硅基流动产品上新:TokenPlus 词元优选,一站式 Token 智能调度与管理平台。主流模型 4.2 折起,调用稳定,企业级管理更省心,了解详情 www.tokenplus.cn
全部模型 › 模型详情
zai对话

GLM-5.3

Model ID
zai-org/GLM-5.3

模型介绍

GLM-5.3 是智谱 AI 推出的 GLM-5 系列旗舰模型,沿用与 GLM-5.2 相同的基础模型,通过后训练在复杂编码、网络安全和长程智能体任务上实现显著提升。模型采用 MoE 架构,总参数量约 744B,激活参数约 40B,原生支持 1,048,576 tokens 上下文窗口、函数调用与结构化输出,适用于复杂软件工程、漏洞发现与长程智能体任务

发布日期:2026-08-14 · 模型厂商:zai

Tools744B1MMoE推理模型智能体CoderVibe Coding长文本处理旗舰全能

在线推理价格

通过 API 即可调用,按实际使用量计费。

计费币种:人民币
计费类型单价 / 计费单位
缓存命中 tokens¥ 2.00 / M Tokens
输入 tokens¥ 8.00 / M Tokens
输出 tokens¥ 28.00 / M Tokens

规格与能力及 API 调用

规格

总参数量
744B
上下文长度
1,048,576 Tokens
最大输出长度
暂未提供

支持能力

  • 深度思考⊙ · 支持
  • 视觉理解· 不支持
  • 工具调用⊙ · 支持
  • JSON 模式⊙ · 支持
  • 前缀续写· 不支持
在线体验

API 调用

API 文档

通过硅基流动 API 接入模型。以下为基础请求示例,具体参数以模型 API 文档为准。

⌘   API 调用示例

Base URL: https://api.siliconflow.cn/v1

curl -X POST https://api.siliconflow.cn/v1/chat/completions \
  -H "Authorization: Bearer $SILICONFLOW_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "zai-org/GLM-5.3",
  "messages": [
    {
      "role": "user",
      "content": "你好,请介绍一下自己。"
    }
  ]
}'

请将 API Key 设置为环境变量 SILICONFLOW_API_KEY,避免在客户端公开密钥。

模型服务方式

按需选择 API 调用或预留实例,满足从快速体验到业务部署的不同需求。

按量调用

API 调用

无需部署,通过统一 API 快速调用模型,按实际用量付费。

专属资源

预留实例

为业务预留专属资源,满足持续、稳定的模型调用需求。

常见问题

GLM-5.3 是什么模型?相比 GLM-5.2,主要升级在哪里?
  • GLM-5.3 是智谱开源的大模型,沿用 GLM-5.2 基座。

  • 提升路径不是扩大参数规模,而是数十倍扩容的长程任务训练环境、更多元任务类型、更长后训练周期。

  • 重点提升复杂工程编码、终端操作与 Agent 能力。

GLM-5.3 能替代闭源旗舰模型用于生产开发吗?
  • GLM-5.3 可作为闭源旗舰的替代候选之一。

  • 它在 Artificial Analysis 智能指数中与 Claude Fable 5、GPT-5.6 Sol 同处一梯队,部分编程和安全评测有竞争力。

  • 建议先在现有工作流中小范围对照测试,以任务成功率、代码质量、工具兼容性、人工返工量作为替换依据,再逐步扩大使用范围。

GLM-5.3 适合哪些开发任务?编程能力表现如何?
  • GLM-5.3 适合复杂工程编码、终端操作及多步骤长程 Agent 任务,在 Terminal Bench 3.0、Agents' Last Exam(CLI)等公开基准中取得开源第一。

  • 若工作流涉及理解项目、修改代码、运行命令和验证结果,可将 GLM-5.3 纳入评估。

  • 落地建议用真实仓库任务测试完成率、修改正确性、工具调用稳定性等维度。

GLM-5.3 能用于代码安全审查和漏洞发现吗?
  • 可以,GLM-5.3 在防御类代码安全分析中具有应用潜力。

  • CyberGym 白盒代码审查与漏洞发现测试得分 84.5%,略高于 Mythos 5(83.8%)和 GPT-5.6 Sol(83.6%),说明该测试条件下具备较强的代码审查与漏洞发现能力。

  • 开发团队可用于辅助审查有权访问的代码、分析潜在风险、整理待验证问题。

  • 模型给出的漏洞判断仍需结合复现测试、现有安全工具及人工复核,不建议替代完整安全审计。

GLM-5.3 的执行效率如何?能否降低 Agent 任务的 Token 开销?
  • GLM-5.3 在 Z.ai Code Bench 中兼顾准确率与输出效率:High 档准确率 31.4%,高于 Claude Opus 4.8 的 29.5%。

  • 平均输出约 5 万 Token,和 Claude Opus 4.8 的 12 万相比,更少的输出有助于降低 Token 费用。

  • 但少输出不代表所有任务同比节省或更快完成,实际应结合输入、缓存命中、重试次数和成功率,比较完成一次有效任务的总成本。

GLM-5.3 可以接入哪些开发工具?如何在现有工作流中使用?
  • GLM-5.3 可通过硅基流动 API 接入 Claude Code、Codex、WorkBuddy、CodeBuddy、Cursor、TRAE、OpenCode、Cline、Roo Code 等主流工具。具体接入可参考平台文档完成。

  • 适用场景:工程编码、防御类网络安全分析、长程 Agent 任务。

  • 建议先用小型真实任务验证模型调用、工具执行与结果验证是否正常,再扩大到完整工作流。