一。GLM-5.3 是纯文本旗舰，编程和安全能力更强；Flash 多了图像输入，并在成本和延迟上占优。

"原生多模态"和外挂视觉模型有什么区别？ 原生多模态是在预训练阶段就用图文混合数据训练（约 30 万亿多模态 token），模型直接理解图像，而不是先由另一个模型把图转成文字再喂进来。中间那层信息损失没有了，视觉编程和界面调试这类任务受益最明显。

混合注意力具体省了多少？ 相比 GLM-5.3，注意力计算量降低约 3.01 倍，KV 缓存降低约 4.44 倍。长上下文场景下这两项是主要开销，所以延迟和成本的下降在长输入时最明显。

智能水平够用吗？ AA 综合智能指数 57 分，已进入全球前沿模型区间。Toolathlon Verified 78.4 和 AutomationBench 48.8 都是同组第一，GDPval-AA v2 1773 分排第 2。纯编程强度上不如 GLM-5.3（Terminal-Bench 2.1 为 84.3 对 88.2）。

思考模式可以关掉吗？ 不能。思考模式常驻开启，通过 reasoning_effort 在 low/high/max 三档之间调节，官方推荐 max。

能私有化部署吗？ 可以。MIT 许可证，权重约 328GB（FP8），支持 vLLM、SGLang、Transformers、KTransformers 等主流推理框架。

为什么选择海鲸AI 使用 GLM-5.3-Flash API

免部署直接调用 —— 不用准备 328GB 权重和 GPU 集群
OpenAI 兼容接口 —— 图像输入沿用标准多模态格式，现有代码改两行接入
与闭源模型同台对比 —— 同一账户下直接和 Claude、GPT、Gemini 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-flash

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-flash 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-flash",
    "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-flash",
    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-flash',
  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 ?? '')
}