GLM-5.3-Flash: Z.ais multimodales Modell zum Zehntel des Preises

Z.ai hat GLM-5.3-Flash am 26. August 2026 veröffentlicht — das erste nativ multimodale Modell der GLM-5-Serie, unter der MIT-Lizenz mit einem 1M-Token-Kontextfenster herausgegeben (Z.ai auf X). Es ist ein 320B-A18B-Modell, das laut Z.ai GLM-5.2 bei Coding- und Agenten-Tests übertrifft — zu etwa einem Zehntel des Preises. Hier ist, was wirklich neu ist, welche Benchmarks für Agenten relevant sind, was es kostet und wie es sich von GLM-5.3 unterscheidet.

Was ist GLM-5.3-Flash?

GLM-5.3-Flash ist ein Mixture-of-Experts-Modell (Mischung von Experten) mit 320 Milliarden Gesamtparametern und 18 Milliarden aktiven Parametern pro Token (TestingCatalog). Z.ai positioniert es als die kostengünstigere, effizientere Stufe der GLM-5-Familie: starke Coding- und agentische Leistung, aber darauf ausgelegt, günstig zu laufen und schnell zu antworten.

Zwei Dinge unterscheiden es von früheren GLM-Veröffentlichungen. Es ist das erste nativ multimodale Modell der Reihe — Vision ist in das Training eingebettet, nicht nachträglich hinzugefügt — und es wird unter der MIT-Lizenz mit offenen Gewichten auf Hugging Face veröffentlicht. Falls der Name „Ox Alpha" bekannt klingt: Das ist dasselbe Modell — es lief etwa eine Woche lang anonym als ox-alpha auf OpenCode und OpenRouter, bevor es enthüllt wurde.

Die Hybridarchitektur: günstigere Attention bei 1M Token

Die Effizienzgeschichte beginnt mit dem Attention-Design. GLM-5.3-Flash ist laut Z.ai das erste Open-Source-Frontier-Modell, das Sparse Attention und lineare Attention in einer Hybridarchitektur kombiniert — lineare Attention für lokale Abhängigkeiten, Sparse Attention für den relevanten globalen Kontext (Z.ai docs).

Das Ergebnis ist konkret. Im Vergleich zu GLM-5.3 berichtet Z.ai von etwa 3-fach weniger Attention-Rechenaufwand und einem 4,4-fach kleineren KV-Cache (TestingCatalog). Bei Kontextlängen von bis zu einer Million Token komprimiert eine Komponente namens IndexPool Gruppen von Indexer-Key-Vektoren, um Latenz und Speicher gering zu halten. Das macht ein 1M-Token-Fenster in der Praxis nutzbar — nicht nur auf dem Datenblatt — und ermöglicht es Langzeit-Agenten, mehr Kontext geladen zu halten, ohne dass die Kosten explodieren.

Das Modell wurde auf einem 30-Billionen-Token-multimodalen Korpus trainiert, und Z.ai gibt an, dass es auf einer neu trainierten Basis aufbaut statt GLM-5.2s Basis wiederzuverwenden — eine Abkehr vom GLM-5.3-Ansatz, der die GLM-5.2-Basis wiederverwendete und nur das Post-Training skalierte.

GLM-5.3-Flash Benchmarks

Alle nachstehenden Zahlen sind vom Hersteller angegeben oder stammen von Drittanbieter-Trackern; Testumgebungen und Einstellungen unterscheiden sich, daher sind sie als Richtungswerte zu verstehen, nicht als direkte Vergleiche.

Bei Coding- und Agenten-Suites gegenüber GLM-5.2 sind die Verbesserungen erheblich, nicht nur inkrementell (OfficeChai):

• DeepSWE v1.1: 46,2 → 63,4
• AutomationBench: 26,2 → 48,8 (fast doppelt so hoch)
• Terminal-Bench 2.1: 84,3 — vor DeepSeek-V4-Vision-Exp und in Reichweite von Claude Opus 4.8's 85,0

Beim selben Terminal-Bench-Test liegen GPT-5.6 Terra (87,4) und Gemini 3.7 Flash (85,8) noch vorne, aber der Abstand hat sich gegenüber GLM-5.2 deutlich verringert. Auf Z.ais eigenem internen Code Bench v1.0 — ausgeführt innerhalb von Claude Code — erreicht GLM-5.3-Flash 29,0 bei maximaler Anstrengung gegenüber Opus 4.8's 29,5, was das Unternehmen als Beleg dafür anführt, dass sein Flash-Tier-Modell nun beim Coding mit einem Frontier-Modell mithalten kann.

Auf dem unabhängigen Artificial Analysis Intelligence Index erzielt GLM-5.3-Flash 57 Punkte — deutlich über dem Median für Reasoning-Modelle in seiner Preisklasse. Der ehrliche Vorbehalt: Interne Benchmarks wie Code Bench können nicht unabhängig repliziert werden, und das Modell beansprucht nicht, GPT-5.6 Sol oder Fable 5 in den härtesten öffentlichen Suites zu übertreffen. Es ist ein Preis-Leistungs-Angebot, kein Leaderboard-Topper.

Nativ multimodal: Vision im Coding-Loop

Die multimodale Fähigkeit ist kein separates Feature — sie ist in die Funktionsweise des Modells eingebettet. Z.ai hat GLM-5.3-Flash darauf trainiert, gerenderte Interfaces, Gameplay und 3D-Ausgaben zu inspizieren, dann seine eigene Arbeit anhand dieses visuellen Feedbacks zu bewerten und zu überarbeiten (TestingCatalog).

Dieser „Ergebnis ansehen, dann korrigieren"-Loop ist wichtig für Agenten, die UIs oder Dashboards erstellen: Das Modell kann die gerenderte Seite sehen, erkennen, dass etwas falsch ist, und iterieren. Derselbe Ansatz erstreckt sich über Code hinaus auf Dokumente, Tabellenkalkulationen, Präsentationen und Meeting-Materialien — das Modell kann also über Text, Bilder und Struktur hinweg denken und fertige PPTX-, PDF-, DOCX- und XLSX-Dateien von Anfang bis Ende liefern (Z.ai docs).

Was kostet GLM-5.3-Flash?

Der Preis ist die Schlagzeile. Z.ais Standard-API-Preise betragen $0,15 pro 1M Input-Token und $0,50 pro 1M Output, mit gecachtem Input zu $0,03 (Z.ai auf X). Drittanbieter listen es noch günstiger — OpenRouter zeigt $0,075 Input / $0,25 Output (OpenRouter).

Für GLM Coding Plan-Abonnenten ist es bereits live mit 3-facher nutzbarer Quote gegenüber GLM-5.3 (TestingCatalog). Das ist der praktische Unterschied zu den teureren Stufen: Man kann lange Agenten-Loops laufen lassen, ohne auf einen Token-Zähler achten zu müssen.

GLM-5.3-Flash vs GLM-5.3

Sie sind für unterschiedliche Aufgaben gebaut. GLM-5.3 ist das reasoning-intensive Coding-Modell — das, das unbeabsichtigt eine Cybersicherheitsfähigkeit entwickelte und dessen Gewichte für eine Sicherheitsüberprüfung zurückgehalten wurden. GLM-5.3-Flash ist die effiziente, multimodale, MIT-lizenzierte Variante, die günstig im großen Maßstab laufen soll.

Der schnelle Vergleich:

• Modalität: GLM-5.3 ist textfokussiert; GLM-5.3-Flash ist nativ multimodal.
• Architektur: GLM-5.3 verwendet die GLM-5.2-Basis wieder; GLM-5.3-Flash nutzt eine neu trainierte Basis mit hybrider Sparse- und linearer Attention.
• Effizienz: GLM-5.3-Flash berichtet von ~3-fach weniger Attention-Rechenaufwand und einem 4,4-fach kleineren KV-Cache als GLM-5.3.
• Lizenz und Gewichte: GLM-5.3-Flash wird ab Tag eins MIT-lizenziert mit offenen Gewichten veröffentlicht; GLM-5.3s Gewichte wurden zurückgehalten.
• Kosten: GLM-5.3-Flash ist für Volumen ausgepreist — laut Z.ai etwa ein Zehntel der Kosten von GLM-5.2.

Wenn man das tiefste Reasoning für ein schwieriges Problem benötigt, ist GLM-5.3 die Wahl. Wenn man multimodale oder Langzeit-Agenten betreibt, bei denen die Kosten pro Aufgabe darüber entscheiden, ob der Workflow rentabel ist, ist GLM-5.3-Flash das Modell zum Testen.

Was das für KI-Agenten-Entwickler bedeutet

Ein paar praktische Erkenntnisse:

• Das ist ein Kostenhebel für Ganztages-Agenten. Bei $0,075–$0,15 pro 1M Input-Token mit einem echten 1M-Token-Fenster macht GLM-5.3-Flash langlebige Agenten-Loops erschwinglich — auf eine Weise, die Frontier-Modelle nicht bieten.
• Multimodalität verändert, was Agenten verifizieren können. Ein Modell, das ein gerendertes Interface sehen und korrigieren kann, schließt einen Loop, den rein textbasierte Agenten nicht schließen können — nützlich für UI-, Dashboard- und Dokumentenarbeit.
• Die MIT-Lizenz beseitigt Reibungspunkte. Offene Gewichte unter einer permissiven Lizenz bedeuten, dass Teams mit Datenschutz- oder Anbieterprüfungsanforderungen ab Tag eins selbst hosten können; lokale Bereitstellung unterstützt SGLang, vLLM und TokenSpeed.
• Interne Benchmarks als Ausgangspunkt betrachten. Code Bench-Zahlen sind intern und frisch. Unabhängige Tests beginnen erst jetzt, da die Gewichte veröffentlicht sind.

Ein Modell wie GLM-5.3-Flash in der eigenen KI-Belegschaft einsetzen

GLM-5.3-Flash ist genau für die Arbeit gebaut, die Eigent orchestriert: günstige, langfristige, multimodale Agenten-Loops, die von Anfang bis Ende laufen, statt nur eine Anfrage zu beantworten. Eigent ist eine Open-Source-„Cowork"-Desktop-App, die Modelle wie diese in eine Multi-Agenten-Belegschaft verwandelt — vom Überprüfen von GitHub PRs bis zum Betreiben eines selbst gehosteten KI-Coding-Agenten, den man vollständig besitzt. Eigenes Modell mitbringen, Arbeit auf dem eigenen Rechner behalten. Eigent herunterladen und noch heute eigene Agenten-Workflows erstellen.