GLM-5.3-Flash

GLM-5.3-Flash 是智谱（Z.ai）GLM-5 系列中首个原生多模态模型，2026 年 8 月 26 日发布，并被确认就是数日前匿名出现在 OpenRouter 上的 "Ox Alpha" 模型。它是一款 320B 参数的混合专家（MoE）模型，每次推理只激活 18B 参数，拥有 1M token 上下文窗口和 MIT 许可的开源权重。按 $0.15/百万 token 的输入定价，定位为面向智能体的高性价比长上下文开源模型。

模型规格

核心功能

• 原生多模态：与早期 GLM 视觉改造版不同，该模型从头在 30 万亿多模态 token 语料上预训练，因此原生读取图像和视频输入。
• 混合稀疏 + 线性注意力：GLM 系列首次将稀疏注意力与线性注意力层相结合，注意力计算减少约 3 倍、KV 缓存缩小约 4.4 倍（对比 GLM-5.3）。
• 1M 上下文、低成本服务：更小的 KV 缓存是长上下文自托管可行的关键；320B MoE 仍需要可观内存，但远低于全注意力方案。
• MIT 开源权重：权重可从 Hugging Face 以 MIT 许可下载，允许自托管和商用。
• 始终思考：推理不可关闭，每次响应都会消耗推理 token；官方建议 temperature 1.0、top_p 0.95、最大化推理强度。
• 接入 Coding Plan：纳入 GLM Coding Plan，额度提升 3 倍，非高峰时段 50% 折扣。

适用场景

谁应该使用这个工具？

• 智能体开发者：长时间推理循环中重复上下文占大头，$0.03 缓存输入价格让重复上下文近乎免费。
• 多模态管线：需要一个开源模型同时理解图像和视频。
• 自托管团队：GPU 内存足够承载 320B MoE，4.4 倍更小的 KV 缓存让 1M 上下文服务成为可能。
• 成本敏感团队：与每次任务成本高数倍的封闭前沿模型做对比。

解决的问题

1. 长上下文服务成本：全注意力呈二次方增长并强制大 KV 缓存；混合设计同时降低两者。
2. 多模态碎片化：一个模型取代独立的图像、视频编码器。
3. 厂商锁定：MIT 开源权重让团队可脱离托管供应商，同时保留同一模型。

定价方案

优势对比

相比竞品的优势：

1. 对比 GLM-5.3：长上下文服务能力更强且便宜得多，代价是激活参数更少。
2. 对比 DeepSeek-V4-Flash 与 Kimi-K3：智谱称在所测基线中注意力计算最低，同时承认 KV 缓存略大于部分竞品。
3. 对比封闭前沿模型：在同等长上下文智能体任务上，单任务成本低约一个数量级。

独特卖点：

• GLM 首款原生多模态，系从头预训练而非改造。
• 据 Z.ai 称全程运行于国产 AI 芯片。
• 以 "Ox Alpha" 身份匿名发布，是具有明确不训练承诺的罕见隐身预演。

用户评价

社区关注度极高。Patrick Collison 评价匿名 "Ox Alpha" 预览"令人印象深刻"，引发大批开发者前来测试。指纹分析者用分词器探针宣称"99% 确定"其为智谱 GLM 家族，早于官方证实。基准测试者记录到强劲的编码分数，但社区在部分服务平台上指出其部署速度慢于部分同类快模型。

快速开始

入门指南

1. 走 API：在 Z.ai 开放平台或智谱 bigmodel 平台调用模型 ID glm-5.3-flash，使用标准 OpenAI 兼容格式。
2. 走 OpenRouter：stealth/ox-alpha 列表让位于官方 GLM-5.3-Flash 列表；免费窗口约 8 月 27 日关闭，之后为标准定价。
3. 自托管：从 Hugging Face 的 zai-org/GLM-5.3-Flash 下载权重，用你偏好的运行时服务；显存紧张时用量化版本。

集成

• OpenAI 兼容的聊天、函数调用、流式输出与 JSON 结构化输出。
• 图像 URL 或 Base64 输入。
• Hugging Face Transformers、llama.cpp、Unsloth（GGUF）本地推理。

常见问题

GLM-5.3-Flash 和 GLM-5.3 是同一个吗？

不是。GLM-5.3-Flash 是全新训练的基座模型，而非 GLM-5.3 的蒸馏，且原生多模态，而 GLM-5.3 仅文本。

可以关闭思考吗？

不可以。思考始终开启，每次响应都会消耗推理 token，请据此规划预算。

它真的开源吗？

权重以 MIT 许可开放，允许商用与自托管。与所有开源权重发布一样，训练数据未公开。

什么是 "Ox Alpha"？

Ox Alpha 是 GLM-5.3-Flash 的匿名代号，8 月 26 日被 Z.ai 证实。它先匿名出现在 OpenRouter 上，靠独立社区使用验证后再挂上品牌。

替代方案

• GLM-5.3：文本向编码旗舰，网络安全能力更强，但激活参数省得少。
• Qwen3.8-Flash-Next：同日发布的另一款开源成本效率模型，125B 总参 / 6B 激活。
• DeepSeek V4 Flash：成本敏感智能体部署的强劲开源选择。

使用技巧

1. 为思考 token 留预算：推理不可关闭，按重复推理而非单轮估算单任务成本。
2. 用足缓存输入：智能体循环反复发送系统提示与上下文，$0.03/百万缓存让上下文首轮后近乎免费。
3. 单机服务需量化：320B MoE 即便只有 18B 激活仍需可观显存；选用适配量化或卸载到内存。

总结

GLM-5.3-Flash 是智谱对"便宜、长上下文、原生多模态开源权重"的押注，其注意力重构让 1M 上下文服务变得经济。对于看重单任务成本而非峰值基准的智能体开发者与多模态管线，它是当前开源空间中价值优势最明显的一档之一。建议从 Z.ai 官方公告 或 Hugging Face 模型卡 入手。