智谱 GLM 系列迎来首个原生多模态模型。根据 Hugging Face 上 zai-org/GLM-5.3-Flash 的模型卡，该模型总参数为 320B、激活参数仅 18B，官方称其在多项基准测试与真实工作负载上超过上一代 GLM-5.2，而价格仅为后者的约十分之一；在编程与智能体（agentic）类基准上，它已接近 Claude Opus 4.8 的水平。
与以往在既有语言模型上叠加视觉能力不同，GLM-5.3-Flash 是从一个全新训练的基座模型出发，架构与训练配方都围绕能力与效率重新设计。模型卡披露，这是 GLM 系列首次引入稀疏注意力与线性注意力混合的架构，目的是在保持长上下文精度的同时，显著压低长上下文的推理服务成本。此外，模型还采用名为 Manifold-Constrained Hyper-Connections（mHC） 的技术，以进一步提升扩展效率。配合最新的 30T token 多模态预训练语料，官方称这些改动让模型能够「用更少算力交付更多智能」。
部署与调用方面，GLM-5.3-Flash 支持多种本地推理框架，包括 SGLang、vLLM、TokenSpeed、Transformers、KTransformers 与 Unsloth，用户也可通过 Z.ai API 平台直接调用其 API 服务。模型采用 MIT 许可证，任务类型标注为图像-文本到文本（image-text-to-text）。
在推理控制上，GLM-5.3-Flash 通过 reasoning_effort 参数调节思考预算，提供 low、high、max 三档，未显式传入时默认取 max。模型卡提示，若需复现基准与排行榜成绩，应保持默认的 max 档；而在聊天场景中，模板里的 clear_thinking 默认值为 false，需要显式传入 true。
模型卡还列出了多项评测的复现细节，涉及 HLE w/ tools、NL2Repo、DeepSWE、Terminal-Bench 2.1、Agent's Last Exam、Toolathlon Verified、AutomationBench、GDPval-AA v2、BabyVision 等基准，并给出各自的采样参数、上下文长度与超时设置；其中 GDPval-AA v2 由 Artificial Analysis 负责评测。技术报告方面，模型卡引用了题为《GLM-5: from Vibe Coding to Agentic Engineering》的论文，并附有完整作者名单。
从产业视角看，这条发布的关键词是「效率」。18B 激活参数意味着单次推理实际调用的计算量远小于 320B 的总规模，而官方强调的「十分之一价格」与「接近 Claude Opus 4.8」的组合，指向的是多模态与智能体任务上的性价比竞争——这类任务往往需要长上下文、多轮工具调用，推理成本是能否规模落地的核心变量。混合注意力架构与 mHC 的引入，也反映出头部模型团队正把优化重心从单纯堆参数转向降低服务成本。
对关注 AI 产业的读者而言，值得跟踪的后续变量包括：该模型在真实智能体工作流中的稳定性、API 定价是否引发同类产品跟进调整，以及长上下文推理成本下降会如何影响下游应用（如代码助手、自动化流程工具）的可用边界。模型卡同时提供了微信与 Discord 社区入口，以及 GLM-5.3-Flash 博客与 GLM-5 技术报告的链接。