GLM-5.3-Flash: نموذج Z.ai متعدد الوسائط بعُشر السعر

أطلقت Z.ai نموذج GLM-5.3-Flash في 26 أغسطس 2026 — وهو أول نموذج متعدد الوسائط بشكل أصيل في سلسلة GLM-5، صدر تحت ترخيص MIT مع نافذة سياق تبلغ مليون رمز (Z.ai على X). إنه نموذج 320B-A18B تقول Z.ai إنه يتفوق على GLM-5.2 في اختبارات البرمجة والوكلاء بحوالي عُشر السعر. إليك ما هو جديد فعلاً، والاختبارات المهمة للوكلاء، وتكلفته، وكيف يختلف عن GLM-5.3.

ما هو GLM-5.3-Flash؟

GLM-5.3-Flash هو نموذج Mixture-of-Experts (خليط من الخبراء) يضم 320 مليار معامل إجمالي و18 مليار معامل نشط لكل رمز (TestingCatalog). تضعه Z.ai باعتباره المستوى الأقل تكلفة والأعلى كفاءة في عائلة GLM-5: أداء قوي في البرمجة والمهام الوكيلية، لكنه مصمم للتشغيل بتكلفة منخفضة والاستجابة السريعة.

ثمة أمران يميزانه عن إصدارات GLM السابقة. إنه أول نموذج متعدد الوسائط بشكل أصيل في السلسلة — إذ تم دمج الرؤية في التدريب وليس إضافتها لاحقاً — ويُشحن تحت ترخيص MIT مع أوزان مفتوحة على Hugging Face. إذا كان اسم "Ox Alpha" مألوفاً لديك، فذلك لأن هذا هو النموذج نفسه: عمل بشكل مجهول باسم ox-alpha على OpenCode وOpenRouter لمدة أسبوع تقريباً قبل الإعلان عنه.

البنية الهجينة: انتباه أرخص عند 1M رمز

تبدأ قصة الكفاءة بتصميم الانتباه (Attention). وفقاً لـ Z.ai، يُعدّ GLM-5.3-Flash أول نموذج حدودي مفتوح المصدر يجمع بين الانتباه المتفرق (Sparse Attention) والانتباه الخطي (Linear Attention) في بنية هجينة واحدة — الانتباه الخطي للتبعيات المحلية، والانتباه المتفرق للسياق العالمي ذي الصلة (وثائق Z.ai).

النتيجة ملموسة. مقارنةً بـ GLM-5.3، تُفيد Z.ai بانخفاض حوالي 3 أضعاف في حساب الانتباه وذاكرة تخزين KV أصغر بـ 4.4 مرة (TestingCatalog). عند أطوال السياق التي تصل إلى مليون رمز، يضغط مكوّن تسميه Z.ai IndexPool مجموعات من متجهات مفاتيح الفهرسة للحد من زمن الاستجابة والذاكرة. هذا ما يجعل نافذة السياق البالغة مليون رمز قابلة للاستخدام عملياً لا مجرد رقم في المواصفات — إذ يمكن للوكلاء ذوي الأفق الطويل الاحتفاظ بمزيد من السياق المحمّل دون أن ترتفع التكلفة.

تم تدريب النموذج على مجموعة بيانات متعددة الوسائط تضم 30 تريليون رمز، وتقول Z.ai إنه ينطلق من قاعدة مدرّبة حديثاً بدلاً من إعادة استخدام قاعدة GLM-5.2 — وهو ما يختلف عن وصفة GLM-5.3 التي أعادت استخدام قاعدة GLM-5.2 وزادت فقط في مرحلة ما بعد التدريب.

اختبارات أداء GLM-5.3-Flash

جميع الأرقام أدناه مُبلَّغ عنها من البائع أو من متتبعين خارجيين؛ تختلف بيئات الاختبار والإعدادات، لذا اقرأها كمؤشرات اتجاهية لا مقارنات مباشرة.

في مجموعات البرمجة والوكلاء مقارنةً بـ GLM-5.2، المكاسب كبيرة لا تدريجية (OfficeChai):

• DeepSWE v1.1: 46.2 → 63.4
• AutomationBench: 26.2 → 48.8 (ضعف تقريباً)
• Terminal-Bench 2.1: 84.3 — متقدم على DeepSeek-V4-Vision-Exp وعلى مقربة من Claude Opus 4.8 الذي سجّل 85.0

في اختبار Terminal-Bench نفسه، لا يزال GPT-5.6 Terra (87.4) وGemini 3.7 Flash (85.8) متقدمَين، لكن الفجوة ضاقت بشكل حاد مقارنةً بموقع GLM-5.2. في اختبار Code Bench v1.0 الداخلي لـ Z.ai — المُشغَّل داخل Claude Code — يصل GLM-5.3-Flash إلى 29.0 بأقصى جهد مقابل 29.5 لـ Opus 4.8، وهو ما تستشهد به الشركة دليلاً على أن نموذجها من الفئة السريعة بات يتنافس مع نموذج حدودي في البرمجة.

في مؤشر الذكاء الاصطناعي المستقل لـ Artificial Analysis، يسجّل GLM-5.3-Flash 57 — أعلى بكثير من المتوسط لنماذج الاستدلال في فئته السعرية. التحفظ الصادق: لا يمكن تكرار الاختبارات الداخلية مثل Code Bench بشكل مستقل، والنموذج لا يدّعي التفوق على GPT-5.6 Sol أو Fable 5 في أصعب المجموعات العامة. إنه رهان على القيمة، لا على صدارة لوحات المتصدرين.

متعدد الوسائط بشكل أصيل: الرؤية داخل حلقة البرمجة

قدرة تعدد الوسائط ليست ميزة منفصلة — بل هي مدمجة في طريقة عمل النموذج. درّبت Z.ai نموذج GLM-5.3-Flash على فحص الواجهات المُصيَّرة، والألعاب، والمخرجات ثلاثية الأبعاد، ثم تقييم عمله ومراجعته بناءً على تلك التغذية الراجعة البصرية (TestingCatalog).

حلقة "انظر إلى النتيجة ثم أصلحها" هذه مهمة للوكلاء الذين يبنون واجهات المستخدم أو لوحات المعلومات: يمكن للنموذج رؤية الصفحة المُصيَّرة، ولاحظة الخطأ، والتكرار. يمتد هذا النهج إلى ما هو أبعد من الكود ليشمل المستندات وجداول البيانات والعروض التقديمية ومواد الاجتماعات — فيمكن للنموذج الاستدلال عبر النصوص والصور والبنية، وتسليم ملفات PPTX وPDF وDOCX وXLSX جاهزة من البداية إلى النهاية (وثائق Z.ai).

كم يكلف GLM-5.3-Flash؟

التسعير هو العنوان الرئيسي. أسعار API القياسية لـ Z.ai هي $0.15 لكل مليون رمز إدخال و$0.50 لكل مليون رمز إخراج، مع إدخال مخزّن مؤقتاً بـ $0.03 (Z.ai على X). يُدرجه مزودون خارجيون بأسعار أدنى — يعرض OpenRouter $0.075 إدخال / $0.25 إخراج (OpenRouter).

لمشتركي خطة GLM Coding Plan، هو متاح بالفعل مع 3 أضعاف الحصة القابلة للاستخدام مقارنةً بـ GLM-5.3 (TestingCatalog). هذا هو الفرق العملي عن المستويات الأغلى: يمكنك تشغيل حلقات وكيل طويلة دون مراقبة عداد الرموز.

GLM-5.3-Flash مقابل GLM-5.3

كلاهما مبني لأعمال مختلفة. GLM-5.3 هو نموذج البرمجة الثقيل في الاستدلال — الذي طوّر مهارة غير مخططة في الأمن السيبراني وخضعت أوزانه لمراجعة أمنية مرحلية. أما GLM-5.3-Flash فهو المتغير الكفء ومتعدد الوسائط والمرخص بـ MIT المصمم للتشغيل بتكلفة منخفضة على نطاق واسع.

المقارنة السريعة:

• الوسائط: GLM-5.3 يركز على النص؛ GLM-5.3-Flash متعدد الوسائط بشكل أصيل.
• البنية: GLM-5.3 يعيد استخدام قاعدة GLM-5.2؛ GLM-5.3-Flash يستخدم قاعدة مدرّبة حديثاً مع انتباه هجين متفرق + خطي.
• الكفاءة: يُفيد GLM-5.3-Flash بانخفاض حوالي 3 أضعاف في حساب الانتباه وذاكرة تخزين KV أصغر بـ 4.4 مرة مقارنةً بـ GLM-5.3.
• الترخيص والأوزان: يُشحن GLM-5.3-Flash بترخيص MIT مع أوزان مفتوحة منذ اليوم الأول؛ أوزان GLM-5.3 خضعت لإصدار مرحلي.
• التكلفة: GLM-5.3-Flash مسعّر للحجم الكبير — حوالي عُشر تكلفة GLM-5.2 وفقاً لـ Z.ai.

إذا كنت بحاجة إلى أعمق استدلال على مشكلة صعبة، فـ GLM-5.3 هو الاختيار. أما إذا كنت تشغّل وكلاء متعددي الوسائط أو ذوي أفق طويل حيث تكلفة المهمة تحدد جدوى سير العمل، فـ GLM-5.3-Flash هو ما يجب اختباره.

ما يعنيه هذا لمن يبني وكلاء الذكاء الاصطناعي

بعض الاستنتاجات العملية:

• هذا رافعة تكلفة للوكلاء طوال اليوم. بسعر $0.075–$0.15 لكل مليون رمز إدخال مع نافذة سياق حقيقية تبلغ مليون رمز، يجعل GLM-5.3-Flash حلقات الوكيل طويلة الأمد ميسورة التكلفة بطريقة لا تستطيعها النماذج الحدودية.
• تعدد الوسائط يغيّر ما يمكن للوكلاء التحقق منه. نموذج يمكنه رؤية واجهة مُصيَّرة وإصلاحها يُغلق حلقة لا تستطيع الوكلاء النصية فعلها — مفيد لأعمال واجهة المستخدم ولوحات المعلومات والمستندات.
• ترخيص MIT يزيل الاحتكاك. الأوزان المفتوحة تحت ترخيص مرن تعني أن الفرق ذات متطلبات إقامة البيانات أو مراجعة البائعين يمكنها الاستضافة الذاتية منذ اليوم الأول؛ النشر المحلي يدعم SGLang وvLLM وTokenSpeed.
• تعامل مع الاختبارات الداخلية كنقطة بداية. أرقام Code Bench خاصة وحديثة. الاختبار المستقل بدأ للتو الآن بعد إتاحة الأوزان.

شغّل نموذجاً مثل GLM-5.3-Flash في قوة عمل الذكاء الاصطناعي الخاصة بك

GLM-5.3-Flash مبني تماماً للعمل الذي تنسّقه Eigent: حلقات وكيل متعددة الوسائط طويلة الأمد وبتكلفة منخفضة تعمل من البداية إلى النهاية بدلاً من الإجابة على موجّه واحد. Eigent هو تطبيق سطح مكتب "Cowork" مفتوح المصدر ومحلي يحوّل نماذج كهذه إلى قوة عمل متعددة الوكلاء — من مراجعة طلبات السحب على GitHub إلى تشغيل وكيل برمجة مستضاف ذاتياً تمتلكه بالكامل. أحضر نموذجك الخاص، واحتفظ بالعمل على جهازك. حمّل Eigent وابنِ سير عمل الوكيل الخاصة بك اليوم.