GLM-5.3-Flash：前沿智能，Flash 成本

智谱正式发布了 GLM-5 系列的首款原生多模态模型——GLM-5.3-Flash，模型总参数量 320B，激活参数 18B。推理成本只有 GLM-5.2 的十分之一，各项基准测试和实际工作负载表现都超过后者，代码和 AI Agent 相关基准的成绩已经逼近了 Claude Opus 4.8。

相比 GLM-5，GLM-5.3-Flash 在架构上进行了多项升级：

• 首次引入稀疏注意力与线性注意力结合的混合架构，大幅降低长上下文推理成本的同时，保留了精准的长文本处理能力；
• 采用流形约束超连接（Manifold-Constrained Hyper-Connections）提升模型扩展效率、优化性能表现；
• 再配合最新构建的 30T Token 多模态预训练语料，从结构到数据都进行了针对性优化。

GLM-5.3-Flash 简介

极致成本下的强悍性能

GLM-5.3-Flash 刷新了 Artificial Analysis Intelligence Index v4.1.1 的帕累托前沿：单次任务（折后）成本仅 0.045 美元，就能拿到 57 分。以往要达到这个智能水平，通常要花近 10 倍的价格，是各类通用工作负载很有竞争力的选择。

在 6 项代码和 AI Agent 基准测试中，GLM-5.3-Flash 全面优于 GLM-5.2，不少项目优势还很大：DeepSWE v1.1 上 63.4 对 46.2，AutomationBench 上 48.8 对 26.2，整体表现已经很接近 Claude Opus 4.8。

这个优势在内部代码评估中也同样成立：在基于 Claude Code 2.1.207 跑的 Z.ai Code Bench v1.0 测试中，GLM-5.3-Flash 在各个算力投入档位下，都明显超过了 GLM-5.2。开到最大算力时几乎追平 Claude Opus 4.8，得分 29.0 对 29.5。

为极致效率而生的架构

和 GLM-4.5 系列相比，GLM-5.3-Flash 从设计之初就瞄准了超低成本推理。两者总参数量接近（320B 对 355B），但它的激活参数量（18B 对 32B）和网络层数（45 对 92）都减少了近一半。

为了把长上下文场景下的注意力开销压到最低，智谱采用了线性注意力 + 稀疏注意力的混合架构：线性注意力通过状态建模捕捉局部依赖，稀疏注意力靠轻量级索引器检索相关的全局上下文。针对 100 万 Token 上下文下索引器的延迟和内存开销问题，又加入了 IndexPool 技术，通过加权池化把四个索引器键向量压缩成一个。

为了直观展示该套架构的效率，把 GLM-5.3-Flash 和 GLM-5.3 跟近期发布的开源模型 DeepSeek-V4-Flash 和 Kimi-K3 放在一起对比，重点看单 Token 算力开销和 KV Cache 容量。考虑到不同模型参数规模不同，统一计算单层单头的注意力算力消耗、单层平均 KV Cache 大小（BF16 精度），保证对比公平。

和 GLM-5.3 相比，GLM-5.3-Flash 的注意力算力开销降了 3 倍，KV Cache 需求降了 4.4 倍，是所有对比模型中，注意力算力消耗最低的。不过它的 KV Cache 还是略大于 Kimi-K3 和 DeepSeek-V4-Flash，后续还有优化空间。

架构全面升级，加上预训练语料库的优化，让 GLM-5.3-Flash 能用更少的算力跑出更强的性能。下面是 GLM-5.3-Flash 基座模型的评估结果，对比了之前的基座模型和 DeepSeek-V4-Flash-Base。结果显示，GLM-5.3-Flash-Base 整体表现要优于 GLM-4.5-Base，大部分基准测试的成绩和 GLM-5-Base 不相上下。

编码循环中的视觉智能

视觉编码不只是处理图像，更拓展了代码能触达的边界。在前端开发、游戏制作、3D 仿真这类任务中，最终产出的往往不只是代码，而是用户直接接触的界面、交互甚至整个虚拟世界，很多问题只有到渲染、交互、试玩阶段才会暴露。CUA 把编码能力从可编程系统进一步延伸到可视化、可交互的环境里，模型必须原生具备多模态视觉能力，才能自主判断什么时候该观察，再用视觉反馈指导后续操作。

围绕这个目标，智普专门为视觉编码做了一套数据合成流水线，重点强化模型的视觉自我判断和测试时迭代能力。生成的行为轨迹要求模型必须和环境交互，检查自己的输出再反复优化。针对前端编码场景，团队还探索了基于环境反馈的强化学习机制，并借助真实用户行为流驱动 AI Agent 做验证，进一步增强模型对图形用户界面（GUI）的判断能力。这样验证环节就不再只看功能对不对，而是深入到最终渲染、交互的实际产品体验层面。

代码能让模型构建和修改数字世界，视觉能力则让模型真正进入普通人日常看到、用到的操作环境。

超越代码：你的工作伙伴

代码能力是智能知识工作的重要基础，视觉智能则把这些能力拓展到了更宽的专业任务场景。大部分专业工作都需要解析异构的视觉和结构化信息：文档、表格、演示文稿、数据看板、系统界面和会议纪要等等。

通过对文本、视觉和结构化上下文进行联合推理，视觉智能让模型的能力不再局限在代码场景里。模型可以直接解析和任务相关的工作产物、提取有效信息，不需要用户特意把工作环境转成文本提示词。它还能结合视觉上下文和预期目标评估自己的输出，从而实现更高效的自我验证和迭代，包括对排版质量、美观度的判断。

在国产 AI 芯片上大规模部署

过去一周，智普已经在国产 AI 芯片组成的大规模集群上成功跑起了 GLM-5.3-Flash。集群配备了高带宽互联网络，推理服务栈也针对底层硬件进行了深度优化。

为了解决单卡算力、内存容量相对有限的问题，智普在 SGLang 基础上为这套架构定制了专用推理引擎。整个开发过程靠 GLM-5.3 驱动的基础设施 AI Agent 提速了很多：它帮工程师开发、优化底层 Kernel，诊断性能瓶颈，完善服务栈，形成了一个很有意思的反馈闭环——模型自己参与优化了给它提供算力的底层系统。

国产芯片的短板主要在内存容量和带宽上，支持 100 万 Token 长上下文时这个问题尤其突出，所以智普采用了非常激进的内存优化策略，包括针对底层架构定制的「以计算换带宽」和「以通信换带宽」技术。服务栈里整合了多种方案：线性注意力和 LM 头的节点内张量并行、ReplaySSM、W8A8量化、INT8/FP8/BF16混合缓存量化、Layer Split。

在集群层面，采用了生产级Encode-Prefill-Decode (EPD)分离架构，把多模态编码、提示词预填充、逐 Token 解码拆成独立调度、可弹性扩展的工作池，在数万张国产加速卡上跑出了高效、稳定的推理服务。

和同一硬件上的初始基准相比，端到端的服务性能提升了 3 倍，硬件效率和单 Token 成本已经能和主流 NVIDIA GPU 媲美。这说明国产芯片完全可以在兼顾效率和成本的前提下，大规模承载前沿模型的推理任务。

使用 GLM-5.3-Flash

• GLM-5.3-Flash 已经向所有 GLM Coding Plan 用户开放，可用配额是 GLM-5.3 的 3 倍，大家可以前往 Bigmodel 体验。

• GLM-5.3-Flash 的权重已经在 HuggingFace 开源，本地部署目前支持SGLang、vLLM和TokenSpeed 等推理框架，其他框架的适配还在推进中。

GLM-5.3-Flash 证明了，前沿智能不一定非要靠极高的算力成本堆出来。这个结果不是某一个单点突破带来的，而是三方面一起迭代的结果：能以更少算力释放更强能力的创新架构、更丰富的多模态预训练语料，以及和推理硬件深度协同设计的基础设施。现在智普正在把这套成熟的经验用到更大参数规模的模型上——GLM-5.3-Flash 把性价比前沿推到了新的位置，过程中积累的经验，也会用在下一代前沿模型的研发里。