GLM-5.3-Flash: Multimodalny Model Z.ai w Jednej Dziesiątej Ceny

Z.ai uruchomił GLM-5.3-Flash 26 sierpnia 2026 roku — pierwszy natywnie multimodalny model z serii GLM-5, wydany na licencji MIT z oknem kontekstowym 1M tokenów (Z.ai na X). To model 320B-A18B, który według Z.ai przewyższa GLM-5.2 w testach kodowania i agentów przy mniej więcej jednej dziesiątej ceny. Oto co faktycznie jest nowego, benchmarki istotne dla agentów, koszty oraz różnice w stosunku do GLM-5.3.

Czym jest GLM-5.3-Flash?

GLM-5.3-Flash to model Mixture-of-Experts (mieszanina ekspertów) z 320 miliardami parametrów łącznie i 18 miliardami aktywnych parametrów na token (TestingCatalog). Z.ai pozycjonuje go jako tańszy i bardziej wydajny poziom rodziny GLM-5: silna wydajność w kodowaniu i zadaniach agentowych, ale zbudowany do taniego działania i szybkiego reagowania.

Dwie rzeczy wyróżniają go spośród wcześniejszych wydań GLM. Jest to pierwszy natywnie multimodalny model w tej linii — widzenie jest wbudowane w trening, a nie dodane z zewnątrz — i jest dostarczany na licencji MIT z otwartymi wagami na Hugging Face. Jeśli nazwa „Ox Alpha" brzmi znajomo, to dlatego, że to ten sam model: działał anonimowo jako ox-alpha na OpenCode i OpenRouter przez około tydzień przed ujawnieniem.

Hybrydowa architektura: tańsza uwaga przy 1M tokenów

Historia wydajności zaczyna się od projektu mechanizmu uwagi (attention). GLM-5.3-Flash jest, według Z.ai, pierwszym otwartoźródłowym modelem frontierowym łączącym rzadką uwagę (sparse attention) i liniową uwagę (linear attention) w jednej hybrydowej architekturze — liniowa uwaga dla lokalnych zależności, rzadka uwaga dla istotnego globalnego kontekstu (dokumentacja Z.ai).

Efekty są konkretne. W porównaniu z GLM-5.3, Z.ai raportuje około 3-krotnie mniejsze obliczenia uwagi i 4,4-krotnie mniejszy cache KV (TestingCatalog). Przy długościach kontekstu sięgających miliona tokenów, komponent nazywany przez Z.ai IndexPool kompresuje grupy wektorów kluczy indeksatora, aby ograniczyć opóźnienia i zużycie pamięci. To właśnie sprawia, że okno 1M tokenów jest użyteczne w praktyce, a nie tylko na papierze — agenci działający w długim horyzoncie mogą utrzymywać więcej kontekstu bez gwałtownego wzrostu kosztów.

Model był trenowany na korpusie multimodalnym liczącym 30 bilionów tokenów, a Z.ai twierdzi, że zaczyna od nowo wytrenowanej bazy, a nie od ponownego wykorzystania bazy GLM-5.2 — co stanowi odejście od receptury GLM-5.3, która ponownie wykorzystywała bazę GLM-5.2 i skalowała jedynie post-trening.

Benchmarki GLM-5.3-Flash

Wszystkie poniższe liczby są raportowane przez dostawcę lub pochodzą od zewnętrznych trackerów; narzędzia i ustawienia różnią się, więc należy je traktować jako wskazówki kierunkowe, a nie bezpośrednie porównania.

W zestawach testów kodowania i agentów w porównaniu z GLM-5.2 wzrosty są duże, a nie przyrostowe (OfficeChai):

• DeepSWE v1.1: 46,2 → 63,4
• AutomationBench: 26,2 → 48,8 (prawie dwukrotnie)
• Terminal-Bench 2.1: 84,3 — przed DeepSeek-V4-Vision-Exp i w zasięgu Claude Opus 4.8 z wynikiem 85,0

W tym samym teście Terminal-Bench GPT-5.6 Terra (87,4) i Gemini 3.7 Flash (85,8) wciąż nieznacznie prowadzą, ale margines znacznie się zmniejszył w porównaniu z pozycją GLM-5.2. Na własnym wewnętrznym Code Bench v1.0 Z.ai — uruchamianym wewnątrz Claude Code — GLM-5.3-Flash osiąga 29,0 przy maksymalnym wysiłku wobec 29,5 Opus 4.8, co firma wskazuje jako dowód, że jej model flash-tier rywalizuje teraz z modelem frontierowym w kodowaniu.

W niezależnym Artificial Analysis Intelligence Index, GLM-5.3-Flash uzyskuje 57 — znacznie powyżej mediany dla modeli rozumowania w swojej kategorii cenowej. Uczciwe zastrzeżenie: wewnętrznych benchmarków jak Code Bench nie można niezależnie zreplikować, a model nie pretenduje do czołowych miejsc w najtrudniejszych publicznych zestawach testów w porównaniu z GPT-5.6 Sol czy Fable 5. To wybór oparty na wartości, a nie na dominacji w rankingach.

Natywna multimodalność: widzenie wbudowane w pętlę kodowania

Możliwości multimodalne nie są oddzielną funkcją — są wbudowane w sposób działania modelu. Z.ai wytrenował GLM-5.3-Flash do inspekcji renderowanych interfejsów, rozgrywek i wyników 3D, a następnie oceny i rewizji własnej pracy na podstawie tej wizualnej informacji zwrotnej (TestingCatalog).

Ta pętla „spójrz na wynik, a następnie napraw go" ma znaczenie dla agentów budujących interfejsy użytkownika lub dashboardy: model może zobaczyć wyrenderowaną stronę, zauważyć błąd i iterować. To samo podejście wykracza poza kod do dokumentów, arkuszy kalkulacyjnych, prezentacji i materiałów ze spotkań — dzięki czemu model może rozumować na podstawie tekstu, obrazów i struktury oraz dostarczać gotowe pliki PPTX, PDF, DOCX i XLSX od początku do końca (dokumentacja Z.ai).

Ile kosztuje GLM-5.3-Flash?

Cennik jest głównym atutem. Standardowe stawki API Z.ai wynoszą $0,15 za 1M tokenów wejściowych i $0,50 za 1M tokenów wyjściowych, z buforowanym wejściem po $0,03 (Z.ai na X). Zewnętrzni dostawcy oferują go jeszcze taniej — OpenRouter pokazuje $0,075 wejście / $0,25 wyjście (OpenRouter).

Dla subskrybentów GLM Coding Plan jest już dostępny z 3-krotnie większym użytkowym limitem niż GLM-5.3 (TestingCatalog). To praktyczna różnica w stosunku do droższych poziomów: możesz uruchamiać długie pętle agentów bez obserwowania licznika tokenów.

GLM-5.3-Flash vs GLM-5.3

Są zbudowane do różnych zadań. GLM-5.3 to model kodowania z intensywnym rozumowaniem — ten, który rozwinął nieplanowaną umiejętność cyberbezpieczeństwa i miał swoje wagi etapowane do przeglądu bezpieczeństwa. GLM-5.3-Flash to wydajny, multimodalny wariant na licencji MIT, przeznaczony do taniego działania na dużą skalę.

Szybkie porównanie:

• Modalność: GLM-5.3 skupia się na tekście; GLM-5.3-Flash jest natywnie multimodalny.
• Architektura: GLM-5.3 ponownie wykorzystuje bazę GLM-5.2; GLM-5.3-Flash używa nowo wytrenowanej bazy z hybrydową rzadką + liniową uwagą.
• Wydajność: GLM-5.3-Flash raportuje ~3-krotnie mniejsze obliczenia uwagi i 4,4-krotnie mniejszy cache KV niż GLM-5.3.
• Licencja i wagi: GLM-5.3-Flash jest dostarczany na licencji MIT z otwartymi wagami od pierwszego dnia; wagi GLM-5.3 były etapowane.
• Koszt: GLM-5.3-Flash jest wyceniony pod kątem wolumenu — około jednej dziesiątej kosztu GLM-5.2, według Z.ai.

Jeśli potrzebujesz najgłębszego rozumowania przy trudnym problemie, GLM-5.3 jest właściwym wyborem. Jeśli uruchamiasz multimodalne lub długohoryzontalnie agenty, gdzie koszt na zadanie decyduje o opłacalności przepływu pracy, GLM-5.3-Flash jest tym, który warto przetestować.

Co to oznacza, jeśli budujesz agentów AI

Kilka praktycznych wniosków:

• To dźwignia kosztowa dla całodziennych agentów. Przy $0,075–$0,15 za 1M tokenów wejściowych z rzeczywistym oknem 1M tokenów, GLM-5.3-Flash sprawia, że długotrwałe pętle agentów są przystępne cenowo w sposób, w jaki modele frontierowe nie są.
• Multimodalność zmienia to, co agenci mogą weryfikować. Model, który może zobaczyć wyrenderowany interfejs i go naprawić, zamyka pętlę, której agenci działający tylko na tekście nie mogą — przydatne do pracy z interfejsami użytkownika, dashboardami i dokumentami.
• Licencja MIT usuwa tarcia. Otwarte wagi na permisywnej licencji oznaczają, że zespoły z wymaganiami dotyczącymi rezydencji danych lub przeglądu dostawców mogą samodzielnie hostować od pierwszego dnia; lokalne wdrożenie obsługuje SGLang, vLLM i TokenSpeed.
• Traktuj wewnętrzne benchmarki jako punkt wyjścia. Liczby Code Bench są prywatne i świeże. Niezależne testy dopiero się zaczynają, teraz gdy wagi są dostępne.

Uruchom model taki jak GLM-5.3-Flash we własnej cyfrowej sile roboczej AI

GLM-5.3-Flash jest zbudowany dokładnie do pracy, którą orkiestruje Eigent: tanie, długohoryzontalnie, multimodalne pętle agentów działające od początku do końca zamiast odpowiadania na jedno zapytanie. Eigent to otwartoźródłowa, lokalna aplikacja desktopowa „Cowork", która zamienia modele takie jak te w wieloagentową siłę roboczą — od przeglądania PR-ów na GitHub po uruchamianie samodzielnie hostowanego agenta kodowania AI, który w pełni posiadasz. Przynieś własny model, zachowaj pracę na swoim komputerze. Pobierz Eigent i zacznij budować własne przepływy pracy agentów już dziś.