GLM-5.3 和上一代 GLM-5.2 的 API 价格一分不差：每百万 token 输入 1.40 美元、输出 4.40 美元，缓存输入 0.26 美元。智谱 Z.ai 说两者底座相同，差别全在后训练。所以要不要升级，看的不是价签，是能力和 token 效率。
权重已经在 Hugging Face 的 zai-org/GLM-5.3 公开，定位是复杂软件工程和长程 Agent。
厂商自报成绩
下面这张表全部出自 Z.ai 文档，是厂商自报：
| 评测 | GLM-5.2 | GLM-5.3 |
|---|---|---|
| Terminal-Bench 3.0 | 4.6 | 28.3 |
| DeepSWE v1.1 | 46.2 | 66.9 |
| Agents' Last Exam | 23.8 | 28.5 |
| CyberGym | 77.2% | 84.5% |
| ExploitBench | 24.4% | 54.4% |
Terminal-Bench 从 4.6 跳到 28.3，是最扎眼的一行。安全类评测上，Z.ai 称 CyberGym 84.5% 为目前最高，略高于 Mythos 5 的 83.8% 和 GPT-5.6 Sol 的 83.6%；ExploitBench 翻了一倍多，但离 Mythos 5 的 78.0% 和 GPT-5.6 Sol 的 76.5% 还差一截。
token 效率体现在 Z.ai 的私有 Code Bench 上：Max 档 5.2 每题约用 96K 输出 token、得分 23.4%，5.3 只用约 75K 就到了 34.5%。High 档 5.3 用约 50K 拿到 31.4%，Z.ai 说同一张图上 Claude Opus 4.8 是 120K 换 29.5%。官方把这概括为编程能力提升约 50%。这个榜外部复现不了，只能当厂商说法看。
Z.ai 还提到和国内安全团队合作，经审查后在 269 个项目里累计披露了 2436 个漏洞。
人类偏好与实际用量
Arena 2026 年 10 月 15 日的快照（整体文本榜开启风格控制）：
| 条目 | 整体名次 | 评分（95% 区间） | 票数 | 编程名次 | 编程评分 |
|---|---|---|---|---|---|
glm-5.3-max |
28 | 1478.5（1473.3–1483.8） | 22,543 | 38 | 1518.5（1509.9–1527.1） |
glm-5.3-flash |
41 | 1473.8（1469.0–1478.7） | 32,925 | 27 | 1524.5（1517.1–1532.0） |
有意思的是，编程榜上便宜的 Flash 排在 Max 前面。不过两者的区间都和邻近模型重叠，名次差几位说明不了太多。
→ 在 AI Rank 查看： GLM-5.3（max）的 Arena 评分、名次与 90 天走势
用量上 Flash 也压过 Max。OpenRouter 文本周榜（2026 年 10 月 10 日至 16 日，按 token），z-ai/glm-5.3-flash-20260826 排第 2，12.4T token，环比涨 14%；z-ai/glm-5.3-20260816 排第 7，4.54T，涨 43%。GLM-5.3-FlashX 排第 63，186B。上游展示名有时会带“(batch)”，这里以 AI Rank 返回的 model_id 为准。
→ 实时使用量： 在 AI Rank 的 OpenRouter 模型使用量榜 查看本周名次（按 token 计，2026-10-10 至 10-16 窗口）。
接口变更
GLM-5.3 的推理始终开启，关不掉。官方说明写得很清楚：如果你的代码还在传 thinking.type: "disabled"，换型号前必须改成 enabled，再设一个 reasoning_effort（low、high 或 max，默认 max），否则请求直接失败。编程任务官方建议用 max。
其他规格：只收文本，上下文 1M token，最大输出 128K，支持流式、函数调用、上下文缓存和结构化输出。协议有三种可选，OpenAI Chat Completions（https://api.z.ai/api/coding/paas/v4）、OpenAI Responses（https://api.z.ai/api/v1）、Anthropic Messages（https://api.z.ai/api/anthropic）。订过 GLM Coding Plan 的账号，包括已过期的，目前只能走 Chat Completions。
Coding Plan 按点数算配额，非高峰时段和周末全天按标准点数的五折计。
价格与许可
价格页上同一家族的几个型号，美元／百万 token：
| 型号 | 输入 | 缓存输入 | 输出 |
|---|---|---|---|
| GLM-5.3 | 1.40 | 0.26 | 4.40 |
| GLM-5.3-FlashX | 0.37 | 0.075 | 1.25 |
| GLM-5.3-Flash | 0.15 | 0.03 | 0.50 |
| GLM-5.2 | 1.40 | 0.26 | 4.40 |
缓存输入的存储费目前限时免费。
GLM-5.3 License 允许使用、修改、微调、部署和销售，但有附加条件：如果你做 Model-as-a-Service，且连同关联方在任意连续 12 个月内收入超过 100 亿美元，商用前要先过 Z.AI 的安全审查。它不是 MIT 或 Apache。AI Rank 上 Arena 条目给 glm-5.3-flash 标的许可是 MIT，再分发时请以 Hugging Face 上的 LICENSE 为准。
本地部署
Hugging Face 上的 GLM-5.3 约 753B 参数，主体以 FP8 存储，另有单独的 GLM-5.3-BF16 仓库。GLM-5.3-Flash 同样开放权重，约 321B 参数，但它不是 GLM-5.3 的缩小版。按 Unsloth 指南的说法，Flash 用 30T token 在全新基座上训练，注意力是稀疏加线性的混合结构。
智谱的模型卡列出的推理框架有 SGLang、vLLM、TokenSpeed、Transformers、KTransformers 和 Unsloth，昇腾 NPU 上可用 vLLM-Ascend、xLLM 和 SGLang。对话场景要显式传 clear_thinking=true，聊天模板里它默认是 false。
Unsloth 动态 GGUF 量化的内存需求（内存加显存，或统一内存）：
| 量化 | GLM-5.3 | GLM-5.3-Flash |
|---|---|---|
| 1-bit | 223 GB | 100 GB |
| 2-bit | 245 GB | 115 GB |
| 3-bit | 290–360 GB | 128–150 GB |
| 4-bit | 372–475 GB | 162–210 GB |
| 8-bit | 810 GB | 350 GB |
Unsloth 说 2-bit 的 GLM-5.3（UD-IQ2_M，磁盘占用 239 GB）能在 256 GB 的机器上跑，比如 Mac Studio 或两台 NVIDIA DGX Spark；3-bit 的 Flash 能放进 128 GB 设备。位数压得越低，精度损失越明显：Unsloth 测得 2-bit GLM-5.3 的 top-1 一致率约 81%，3-bit Flash 约 87%。
选型前先对比： 价格和排名每天都在变，决定前先看 AI Rank 的 Arena 高分模型榜。
或 📱 下载 AI Rank App 在手机上随时查看。
本文使用自动化编辑辅助，于 2026 年 10 月 15 日依据官方资料与指定日期的 AI Rank 数据核对，2026 年 10 月 22 日复核价格，并更新 Arena、OpenRouter 数据与本地部署信息，未进行自有跑分测试。