GLM-5.3-Flash 是智谱 2026 年 8 月 26 日发布并开源的原生多模态模型,320B 总参数、18B 激活参数、1M token 上下文窗口,MIT 许可开放权重。官方博客列出 16 项跑分,独立评测机构 Artificial Analysis 给出的综合智能指数为 57 分、位列全球第 3。但GLM-5.3-Flash性能有明显两面性:跑分高、单价低,而输出速度低于同类中位数、输出偏冗长、纯知识问答相比同门旗舰有缩水。本文按「官方数据」与「独立实测」两条线拆开讲。
GLM-5.3-Flash性能处于什么水平
判断一个模型的性能,先要分清三种口径:厂商自测跑分、独立评测机构的标准化跑分、以及你自己业务上的实测。GLM-5.3-Flash 在这三层里的位置并不一样。
最能横向比较的是 Artificial Analysis 的 Intelligence Index(综合智能指数,v4.1.1 版本,聚合 Terminal-Bench 2.1、GPQA Diamond、Humanity's Last Exam、SciCode、AA-LCR 等多项评测)。GLM-5.3-Flash 在最高推理档下得 57 分,位列该榜单 109 个模型中的第 3 位。
有两件事需要立刻澄清。第一,57 分是「最高推理档」的成绩,换到更低的推理档会下降;第二,同一份独立评测里同门旗舰 GLM-5.3 拿的是 60 分,所以 Flash 并没有追上旗舰,而是落后 3 分。官方博客用的措辞是「接近 Claude Opus 4.8」(approach),这个说法是准确的,并不意味着超越。
规格层面:MoE 架构,总参数 320B、每次推理激活 18B、45 层;上下文窗口 1M token(1,048,576),输出上限 128K;原生支持文本、图像、视频与文件输入,输出文本;预训练语料 30T token 的多模态数据。
编码与智能体跑分的8项官方数据
官方博客的主表把评测分成三组共 16 项,其中编码与智能体一组共 8 项(编码 3 项、智能体 5 项)。下表为官方公布数值,横排为同场的参考模型。
| | | | | | |
|---|
| | | | | | |
| | | | | | |
| | | | | | |
| | | | | | |
AutomationBench v1.0.6(智能体) | | | | | | |
| | | | | | |
| | | | | | |
| | | | | | |
「—」表示官方未公布该项数值,不代表 0 分。从这张表能读出三条规律:
- 相对上一代是全面进步:8 项里 GLM-5.3-Flash 全部高于 GLM-5.2,其中 DeepSWE v1.1 高 17.2 分(63.4 对 46.2)、AutomationBench 高 22.6 分(48.8 对 26.2)、GDPval-AA v2 高 269 Elo 分(1773 对 1504)。涨幅集中在「智能体执行类」任务上。
- 相对 Opus 4.8 是互有胜负:Terminal-Bench 2.1 只落后 0.7 分(84.3 对 85.0),DeepSWE v1.1 反超 5.4 分(63.4 对 58.0),GDPval-AA v2 高出 191 Elo 分;但 NL2Repo 落后 13.4 分(56.3 对 69.7)。
- 最弱的一格是仓库级代码还原(NL2Repo):Opus 4.8 的 69.7、DeepSeek-V4-Vision-Exp 的 57.7 都高于它的 56.3。这类任务要求按自然语言把整个项目结构还原出来,是它相对短的一块。
官方另有一项自建评测 Z.ai Code Bench v1.0(在 Claude Code 2.1.207 环境中运行):GLM-5.3-Flash 在最高推理档为 29.0,Claude Opus 4.8 为 29.5,基本拉平;官方称 Flash 在每一个推理档上都高于 GLM-5.2。 多模态与视觉跑分的强弱分布
这是它和同门旗舰最大的区别——GLM-5.3-Flash 是 GLM-5 系列第一个原生多模态模型,能直接接收文本、图像、视频与文件。官方表里视觉一组同样是 8 项。
| | | | | |
|---|
| | | | | |
CharXiv Reasoning w/ Tools(图表推理) | | | | | |
Chartography w/ Tools(图表生成) | | | | | |
| | | | | |
| | | | | |
| | | | | |
| | | | | |
| | | | | |
强弱分野相当清楚:
- 领先项:Chartography 图表生成 78.0(高于 Opus 4.8 的 75.0)、OfficeQA Pro 文档理解 62.4(高于 Opus 4.8 的 48.9 共 13.5 分)、OSWorld 2.0 电脑操作 59.1(同场最高)。
- 落后项:BabyVision 低层视觉 53.4,明显低于 Gemini 3.7 Flash 的 70.9 与 GPT-5.6 Terra 的 61.6;MVbench 视频理解 77.8、MMVU 多模态理解 80.5,两项也都低于 Gemini 3.7 Flash。
- 一句话总结:把图当作「资料」来读取处理,它很强;把图当作「眼睛」去看世界,它仍偏弱。
独立实测与官方数据的3处落差
官方跑分之外,Artificial Analysis 用自建的标准化流程独立跑了一遍。它在总分上与官方吻合(同为 57 分),但有三处运营层面的实测值,是官方博客没有提及的。
第三处的含义要单独说:它的知识准确率比同门旗舰低 6 个百分点,幻觉率反而略低 2 个百分点。两条放在一起看,结论是它更擅长「动手做」(编码、智能体、工具调用),不擅长「凭记忆答」(广谱事实性知识)——这与前面基座模型 SimpleQA 得分的表现是同一个现象。
另外两个值得记录的第三方数据点:
- 首 token 延迟 1.47 秒(Artificial Analysis 实测),优于同期被测模型的中位数 2.14 秒。也就是说它的「起步」并不慢,慢在逐字输出阶段。
- Code Arena 的 WebDev 早期自动评测中,GLM-5.3(最高档)1599 分,GLM-5.3-Flash 1634 分,高出 35 分——在真实的网页开发类任务上,Flash 甚至略优于自家旗舰。
性能提升来自什么架构改动
官方把这一代表现归因于三层:架构、语料、推理基础设施。其中可量化的架构改动如下。
具体机制上,这是 GLM 系列首次采用「稀疏注意力 + 线性注意力」的混合架构:线性注意力通过状态建模捕捉局部依赖,稀疏注意力借助轻量索引器召回全局上下文。针对 1M 上下文下索引器的时延与显存开销,又引入 IndexPool,把 4 个索引器键向量经加权池化压缩为 1 个。此外采用流形约束超连接(mHC)提升扩展效率,预训练语料为 30T token 的多模态数据。
官方给出的效率量化是:相对 GLM-5.3,注意力计算量下降 3.0 倍、KV 缓存下降 4.4 倍;官方同时承认,其 KV 缓存体积仍略大于 Kimi-K3 与 DeepSeek-V4-Flash,还有优化空间。 基座模型的同口径对比更能说明「少算但更强」这一点:
读数:GLM-5.3-Flash-Base 只用 18B 激活参数,就在 LiveCodeBench-Base 上拿到 37.6 分,高于 40B 激活的 GLM-5-Base(34.4)和 32B 激活的 GLM-4.5-Base(28.1);但 SimpleQA 只有 33.5,低于 GLM-5-Base 的 36.0——与独立评测发现的「知识类缩水」是同一现象。官方注明 DeepSeek-V4-Flash-Base 一行是用其内部评测框架复测的,以控制实现差异。
推理基础设施方面,官方称在国产芯片集群上基于 SGLang 自建了推理引擎(包含 EPD 编码—预填充—解码分离式架构、W8A8 量化、INT8/FP8/BF16 混合缓存量化等),端到端服务性能相比同硬件的初始基线提升 3 倍,硬件效率与单 token 成本达到主流 GPU 相当水平。正式发布前,该模型以匿名名称 ox-alpha 在 OpenCode 与 OpenRouter 上做了大规模实测,据《科创板日报》报道单日处理 token 达 62T,全部由 10 万张国产芯片承载。 影响实际性能表现的4个前提
- 思考模式不可关闭:官方参数文档写明 thinking.type 只支持 enabled,无法关闭思考。这意味着每次调用都要付出推理 token 的延迟与费用,简单的提问也不例外。独立评测统计到「完成整套指数评测耗用 150M 输出 token、其中约 90% 是推理 token」,正是这个机制的直接结果。
- 最高档不一定是最好的档:一项 128K 上下文的社区长文检索测试显示,high 档得分 75.3% 反而高于 max 档的 71.6%;在 64K 场景下,max 档多消耗约 34% 的 token,得分 70.1% 仍低于 high 档的 75.8%。官方推荐的 reasoning_effort: max 适合跑分,不一定适合你的业务——建议实测后再定档。
- 「标称 1M 上下文」不等于「实际可服务 1M」:检查点声明 1,048,576 token,而模型卡写的是 300,000,OpenRouter 展示 1,310,720 且输出上限 48,000,Artificial Analysis 记录的服务上下文为 400K(官方跑 DeepSWE 也按 400K 设置)。架构能力、托管方配置、卡片写法是三件不同的事,调你自己用的那个端点为准。
- 场景差异极大,不能只看均分:模型卡上的 LlamaIndex ExtractBench 结构化抽取测试显示,短文档 96.30 分、中篇文档只有 51.56 分,落差达 45 分;视觉侧 BabyVision 53.4 与 Gemini 3.7 Flash 的 70.9 也差了 17.5 分。选型前务必用自己的文档与图片跑一遍。
两处容易被误传的口径
- 「每任务 0.045 美元」与「每任务 0.09 美元」并不矛盾:官方博客给出的 0.045 美元是限时折扣价口径,独立评测给出的 0.09 美元是标准价口径,两者正好相差一倍。引用时须说清对应的是哪一个价格状态,否则会被读成数据打架。
- 限时五折已经结束:标准价为每百万 token 输入 0.8 元、输出 2.8 元、缓存命中 0.23 元;限时五折(输入 0.4 元、输出 1.4 元、缓存命中 0.115 元)已于 2026 年 9 月 9 日 24:00 结束。截至2026 年 9 月 11 日已恢复标准价,网上仍大量流传「半价在售」的说法。
常见问题
Q:GLM-5.3-Flash 的综合智能指数是多少分?
A:57 分(Artificial Analysis Intelligence Index v4.1.1,最高推理档),位列 109 个模型的第 3 位,与 Claude Opus 4.8 同分,落后同门旗舰 GLM-5.3 的 60 分。
Q:这些跑分是官方自测还是独立评测?
A:两者都有。16 项跑分来自智谱官方博客与模型卡,Artificial Analysis 用自建流程复测了综合指数与多项运营指标,总分(57 分)与官方引用一致。
Q:为什么说它「跑分高但速度慢」?
A:独立实测输出速度 50.2 token/秒,低于被测模型中位数 67 token/秒;但首 token 延迟 1.47 秒优于中位数 2.14 秒——起步不慢,慢在逐字输出阶段。
Q:它比 GLM-5.2 强多少?
A:官方 16 项跑分中全面高于 GLM-5.2,幅度最大的是智能体类:DeepSWE v1.1 从 46.2 升到 63.4(+17.2),AutomationBench 从 26.2 升到 48.8(+22.6),GDPval-AA v2 从 1504 Elo 升到 1773 Elo(+269)。
Q:能追上 Claude Opus 4.8 吗?
A:接近但不等于。Terminal-Bench 2.1 落后 0.7 分(84.3 对 85.0),NL2Repo 落后 13.4 分;但 DeepSWE v1.1 反超 5.4 分,GDPval-AA v2 高出 191 Elo 分。官方措辞是「接近」而非「超越」。
Q:多模态性能到底怎么样?
A:强在图表与文档——CharXiv 89.4、Chartography 78.0、OfficeQA Pro 62.4;弱在基础视觉与视频——BabyVision 53.4、MVbench 77.8、MMVU 80.5,均低于 Gemini 3.7 Flash。
Q:为什么它的输出这么长?
A:因为思考模式不可关闭,官方参数文档写明 thinking.type 只支持 enabled。独立评测统计完成整套指数评测耗用 150M 输出 token,其中约 90% 是推理 token,而推理 token 按输出计费。
Q:这些成绩能复现吗?
A:官方 16 项跑分的评测框架、采样参数与上下文长度都在博客脚注里逐项列明(例如 DeepSWE 用 mini-swe-agent 框架、temperature 0.95、400K 上下文),具备复现条件;但跨模型比较受各自评测框架设置影响,不能直接横比。
Q:跑在国产芯片上,性能会打折吗?
A:官方称在国产芯片集群上通过自建推理引擎(SGLang 之上,含 EPD 分离式架构与混合量化)把端到端服务性能提升了 3 倍,硬件效率与单 token 成本已达主流 GPU 相当水平。这是厂商口径,尚待第三方独立复测。