智譜 GLM 系列迎來首個原生多模態模型。根據 Hugging Face 上 zai-org/GLM-5.3-Flash 的模型卡，該模型總引數為 320B、啟用引數僅 18B，官方稱其在多項基準測試與真實工作負載上超過上一代 GLM-5.2，而價格僅為後者的約十分之一；在程式設計與智慧體（agentic）類基準上，它已接近 Claude Opus 4.8 的水平。

與以往在既有語言模型上疊加視覺能力不同，GLM-5.3-Flash 是從一個全新訓練的基座模型出發，架構與訓練配方都圍繞能力與效率重新設計。模型卡披露，這是 GLM 系列首次引入稀疏注意力與線性注意力混合的架構，目的是在保持長上下文精度的同時，顯著壓低長上下文的推理服務成本。此外，模型還採用名為 Manifold-Constrained Hyper-Connections（mHC） 的技術，以進一步提升擴充套件效率。配合最新的 30T token 多模態預訓練語料，官方稱這些改動讓模型能夠「用更少算力交付更多智慧」。

部署與呼叫方面，GLM-5.3-Flash 支援多種本地推理框架，包括 SGLang、vLLM、TokenSpeed、Transformers、KTransformers 與 Unsloth，使用者也可通過 Z.ai API 平台直接呼叫其 API 服務。模型採用 MIT 許可證，任務型別標註為影像-文本到文本（image-text-to-text）。

在推理控制上，GLM-5.3-Flash 通過 reasoning_effort 引數調節思考預算，提供 low、high、max 三檔，未顯式傳入時預設取 max。模型卡提示，若需復現基準與排行榜成績，應保持預設的 max 檔；而在聊天場景中，模板裡的 clear_thinking 預設值為 false，需要顯式傳入 true。

模型卡還列出了多項評測的復現細節，涉及 HLE w/ tools、NL2Repo、DeepSWE、Terminal-Bench 2.1、Agent's Last Exam、Toolathlon Verified、AutomationBench、GDPval-AA v2、BabyVision 等基準，並給出各自的取樣引數、上下文長度與超時設定；其中 GDPval-AA v2 由 Artificial Analysis 負責評測。技術報告方面，模型卡引用了題為《GLM-5: from Vibe Coding to Agentic Engineering》的論文，並附有完整作者名單。

從產業視角看，這條釋出的關鍵詞是「效率」。18B 啟用引數意味著單次推理實際呼叫的計算量遠小於 320B 的總規模，而官方強調的「十分之一價格」與「接近 Claude Opus 4.8」的組合，指向的是多模態與智慧體任務上的價效比競爭——這類任務往往需要長上下文、多輪工具呼叫，推理成本是能否規模落地的核心變數。混合注意力架構與 mHC 的引入，也反映出頭部模型團隊正把最佳化重心從單純堆引數轉向降低服務成本。

對關注 AI 產業的讀者而言，值得跟蹤的後續變數包括：該模型在真實智慧體工作流中的穩定性、API 定價是否引發同類產品跟進調整，以及長上下文推理成本下降會如何影響下游應用（如程式碼助手、自動化流程工具）的可用邊界。模型卡同時提供了微信與 Discord 社群入口，以及 GLM-5.3-Flash 部落格與 GLM-5 技術報告的連結。