智谱发布GLM-5.3-Flash：3200亿参数原生多模态MoE模型

全新架构：原生多模态+百万级上下文

GLM-5.3-Flash是智谱GLM-5系列中首个原生多模态大模型，支持图像与视频输入，总参数量达3200亿，每token激活参数约180亿，上下文窗口为1,048,576 token（即104万tokens）。模型采用混合专家（MoE）架构，权重以FP8精度发布，遵循MIT开源协议，已在Hugging Face平台公开。据智谱官方数据，其在多项基准测试与真实工作负载中全面超越前代GLM-5.2，综合性能达Claude Opus 4.8内部编码评测得分的99.5%（29.0 vs. 29.5），而推理成本约为后者的十分之一。

部署路径：API优先，自托管门槛明确

模型提供双轨部署方式：一是开放Hugging Face权重供下载；二是已上线商用API服务。但自托管存在显著硬件门槛——默认FP8检查点体积约306 GiB（不含KV缓存），当前vLLM推理路径仅支持NVIDIA Hopper及更新架构GPU。这意味着仅中大型企业（至少配备8卡GPU节点或GB200 Tray TP4集群）及租用GPU资源的AI原生初创公司具备本地部署能力；其余用户需通过API调用，此时经济性（而非硬件能力）成为核心考量。

行业适配与典型场景

模型面向软件开发与开发者工具、IT/BPO自动化、金融与保险文档处理、企业BI与后台知识工作、电商及高频UI交付团队等场景。具体应用包括：代码仓库级智能编程代理、终端/浏览器/计算机操作代理、百万级日志与合同分析、基于截图的UI回归检测，以及需OCR预处理的表格/幻灯片/仪表盘推理任务。

架构创新：效率三支柱

效率提升源于三大关键技术改进：

• 混合注意力机制：首次在GLM系列中融合线性注意力（KDA层）与稀疏注意力（NoPE MLA层），45层语言模型交替堆叠，每token路由至288个专家中的8个，并集成1层MTP草案层；线性注意力建模局部依赖，稀疏注意力高效检索全局关键信息。
• IndexPool索引池：针对百万级上下文下的检索瓶颈，对索引器键向量组进行加权池化压缩，在保障效果前提下降低延迟与显存占用；实测较GLM-5.3减少约3倍注意力计算量，KV缓存体积缩小4.4倍。
• 流形约束超连接（mHC）：通过优化连接拓扑提升扩展效率；相比GLM-4.5，在相近总参规模下，GLM-5.3-Flash将激活参数量与网络层数均压缩约50%。

性能表现：强于前代，视觉为短板

在智谱自测基准中，GLM-5.3-Flash显著领先GLM-5.2：Terminal-Bench 2.1达84.3分（Opus 4.8为85.0）、DeepSWE v1.1达63.4（GLM-5.2为46.2）、AutomationBench达48.8（GLM-5.2为26.2）；OfficeQA Pro得分62.4，反超Opus 4.8。独立评测机构Artificial Analysis给出 Intelligence Index 57分（v4.1.1），输出速度48.7 tokens/sec，首token时延1.52秒。但视觉理解能力仍是短板，在BabyVision和MVbench上落后于Gemini 3.7 Flash。

服务与商业化：国产芯片验证+阶梯定价

模型预览期全程运行于国产AI芯片，依托定制化SGLang引擎实现编码、prefill与解码解耦，宣称在数万台加速器集群上实现3倍端到端服务性能提升。API标准定价为：$0.15/百万输入token、$0.03/百万缓存输入、$0.50/百万输出token；折扣 tier 下单任务成本低至$0.045。模型已接入全部GLM Coding Plan订阅层级（Lite $18/月、Pro $80、Max $168），配额为GLM-5.3的3倍，多模态能力通过ZCode平台的‘Browser Use’与‘Computer Use’功能释放。