GLM-5.3-Flash 正式发布并开源：320B-A18B 原生多模态，前沿智能进入普惠时代

2026 年 8 月 26 日，智谱 AI（Zhipu AI / Z.ai）正式发布并开源 GLM-5.3-Flash（320B-A18B）。这是 GLM-5 系列首个原生多模态模型，以「Frontier Intelligence, Flash Cost」为产品方向，在逼近前沿智能水平的同时把单任务成本压到极低。本文基于智谱官方技术博客（z.ai/blog/glm-5.3-flash）与官方公开信息整理。

一、核心要点速览

• 模型规格：总参数量 320B（3200 亿），推理时仅激活 18B 参数，官方型号记为 320B-A18B。
• 定位：GLM-5 系列首个原生多模态模型，从训练阶段即面向文本、图像等模态的联合输入设计。
• 性能：AA（Artificial Analysis）综合智能指数 v4.1.1 得分 57，与 Anthropic Claude Opus 4.8 持平；整体能力超越上一代 GLM-5.2。
• 价格：常规定价为 GLM-5.3 的 1/10；限时折扣期间约为 GLM-5.3 的 1/20、Claude Opus 4.8 的 1/40；官方博客给出的折扣价指标为每任务约 $0.045。
• 上下文：最高支持 100 万 Token（1M / 1048576 Token） 的超长上下文。
• 架构：首次在开源前沿模型中采用稀疏注意力 + 线性注意力混合架构，并引入 mHC（流形约束超连接），注意力计算量较 GLM-5.3 降低约 3 倍、KV 缓存降低约 4.4 倍。
• 基础设施：发布前匿名测试（ox-alpha / 中文社区称「牛来」）期间，请求流量全部由国产 AI 芯片集群承载，端到端服务性能较初始基线提升 3 倍。
• 开源：模型权重已在 HuggingFace 公开（zai-org/GLM-5.3-Flash），支持 SGLang、vLLM、TokenSpeed 等推理框架。

二、性能：「前沿智能，Flash 成本」

智谱官方用「Frontier Intelligence, Flash Cost」概括 GLM-5.3-Flash 的产品逻辑：用接近前沿旗舰的智能水平，配上 Flash 级的低成本。

• 在 Artificial Analysis Intelligence Index v4.1.1 中，GLM-5.3-Flash 得分 57，仅以约 $0.045/任务（折扣价）即可达到——此前同等智能水平大约需要 10 倍的成本。智谱称其显著推动了该指数「智能—成本」帕累托前沿。
• 编码与智能体方向（官方基准数据）：

基准（Benchmark）	GLM-5.3-Flash	GLM-5.2	DeepSeek-V4-Vision-Exp	Claude Opus 4.8	GPT-5.6 Terra	Gemini 3.7 Flash
Terminal Bench 2.1	84.3	81.0	83.9	85.0	87.4	85.8
DeepSWE v1.1	63.4	46.2	59.3	58.0	69.6	65.3
NL2Repo	56.3	48.9	57.7	69.7	—	—
Toolathlon Verified	78.4	59.9	75.9	76.2	74.9	—
AutomationBench v1.0.6	48.8	26.2	38.8	41.0	37.2	52.3
Agents’ Last Exam	26.3	20.4	27.3	27.0	28.0	—
GDPval-AA v2	1773	1504	1675	1582	1571	1527

• 智谱自研的 Z.ai Code Bench v1.0（运行于 Claude Code 2.1.207）上，GLM-5.3-Flash 在每一档 effort 下都明显优于 GLM-5.2；在 max effort 档位得分 29.0，逼近 Claude Opus 4.8 的 29.5。
• 官方明确表示：GLM-5.3-Flash 在编码与智能体（agentic）基准上整体逼近 Claude Opus 4.8，同时在多个场景显著超越 GLM-5.2（如 DeepSWE v1.1：63.4 vs 46.2；AutomationBench：48.8 vs 26.2）。

三、架构：为极致推理效率而生的混合注意力

GLM-5.3-Flash 没有继续单纯堆参数，而是从架构层面压低了实际推理的激活与计算成本：

• 更轻的激活与层数：相比 GLM-4.5 系列（总参约 355B、激活约 32B、92 层），GLM-5.3-Flash 总参 320B 基本持平，但激活参数降至 18B、层数缩减到 45 层，接近减半——既保留完整推理能力，又大幅降低运行负担。
• 混合注意力架构（Mixed Linear + Sparse Attention）：线性注意力通过状态建模（递归机制）捕获局部依赖，稀疏注意力借助轻量级索引器召回全局上下文。效果上相当于给长上下文处理加了一个「智能索引系统」：大部分内容快速略过、关键段落精读。
• IndexPool（索引池化）：为在 100 万 Token 超长上下文下压低索引器的时延与内存开销，智谱通过加权池化把索引器的 4 个缓存向量压缩为 1 个。
• mHC（Manifold-Constrained Hyper-Connections，流形约束超连接）：进一步提升模型 Scaling 能力，为后续更大规模模型铺路。
• 效率量化结果：与 GLM-5.3 相比，GLM-5.3-Flash 的注意力计算量降低约 3.0 倍、KV 缓存占用减少约 4.4 倍，在所有对比基线模型中注意力计算量最低（KV 缓存均值仍略高于 Kimi-K3 与 DeepSeek-V4-Flash，官方已列为后续优化方向）。
• 训练数据：配合约 30T Token 的最新多模态预训练语料，实现「用更少计算产出更多智能」。

基座模型（Base）评测也佐证了架构的有效性：GLM-5.3-Flash-Base（18B 激活 / 320B 总参）在 MMLU 88.1、BBH 86.6、HellaSwag 87.1、LiveCodeBench-Base 37.6、SimpleQA 33.5 等指标上整体超越 GLM-4.5-Base，并与总参 744B 的 GLM-5-Base 在多数组件上保持竞争力。

四、原生多模态：视觉智能进入编码闭环

GLM-5.3-Flash 是 GLM-5 系列首个原生多模态模型，与 8 月中旬发布的、主打代码与 Agent 的 GLM-5.3 形成互补：

• 视觉不再只是「图片问答」——官方强调「视觉编码」的价值：前端、游戏、3D 仿真等任务的最终交付物是界面、交互或用户可体验的「世界」，很多缺陷只有在渲染、交互、试玩中才会暴露。CUA（Computer Use Agent）把编码能力延伸到可见、可交互的环境，因此视觉需要原生集成进模型，让它自主决定何时观察、并用视觉反馈指导后续动作。
• 智谱为此构建了面向视觉编码的数据合成管线，重点训练自我视觉判断（self-visual judgment）与测试时改进（test-time improvement）：模型要与环境交互、检查自身输出并迭代修正；前端编码还探索了基于环境反馈的强化学习，并结合真实用户流程的 agent 验证强化 GUI 判断。
• 在办公与知识工作场景，视觉智能让模型能直接理解文档、表格、演示文稿、仪表盘、界面等异构视觉与结构化信息，对着原始工作产物联合推理，而不是要求用户先转写成文字；它还能评估自身输出是否契合视觉上下文与预期结果，做出更好的自检与优化——包括对呈现质量与美感的判断。

五、服务底座：10 万级国产芯片集群跑通前沿模型

GLM-5.3-Flash 的推理服务完全构建在国产 AI 芯片集群之上（自研高带宽互联网络连接），这是其另一大看点：

• 发布前的压力测试：8 月 20 日起，智谱以匿名模型 ox-alpha（中文社区称「牛来」）在 OpenCode 与 OpenRouter 平台大规模开放测试，迅速成为当周双平台最受欢迎模型之一，并刷新调用量纪录——期间产生的所有请求流量全部由国产芯片承载。
• 专用推理引擎：为克服单芯片算力与内存容量限制（尤其在 100 万 Token 上下文下），团队在 SGLang 之上为这套架构定制了推理引擎，组合了节点内张量并行（Linear Attention 与 LM head）、ReplaySSM、W8A8 量化、混合 INT8/FP8/BF16 缓存量化、Layer Split 等手段，并大量使用 compute-for-bandwidth / communication-for-bandwidth 类内存优化。
• EPD 分离式架构：生产级 Encode–Prefill–Decode（EPD） 将多模态编码、Prompt 预填充与逐 Token 解码拆分为可独立调度、独立扩缩容的工作池，实现跨数万张国产加速卡的稳定服务。
• 自我进化的正循环：这项工作由 GLM-5.3 驱动的 infra agent（基建智能体） 参与加速完成——它协助工程师开发与优化算子、诊断性能瓶颈、改进服务栈，形成「模型帮助优化服务模型自身的系统」的反馈闭环。
• 结果：与同一硬件上的初始基线相比，端到端服务性能提升 3 倍，硬件效率与单 Token 成本已达到与主流 NVIDIA GPU 相当的水平，验证了国产芯片可规模化、经济地支撑前沿模型推理。

六、开源与上手路径

• 权重开源：GLM-5.3-Flash 权重已在 HuggingFace 公开（zai-org/GLM-5.3-Flash），面向全球开发者开放。
• 本地部署：当前支持 SGLang、vLLM、TokenSpeed 等推理框架，其余框架也在陆续适配中。
• 官方服务：已全量接入 GLM Coding Plan 用户（可用额度为 GLM-5.3 的 3 倍），并接入 ZCode 等官方编码平台；同步开放 API 调用。
• 多模态 Agent 能力：在 ZCode 中可通过 Browser Use 与 Computer Use 解锁：让 Agent 点开网页并可视化验证界面、操作桌面应用。

七、总结

GLM-5.3-Flash 的意义不仅在于「又一款开源模型」，而在于一套可复制的组合方法：更强能力的架构 + 更丰富的多模态预训练语料 + 与推理硬件协同设计的服务基础设施。智谱官方表示，这套理念正在向更大模型扩展，GLM-5.3-Flash 推动的成本—性能前沿，以及构建过程中沉淀的经验，已经在塑造下一代前沿模型。「前沿智能不必付出前沿价格」——这正是 GLM-5.3-Flash 想要证明的事情，而开源加国产算力的组合，让它变得可以让整个行业直接上手验证。

---

参考资料（官方权威来源）

• 智谱官方技术博客：GLM-5.3-Flash: Frontier Intelligence, Flash Cost — z.ai/blog/glm-5.3-flash
• HuggingFace 开源仓库：zai-org/GLM-5.3-Flash
• 智谱官方公开信息（官方微博、公众号等渠道披露的发布与定价说明，2026-08-26）