GLM-5.3-Flash
更新时间：2026-09-03
模型介绍
GLM-5.3-Flash 是智谱 GLM-5 系列中首个原生多模态模型。模型总参数量 320B、 激活参数量仅 18B，在各项基准与真实业务负载上全面超过上一代 GLM-5.2，而价格仅为其 十分之一；在编程与智能体基准上接近 Claude Opus 4.8 的水平。
该模型基于全新训练的基座，架构与训练方案围绕能力和效率重新设计：首次在 GLM 系列中引入 稀疏注意力与线性注意力的混合架构，在保持精确长上下文能力的同时大幅降低长上下文服务成本； 并采用 mHC（Manifold-Constrained Hyper-Connections）进一步提升扩展效率。 配合最新的 30T token 多模态预训练语料，GLM-5.3-Flash 以更少的算力提供更强的智能。
核心特性
- 原生多模态：GLM-5 系列首个原生多模态模型，同一模型内理解文本与图像。
- 混合注意力架构：首次在 GLM 系列引入稀疏注意力 + 线性注意力的混合设计， 显著降低长上下文推理成本，同时保持精确的长上下文能力。
- mHC 提升扩展效率：采用 Manifold-Constrained Hyper-Connections，提高模型扩展效率。
- 极高性价比：总参数 320B 但激活仅 18B，基准表现超过 GLM-5.2，价格约为其 1/10。
- 超长上下文：支持 1M（1,048,576）token 上下文。
- 思考预算可控：通过
reasoning_effort参数控制是否输出思考过程。
模型概要
| 项 | 值 |
|---|---|
| 架构 | 混合专家模型（MoE） |
| 总参数量 | 320B |
| 激活参数量 | 18B |
| 层数 | 45 |
| 隐藏维度 | 4096 |
| 注意力头数 | 64 |
| 专家数量 | 288 |
| 每 token 选择的专家数 | 8 |
| 注意力机制 | 稀疏注意力 + 线性注意力混合 |
| 特殊结构 | mHC（Manifold-Constrained Hyper-Connections） |
| 上下文长度 | 1,048,576 |
| 词表大小 | 154,880 |
| 量化 | FP8（E4M3） |
| 支持模态 | 文本、图像 |
API调用
服务部署成功后，可在服务列表查看调用信息。
基础对话
GLM-5.3-Flash 默认以最高思考预算运行，思考过程在 message.reasoning_content，
最终回答在 message.content。建议 max_tokens 不低于 2048，避免预算被思考内容占满。
Bash
1curl -X POST "<访问地址>/v1/chat/completions" \
2-H "Content-Type: application/json" \
3-H "Authorization: Bearer token" \
4-d '{
5 "model": "GLM-5.3-Flash",
6 "messages": [{"role": "user", "content": "请用中文简要回答：为什么天空是蓝色的？"}],
7 "max_tokens": 2048,
8 "temperature": 0.6
9}'流式调用时需要同时消费 delta.reasoning_content 和 delta.content，
只读 delta.content 会拿不到思考过程。
控制思考过程
用 reasoning_effort 控制：不传或传 max 会输出思考过程；传 low 或 high 则不输出
（reasoning_content 为空，回答更快）。传其它值会返回参数校验错误。
Bash
1curl -X POST "<访问地址>/v1/chat/completions" \
2-H "Content-Type: application/json" \
3-H "Authorization: Bearer token" \
4-d '{
5 "model": "GLM-5.3-Flash",
6 "reasoning_effort": "low",
7 "messages": [{"role": "user", "content": "用一句话打个招呼"}],
8 "max_tokens": 512
9}'多模态（图像理解）
Bash
1curl -X POST "<访问地址>/v1/chat/completions" \
2-H "Content-Type: application/json" \
3-H "Authorization: Bearer token" \
4-d '{
5 "model": "GLM-5.3-Flash",
6 "messages": [{"role": "user", "content": [
7 {"type": "text", "text": "请描述这张图片的内容"},
8 {"type": "image_url", "image_url": {"url": "https://bce.bdstatic.com/doc/bce-doc/AIHC/dog_e941a21.jpeg"}}]}],
9 "max_tokens": 2048
10}'工具调用
Bash
1curl -X POST "<访问地址>/v1/chat/completions" \
2-H "Content-Type: application/json" \
3-H "Authorization: Bearer token" \
4-d '{
5 "model": "GLM-5.3-Flash",
6 "messages": [{"role": "user", "content": "今天山东济南的天气如何"}],
7 "tools": [{"type": "function", "function": {
8 "name": "get_weather",
9 "description": "Get the current weather in a given location",
10 "parameters": {"type": "object", "properties": {
11 "location": {"type": "string", "description": "City and state"},
12 "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}},
13 "required": ["location"]}}}],
14 "tool_choice": "auto",
15 "max_tokens": 2048
16}'工具调用命中时 finish_reason 为 tool_calls，参数在
message.tool_calls[].function.arguments。
评价此篇文章