GLM-5.3、GLM-5.3-Flash 与 Ox Alpha：定价、基准与使用方法

简短回答

GLM-5.3-Flash 是 Z.ai 的低价多模态模型，也是在 OpenRouter 上以免费隐身模型 Ox Alpha 的名义跑了六天的那个模型。它的官方 API 标价是每百万输入 token 0.15 美元、每百万缓存输入 token 0.03 美元、每百万输出 token 0.50 美元。体量更大、仅支持文本的 GLM-5.3 标价为 1.40、0.26 和 4.40 美元，与 GLM-5.2 相同。按标价，Flash 的单 token 价格约为其九分之一。两个模型的权重都已发布在 Hugging Face，Flash 采用 MIT 许可证。

有三点使这幅图景没有价格比值显示的那么简单。第一，Z.ai 自己的推理强度图表显示，Flash 完成每个任务所用的输出 token 多于 GLM-5.3，所以按完成任务计算的成本之比更接近 4 到 6 倍，而不是 9 倍。第二，Z.ai 两篇发布文章里的所有基准数字都是厂商自报，而我们能读到的唯一独立来源，即 Artificial Analysis 的模型页面，在我们抓取时没有给出 Flash 的指数分数。第三，Z.ai 自己的资料对 GLM-5.3 的发布日期说法不一：博客文章和发布推文写的是 2026 年 8 月 14 日，而文档发布说明和 API 上线推文写的是 8 月 18 日。本文同时给出两个日期。

本指南依据的材料包括 Z.ai 的 GLM-5.3 与 GLM-5.3-Flash 文章、定价页、发布说明、各模型文档、Hugging Face 仓库、OpenRouter 的模型列表与隐身模型页面，以及 @Zai_org 账号的五条一手帖子。媒体和分析机构的报道在有助于说明背景时引用，并已标明。我们没有做上手测试；下文的成本计算是我们自己用公开价格和设定的用量形态算出来的。

发布帖子

Z.ai 于 2026 年 8 月 14 日 05:17（UTC）在 X 上宣布了 GLM-5.3。帖子称其“为编码而生，为网络防御做好准备”（Built to Code. Ready for Cyber Defense.），并说提升来自在 743B 基座模型上的后训练。所链接的技术博客标注同一天。

API 在 8 月 18 日跟进。那条帖子说 GLM-5.3 与 GLM-5.2 同价，可通过官方 API 和合作伙伴模型网关使用。Z.ai 文档发布说明中的 GLM-5.3 条目标注同一日期，这正是下文家族图谱中提到的日期差异的来源。

GLM-5.3-Flash 于 8 月 26 日到来。发布帖用一行写出核心规格：原生多模态、100 万 token 上下文窗口、320B-A18B 模型、MIT 许可证，“此前以 Ox Alpha 之名预览，完全运行在中国 AI 芯片上”。

一秒钟之后的第二条帖子给出了标准 API 价格。

GLM-5.3 的权重来得更晚。博客文章承诺在“发布两周之后，待安全评估和加固完成后”提供。8 月 27 日的一条帖子说权重将于次日到来，8 月 28 日 Z.ai 宣布了发布。

家族图谱：GLM-5.2、GLM-5.3 与 GLM-5.3-Flash

三个名字看起来像一条版本阶梯，但 GLM-5.3-Flash 并不是缩小版的 GLM-5.3。两个模型的基座、规模和输入类型都不同。下表汇总了 Z.ai 页面的说法。

GLM-5.3 复用了 GLM-5.2 的基座。Z.ai 的文章写道“它使用与 GLM-5.2 相同的基座模型 — 所有提升都来自后训练”，并归功于更多的环境、更多样的任务和更多的训练算力。有一个细节我们无法对上：Hugging Face API 为 GLM-5.3 仓库报告的参数量是 753,329,940,480，而 Z.ai 的推文和 The Batch 都说是 743B。Z.ai 的页面没有解释这个差距，可能只是统计口径不同，所以本文基座部分沿用 Z.ai 的数字，并标出另一个数字。

GLM-5.3-Flash 是另一种设计。Z.ai 称它是 GLM-5 系列中首个原生多模态模型，在 30T token 的多模态语料上训练。它把线性注意力（建模局部依赖）与稀疏注意力（通过索引器检索全局上下文）结合起来。一个叫 IndexPool 的组件把四个索引器键向量压缩成一个，使索引器在 100 万 token 上下文下仍然便宜。Z.ai 报告称，与 GLM-5.3 相比，Flash 的注意力计算量少 3.0 倍，KV 缓存小 4.4 倍，并承认 Flash 的 KV 缓存仍略大于 Kimi-K3 和 DeepSeek-V4-Flash。与 GLM-4.5 系列相比，Z.ai 说 Flash 总参数量相近（320B 对 355B），但激活参数几乎减半（18B 对 32B），层数也几乎减半（45 对 92）。

同一张价格页上还有两个模型。GLM-5.3-FlashX 是更快的变体，Z.ai 文档标称 200 tokens/秒，标价为每百万 token 0.37、0.075 和 1.25 美元。GLM-5.3-FlashX-Legal 是法律领域模型，标价相同。文档说明 FlashX 当时尚未在 Coding Plan 中提供。

发布日期差异

Z.ai 自己的一手来源给了 GLM-5.3 两个日期。博客文章头部写的是 2026-08-14，发布推文发于当天 05:17 UTC，博客的基准脚注记录 FrontierSWE 结果“截至 2026/08/14”。文档发布说明把 GLM-5.3 列在 2026-08-18 之下，说 API 已上线的推文也发于 8 月 18 日。最一致的解读是：公告和 Coding Plan 推出在 8 月 14 日，公开 API 和文档条目在 8 月 18 日，但没有任何 Z.ai 页面明确这样说。请把 8 月 14 日视为公告日期，8 月 18 日视为 API 日期；如果这个区别对你重要，两个日期都要引用。

Ox Alpha 的故事

Ox Alpha 于 2026 年 8 月 20 日出现在 OpenRouter 和 OpenCode 编码智能体上，被标为“隐身模型”（stealth model）。OpenRouter 的页面把它描述为面向编码、持续智能体工作和生产负载的推理模型，上下文窗口 1,048,576 token，支持文本、图像和视频输入。使用免费，页面说开发者选择在预览期间保持匿名。Bloomberg 在 8 月 23 日以《神秘 AI 模型 Ox Alpha 以免费使用吸引开发者》为题跟进报道。

关于开发方是谁的猜测持续了六天。The Batch 转述 WCCF Tech 的报道，列出了指向智谱（Z.ai 背后的公司）的证据：相符的分词器计算、视频编码流水线、几乎一致的回答，以及习惯以“Alpha”代号实测尚未发布的模型。它报道 Ox Alpha 的 Kingbench 得分为 87.5%，而 GLM-5.3 为 91.25%，并具备 GLM-5.3 公开版本没有的视觉和视频能力。它还提到 DeepSeek 是候选之一，以及后来有说法称 Ox Alpha 使用了 OpenAI 的 cl100k_base 分词器，使部分猜测转向微软即将推出的 MAI 2。这些第三方说法我们都没有核实，而且微软一说并不成立：Z.ai 的 GLM-5.3-Flash 文章写明它“在 OpenCode 和 OpenRouter 上以 ox-alpha 之名匿名测试了 GLM-5.3-Flash，以收集用户反馈”，并说这个模型“很快成为当周最受欢迎的模型 — 所有这些流量都由中国 AI 芯片承载”。OpenRouter 的 Ox Alpha 页面现在带有横幅“已揭晓为 ZAI GLM-5.3-Flash”。

这张图是“当周最受欢迎模型”一说的数字依据。它是 Z.ai 嵌入自己文章中的 OpenRouter 品牌图表；我们是从图片上读取数值的，无法用 OpenRouter 的数据重新计算。按图中所印，ox-alpha 之下的排名是：deepseek-v4-flash（7 月 31 日版本）9.9T、mimo-v2.5 8.7T、hy3 5.9T，以及较早的 deepseek-v4-flash 4.8T。The Batch 另行报道免费额度为一周内每天 100 万亿 token；我们在保存的 OpenRouter 页面文本中没有找到这个数字，所以请把它当作媒体说法。另外要注意，免费本身就会带来流量，因此免费隐身模型的 token 数与其他模型的付费流量并不能直接比较。

对用过它的人，有一个实际细节很重要。OpenRouter 的隐身模型提示说，Ox Alpha 的提示词和补全“被提供方保留，且不用于训练”。换句话说，Z.ai 能看到测试者在预览期间发送的内容。这是免费预览的常规代价，但也正因如此，隐身模型不适合发送你本不愿分享的代码或文档。

时间线

定价与成本计算

Z.ai 的定价页（2026 年 10 月 29 日抓取）列出以下每百万 token 的标准价格。表中所有模型的缓存输入存储都显示为“限时免费”（Limited-time Free）。

Flash 的输入价格比 GLM-5.3 低 9.3 倍，缓存输入低 8.7 倍，输出低 8.8 倍。Z.ai 的发布文章把它与 GLM-5.2 的对比说成“十分之一的价格”；价格表支持的比值约为九倍。

OpenRouter 为两个模型列出了多家提供方，价差很大。对 z-ai/glm-5.3-flash，端点 API 在 10 月 29 日返回了 40 行端点，输入价格从每百万 token 0.0457 美元到 0.225 美元，输出价格从 0.0625 美元到 0.75 美元；Z.AI 那一行与标价一致，为 0.15 美元和 0.50 美元。对 z-ai/glm-5.3，返回 49 行，输入从 0.0699 美元到 2.80 美元，输出从 0.88 美元到 8.80 美元，Z.AI 为 1.40 美元和 4.40 美元。各行的量化标签包括 fp4、fp8、nvfp4 和未知。较便宜的行可能提供的是低精度版本，缓存、速率限制或数据保留方面也可能不同，而且随时可能变化，所以 OpenRouter 上引用的最低价只能作为路由测试的起点，而不是模型本身的属性。

按标价，一次任务要花多少钱

单 token 价格本身说明不了账单，必须配上用量形态。下表用三种设定的用量形态和 Z.ai 的标价计算。这是我们自己的算术，不是实测，用量形态也是虚构的示例：改变 token 数，总额就会变。

可以得出两点。缓存对账单的影响超过在 Flash 与 FlashX 之间的选择：形态 B 在 300K 输入 token 中有 240K 命中缓存时，Flash 的费用从 $0.0550 降到 $0.0262。其次，Flash 与 GLM-5.3 在单次运行上的差距只有在两个模型消耗相同 token 数时才保持在约 9 倍，而接下来几节会说明，这并不是 Z.ai 自己的发现。

基准（逐项标注来源）

本节的每个数字都来自 Z.ai 的两篇发布文章，均为厂商自报。Z.ai 在脚注中记录了评测框架：Terminal-Bench 2.1 在 Claude Code 2.1.207 中运行，超时 6 小时；DeepSWE 使用 mini-swe-agent 框架，400K 上下文；Toolathlon Verified 来自官方评测服务，取三次运行的 pass@1 平均值；GDPval-AA v2 由 Artificial Analysis 评测。我们没有重跑其中任何一项。

GLM-5.3 对比 GLM-5.2 及同类模型

Z.ai 自己的表格呈现的规律是：相对 GLM-5.2，长程编码大幅跃升（Terminal Bench 3.0 从 4.6 升到 28.3，DeepSWE 从 46.2 升到 66.9），而在最难的任务上与闭源前沿仍有差距。在 Terminal Bench 3.0 上，表中 Fable 5 为 33.7，GPT-5.6 Sol 为 34.6，GLM-5.3 为 28.3。文章着重强调的是网络安全结果：GLM-5.3 以 84.5 在 CyberGym 上居首，但在 ExploitBench 上以 54.4 落后于 Fable 5（78.0）和 GPT-5.6 Sol（76.5），Z.ai 自己的说法是能力“恰恰在我们落后最多的地方增长最快”。Z.ai 还报告该模型在 269 个开源项目中发现了 2,436 个漏洞，其中 1,097 个为中危或高危，并有一份公开披露台账，文章发布时已披露其中 53 项。这是厂商的声明；进展请到那份台账核对。

GLM-5.3-Flash 对比 GLM-5.2 及其他低价模型

Z.ai 把 Flash 概括为“整体接近 Claude Opus 4.8”，而表格支持的说法要窄一些：Flash 在 DeepSWE（63.4 对 58.0）、Toolathlon Verified（78.4 对 76.2）、AutomationBench（48.8 对 41.0）和 GDPval-AA v2 上领先于 Opus 4.8，在 Terminal Bench 2.1（84.3 对 85.0）、NL2Repo（56.3 对 69.7）和带工具的 HLE（55.3 对 57.9）上落后。对比表中另一个低价多模态模型 Gemini 3.7 Flash，Flash 在终端和智能体类行上领先，但在 BabyVision（53.4 对 70.9）、MVBench 和 MMVU 上明显落后。视觉基准是表中对比集最薄弱的部分：好几个对手的单元格是空白。

Flash 对比 GLM-5.3，逐行比较

由于 Z.ai 用相同的脚注风格发布了两张表，Flash 与 GLM-5.3 两列可以并排放置。两张表在个别地方使用的基准标签略有不同（GLM-5.3 文章把 Agents’ Last Exam 报告为 ALE-CLI），所以这些配对仅供参考。

按 Z.ai 的数字，较大的模型在编码和推理行上领先，而 Flash 在工具使用和知识工作行（Toolathlon、AutomationBench、GDPval-AA）上持平或领先。对一个标价只有九分之一的模型来说，这是个值得注意的说法，也最值得在你自己的工作负载上验证后再相信，因为恰恰是这些行，评测框架和评分细节的影响最大。

推理强度与 token 用量

两个模型都以开启思考的方式运行，各提供三档推理强度：low、high 和 max。Z.ai 内部的 Z.ai Code Bench v1.0 是一个私有基准，在 Claude Code 2.1.207 上运行，它绘制了每档强度下准确率与每任务平均输出 token 数的关系。下面的数字是从图片上读取的，所以只是近似值，而且该基准是私有、未经审计的。

Z.ai 自己的文字给出了 GLM-5.3 的数字：Max 强度下，GLM-5.3 每任务约 75K 输出 token 达到 34.5%，而 GLM-5.2 是 96K token 达到 23.4%；High 强度下，约 50K token 达到 31.4%，高于 Claude Opus 4.8 用 120K token 取得的 29.5%。对 Flash，文章只说它在 max 强度下“几乎追平 Claude Opus 4.8（29.0 对 29.5）”。Flash 的 token 数是图表读数。

最后一列用这些 token 读数乘以输出标价，忽略输入和缓存。它清楚地显示了效应：在 Max 下，Flash 在该基准上输出的 token 大约是 GLM-5.3 的 1.9 倍，因此输出 token 成本差距从 8.8 倍缩小到约 4.7 倍，而 Flash 的得分低约五个点。在 High 下，差距约为六倍，Flash 得分低约三个点。这笔交易是否合适，取决于对你的任务来说几个点的准确率更重要还是更低的账单更重要，也取决于较长输出带来的延迟是否要紧。这张图是按完成任务而不是按 token 衡量成本的最好论据。

独立证据

我们能读到的唯一独立衡量来源是 Artificial Analysis。Z.ai 的 Flash 文章引用了 Artificial Analysis Intelligence Index v4.1.1，称 Flash“推动了帕累托前沿”，“得分 57，每任务仅 0.045 美元（折扣价）”。文章还附有帕累托图。

请仔细读标签。图表给 Flash 这个点标了“折扣价”（discounted），图和文章都没有说明用的是什么价格，所以不应把 $0.045 当作按标价计算的每任务成本。从图片上读取，同一张图把 GLM-5.3（max）放在约 60 分、每任务约 $0.68，把 GLM-5.2（max）放在约 53 分、约 $0.44，这与 The Batch 关于 GLM-5.3 在该指数上得 60 分的报道一致。这些图表读数是近似值。

10 月 29 日我们抓取 Artificial Analysis 的 GLM-5.3-Flash 页面时，它把该模型列为 MIT 许可、100 万上下文、输出速度每秒 74.7 token，但智能指数、每任务成本和 token 用量字段显示为 N/A，并注明“没有公开可用的 API”。该页面还引用了 Intelligence Index v5.0，比 Z.ai 图表中的版本更新。我们没有找到 Flash 在当前指数版本上的独立指数分数，所以 57 这个数字仍只是我们在厂商图表中看到的数字。对 GLM-5.3 本身，我们也没有找到对 Z.ai 基准表的独立复现。

如何使用

实际可用的路径有三条：Z.ai 自己的 API、OpenRouter，以及在编码智能体里使用 GLM Coding Plan。对有硬件的团队，自托管是第四种选择。

路径一：Z.ai API

模型代码是 glm-5.3、glm-5.3-flash、glm-5.3-flashx 和 glm-5.3-flashx-legal。GLM-5.3 指南中的示例使用 OpenAI 风格的聊天补全端点 https://api.z.ai/api/paas/v4/chat/completions。Flash 文档说它的文本参数与 GLM-5.3 一致，所以下面的示例是文档中的 GLM-5.3 请求，仅把模型代码换掉，并不是单独的 Flash 示例。

curl -X POST "https://api.z.ai/api/paas/v4/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $ZAI_API_KEY" \
  -d '{
    "model": "glm-5.3-flash",
    "messages": [
      {"role": "user", "content": "Review this function for off-by-one errors."}
    ],
    "thinking": {"type": "enabled"},
    "reasoning_effort": "max",
    "temperature": 1.0,
    "top_p": 0.95,
    "stream": true,
    "tool_stream": true
  }'

迁移时有四个文档中的 API 细节要注意。两个模型都不能关闭思考：thinking.type 只接受 enabled。reasoning_effort 参数接受 low、high 或 max，默认值是 max。Z.ai 的迁移指南说，如果你的应用发送 thinking.type: "disabled"，应在把模型 ID 切换为 glm-5.3 之前，把它改为 enabled 并把强度设为 low，“否则请求会失败”。对 Flash，文档推荐 temperature: 1、top_p: 0.95、reasoning_effort: max、thinking.clear_thinking: false，流式输出时同时设置 stream: true 和 tool_stream: true。而在函数调用文档中，tool_choice 默认为 auto，文档说它只支持 auto，所以你无法强制调用某个特定工具。两个模型的输入限制都是 100 万 token 上下文和 128K 最大输出；GLM-5.3 只接受文本，Flash 接受视频、图像、文本和文件输入并返回文本。

GLM-5.3 指南还列出了一张基础 URL 表，其中 https://api.z.ai/api/coding/paas/v4 对应 OpenAI 聊天协议，https://api.z.ai/api/v1 对应 OpenAI Response 协议，https://api.z.ai/api/anthropic 对应 Anthropic 消息协议，而它的代码示例使用的是通用的 paas/v4 路径。我们读过的页面中没有一页说明哪个端点计入 Coding Plan 额度、哪个计入按量付费余额，所以在把生产工具指向任一端点之前，请对照你的套餐核实。

路径二：OpenRouter

OpenRouter 在其与 OpenAI 兼容的 API https://openrouter.ai/api/v1 之后列出了 z-ai/glm-5.3-flash 与 z-ai/glm-5.3。它的吸引力在于一个密钥、跨提供方路由；代价正如定价一节所示，各提供方在价格、量化和政策上各不相同。如果你按价格路由，请固定提供方或有意识地设置提供方偏好，并在你实际要用的端点上运行自己的检查。旧的 ox-alpha 隐身页面仍作为记录保留，并指向 Flash 的列表。

路径三：GLM Coding Plan

如果你是在编码智能体内部工作，而不是直接调用原始 API，Coding Plan 覆盖了这种情况。这是下一节的主题。

自托管

GLM-5.3-Flash 在 Hugging Face 上采用 MIT 许可证，Hugging Face API 报告的参数量为 321,323,031,390，模型卡列出 SGLang、vLLM、TokenSpeed、Transformers 和 KTransformers 为受支持的推理框架。GLM-5.3 同样在 Hugging Face 上，但许可证标为“other”。它的 LICENSE 含有一条“模型即服务”条款：年度累计收入（任意连续十二个月）超过 100 亿美元的模型即服务业务运营方，在把该软件或其衍生品用于商业目的之前，必须通过 Z.ai 的安全审查。该条款排除了把模型能力嵌入特定功能的终端用户产品，以及单纯的请求转发。如果你经营托管业务，请阅读许可证原文。

我们抓取时两个仓库仍在维护：提交历史显示，聊天模板在 9 月 4 日有改动，10 月 14 日和 15 日又有改动（“speed up tool-result validation and reordering”）。如果你依赖精确的模板行为，请固定一个修订版本。

GLM Coding Plan

Z.ai 的 Coding Plan 文档描述了可配合 Claude Code、ZCode、OpenCode、Cline、AutoClaw 等智能体工具使用的订阅档位，据文档元数据，套餐起价为每月 18 美元。额度是积分制，有 5 小时限额和每周限额。

每次调用的积分消耗为（输入 token 乘以输入系数，加上缓存 token 乘以缓存系数，再加上输出 token 乘以输出系数）除以 10,000。各模型的系数不同。

高峰时段为周一至周五新加坡标准时间（UTC+8）14:00 至 18:00，即 UTC 06:00 至 10:00。非高峰时段的调用只消耗标准积分的 50%，周末也包括在内。在 98% 缓存命中率下，Z.ai 估算的每周 token 额度为：Lite 上 GLM-5.3 为 5,200 万至 1.04 亿 token，而 Flash 为 1.58 亿至 3.17 亿；Pro 上为 3.13 亿至 6.27 亿对 9.5 亿至 19 亿；Max 上为 7.31 亿至 14.63 亿对 22.17 亿至 44.33 亿。低端假设全部在高峰使用，高端假设全部在非高峰使用。Z.ai 的文章把这概括为 Flash 给出“GLM-5.3 三倍的可用额度”，而系数也吻合：6.9 除以 2.3 等于 3.0。

把公式用于定价一节的形态 B（60K 未缓存输入、240K 缓存、20K 输出），得到 Flash 为 43.24 积分，GLM-5.3 为 130.2 积分，所以 Lite 套餐 2,000 积分的窗口按高峰价大约能跑 46 次这样的 Flash 任务，而 GLM-5.3 约 15 次，非高峰时约为两倍。这是我们对设定形态的算术。文档还说明，套餐中对 GLM-5.2 和 GLM-5.1 的请求会自动路由到 GLM-5.3，对 GLM-4.7 的请求会路由到 GLM-5.3-Flash。另外一点：GLM-5.3 文章提到过截至 8 月 31 日的限时 1.5 倍额度加成，撰文时已经过期。

声明与证据对照表

切换前的测试方案

以上内容都不能代替在你自己的任务上做测试。下面是一个半天能完成的小方案：

1. 从你自己的仓库或工作流中挑 20 到 40 个真实任务，包括几个以前失败过的任务，并保持固定。
2. 在相同强度设置下用两个模型各跑一遍每个任务，然后再降低一档强度跑一遍。Z.ai 的图表表明，强度档位会同时改变每个模型的准确率和 token 用量。
3. 不只记录美元，也要记录 token：从 API 的用量字段里取每个任务的输入、缓存输入和输出，再用上文的标价计算每个完成任务的成本。
4. 用你信任的检查器给结果打分，例如测试通过，或对照评分标准审阅 diff，并把重试与一次通过分开统计。
5. 测试你的工具循环：由于 tool_choice 只支持 auto，要检查模型调用你预期工具的频率，以及它如何处理工具错误。
6. 在你实际要用的提供方上重复测试。如果通过 OpenRouter 路由，请在具体端点上运行同一套任务，因为量化和缓存各不相同。
7. 单独检查图像：如果你要发送截图或视频，只有 Flash 接受它们，而且 Z.ai 表中的视觉基准集很薄。

什么任务选哪个模型

若要与其他成本档位的选择对比，可参阅 GPT-6 Astra、Sol 与 Luna 的定价与用量、Claude Opus 5.5 与 Sonnet 5.5 编码对比，以及同样出现在 Z.ai 对比表中的另一个开放权重模型 Kimi K3（英文）。

局限

• 本指南中的每个基准数字都是 Z.ai 厂商自报。我们读了表格和图表图片，在两者都有的地方把表格与图表交叉核对，没有重跑任何基准。
• 强度图表中的 token 数和 Artificial Analysis 图表的数值来自对渲染图片的读取，是近似值。流量图是 OpenRouter 品牌但嵌在 Z.ai 文章里的；我们无法重新计算。
• 我们没有找到 GLM-5.3-Flash 在当前指数版本上的独立 Intelligence Index 分数，也没有找到对 Z.ai GLM-5.3 表格的独立复现。我们抓取的 Artificial Analysis 页面的指数字段显示为 N/A。
• GLM-5.3 的发布日期在 Z.ai 自己的来源之间不一致（8 月 14 日对 8 月 18 日）；本文同时给出两者，不把其中一个当作唯一真相。
• GLM-5.3 的 743B 与 753B 参数量差异，在我们读过的页面中没有得到解释。
• 关于 Ox Alpha 全部流量由中国 AI 芯片承载的说法、Kingbench 分数、cl100k_base 分词器的说法，以及每天 100 万亿 token 的额度，都是 Z.ai 或媒体报道的陈述，本文未予核实。
• 我们没有测试 API 延迟、工具调用错误率、长上下文准确率或图像质量，也没有找到独立的工具调用可靠性数据。
• 在我们读过的页面中，没有确认哪个 Z.ai 端点计入 Coding Plan 额度。OpenRouter 上的价格因提供方而异，且会不经通知而变化。第三方促销和经销商折扣未经核实，已略去。

结论

对大多数开发者来说，GLM-5.3-Flash 是这两次发布中更有意思的一个。它是多模态的，采用 MIT 许可证，标价为每百万 token 0.15 美元和 0.50 美元，而 Z.ai 自己的表格显示，它在两者共有的每一行上都领先 GLM-5.2，并且在工具使用行上接近 GLM-5.3。Z.ai 自己的强度图表同样是需要谨慎的理由：Flash 花更多输出 token 才达到更低的分数，所以每个完成任务的实际节省低于单 token 比值。

当你想要 Z.ai 在高难度编码任务上的最高分数，并且能承担约九倍的 token 价格时，GLM-5.3 仍是选择。Ox Alpha 这一幕是个有用的案例：厂商如何在发布前收集真实流量，代价是让测试者的提示词被保留。先在一组固定的、属于你自己的任务上用 Flash，记录 token 和结果，只在准确率差距真的出现在你的数据里的任务上升级到 GLM-5.3。

常见问题

来源

来源于 2026 年 10 月 29 日核查。

• GLM-5.3: Frontier Coding with Emergent Cyber Capabilities — Z.ai 博客（基准表、Code Bench 图表、API 变化、权重时间线）
• GLM-5.3-Flash: Frontier Intelligence, Flash Cost — Z.ai 博客（架构、基准表、Ox Alpha 声明、图表）
• Z.ai 定价页与发布说明
• GLM-5.3 指南、GLM-5.3-Flash 指南、迁移指南与函数调用文档
• GLM Coding Plan 概览（积分、系数、高峰时段、token 额度）
• Hugging Face 上的 GLM-5.3-Flash 与 Hugging Face 上的 GLM-5.3（模型卡、许可证、仓库元数据、提交历史）
• OpenRouter：Ox Alpha 隐身模型、z-ai/glm-5.3-flash 与 z-ai/glm-5.3（隐身提示、端点价格和量化标签）
• X 上的 Z.ai：GLM-5.3 发布、API 上线、GLM-5.3-Flash 发布、Flash 定价、权重明天到来和开放权重公告
• Artificial Analysis：GLM-5.3-Flash（独立的速度与许可证字段；抓取时指数字段为 N/A）
• Bloomberg，2026 年 8 月 23 日与 The Batch，2026 年 8 月 24 日（对隐身模型的媒体报道；第三方说法已标注）

相关阅读：GPT-6.1 Sol 指南、Claude Opus 4.8 发布、CodeWhale 与 DeepSeek 终端智能体指南，以及 Kimi K3 开放前沿智能（英文）。