信息卡

一句话定位

Z.ai（智谱）GLM-5 系列的 Flash 高效版：320B 总参仅激活 18B、首次引入混合注意力与 mHC 的全新基座，官方宣称性能超越 GLM-5.2 而价格只有十分之一，编程与 Agent 能力逼近 Claude Opus 4.8。

为什么上热度榜

"低价不低能"是 2026 年 API 市场最硬的通货：Terminal-Bench 2.1 拿到 84.3、DeepSWE 63.4、HLE(带工具) 55.3 的成绩以 MIT 许可完全开源，企业可自部署亦可走 Z.ai API，双向自由度罕见；GLM 系在中文社区的既有号召力叠加 HF Inference Providers 已上线 tool calling 的即用性，热度自然走高。（数据为采集时点信息）

模型规格与技术亮点

• 稀疏度：320B 总参 / 18B 激活（safetensors 计约 321B，混合 BF16/F8_E4M3/F32）。
• 架构：glm5_next；GLM 系首次采用"稀疏注意力 + 线性注意力"混合架构；引入 mHC（Manifold-Constrained Hyper-Connections）提升扩展效率。
• 多模态：GLM-5 家族首个原生多模态模型，图文输入原生支持。
• 训练：重新设计的训练配方 + 30T token 多模态预训练语料。
• 上下文：卡片未标明上限，但评测脚注显示 NL2Repo 在 1M context 下运行、HLE 用 300K 管理、DeepSWE 用 400K，长上下文能力为一线水准。

使用方式与代码示例

vLLM 两行起服：

pip install vllm
vllm serve "zai-org/GLM-5.3-Flash"

Transformers 用 `AutoModelForMultimodalLM` + `AutoProcessor`；亦支持 SGLang、TokenSpeed、KTransformers 与 Docker Model Runner。已有 5 个量化版本适配 llama.cpp/Ollama/LM Studio/Jan。在线侧：Z.ai API 官方平台、HF Inference Providers（live、支持 tool calling，实测约 36 tokens/s）、HuggingChat。技术报告见 arXiv 2602.15763《GLM-5: from Vibe Coding to Agentic Engineering》。

部署建议（本地/云端量化选择）

18B 激活显著降低推理算力需求，但总权重仍需多卡承载：全量建议 4×80GB 起（FP8 权重更省）；预算有限选社区 GGUF 低比特量化配合 llama.cpp 可在工作站级硬件体验；中小企业首选 Z.ai API 或 HF 托管，零运维获得接近 Claude Opus 4.8 的编码能力；自部署生产推荐 vLLM/SGLang + FP8。

典型应用场景

高并发代码助手与 CI 内自动修复（性价比主打场景）；长仓库级代码理解与重构（NL2Repo 式任务）；中文为主的 Agent 工作流编排与工具调用；多模态工单/文档审阅机器人。

同类模型对比

对比 Qwen3.8-Flash-Next（125B/6B）：GLM 激活更大、基准更全面，Qwen 更偏效率实验；对比 DeepSeek V4 Flash：同为国内开源 agentic 主力，GLM 的 MIT 许可与 Flash 定价策略对商用更友好；对标闭源 Claude Opus 4.8 则以一折价格提供近似编码表现——差距请随版本迭代复核。

资源导航

模型页 https://huggingface.co/zai-org/GLM-5.3-Flash · 技术报告 arXiv 2602.15763 · Z.ai API 平台 · vLLM/SGLang 快速命令见模型卡