原生多模态・极致性价比｜GLM‑5.3‑Flash 上线魔乐社区-编程实验室

8月26日，智谱正式上线并开源GLM-5.3-Flash（320B-A18B）——这是 GLM-5 系列的首个原生多模态模型。

320B 总参数，能力超越 GLM-5.2，在全球权威的Artificial Analysis Intelligence Index（AA 综合智能指数）中取得 57 分，进入全球前沿模型能力区间，与Anthropic最受欢迎的Claude Opus 4.8 得分持平。

更值得关注的是：过去一周的大规模流量由国产芯片集群提供服务。

GLM-5.3-Flash 已上线魔乐社区，开发者可直接下载开源权重。

📌 链接：https://modelers.cn/models/zhipuai/GLM-5.3-Flash

01 模型亮点

极致性价比：一半参数，更强能力，十分之一价格

GLM-5.3-Flash 的架构专为极低成本设计。总参数量与 GLM-4.5 相当（320B vs 355B），但激活参数量从 32B 降到 18B，层数从 92 层减半到 45 层——却在各项基准测试和实际使用中全面超越参数量高出一倍的 GLM-5.2，定价仅为后者的 1/10。

这得益于两项关键架构创新：

稀疏注意力 + 线性注意力混合架构

首个采用该架构的开源前沿模型，线性注意力通过递归机制捕获局部依赖关系，稀疏注意力则借助轻量级索引器召回全局上下文，在保持精准长上下文能力的同时大幅降低服务成本。

流形约束超连接（mHC）

进一步提升模型 Scaling 效率，让更少的计算资源产出更强的性能。

结合智谱最新的 30T Token 多模态预训练语料，GLM-5.3-Flash 能用更少的计算资源实现更强的性能。支持 1M Token 超长上下文，同时支持图像和视频输入。

官方博客：https://z.ai/blog/glm-5.3-flash

原生多模态：代码循环中的视觉反馈

GLM-5.3-Flash 是 GLM-5 系列首个原生多模态模型。视觉编码不只是“处理图片”，它拓展了编程能触及的边界。

对于前端开发、游戏开发、3D 仿真等任务，最终产物是用户能感知的界面、交互或虚拟世界。视觉能力被原生集成进模型后，它能自主判断何时需要“观察”，并利用视觉反馈指导下一步行动——很多问题只有在渲染、交互或试玩时才会暴露。

智谱为此开发了数据合成流水线，聚焦模型的自我视觉判断与测试时改进。在前端 Coding 方面，还探索了基于环境反馈的强化学习，通过真实用户流程的 Agent 验证强化 GUI 判断能力，把验证范畴从功能正确性延伸到渲染效果与交互体验。

「Code 让模型构建和改变世界，Vision 让它进入人们看见和使用的世界。」

一个令人意外的发现：Coding 成了模型表达并检验世界知识的代理。在没有任何外部素材的情况下，GLM-5.3-Flash 自主运行 16 个小时，在 Blender 中搭建了一套约 400 平方米的专业主厨自宅与测试厨房——几何、材质、光照、空间，在不同视角下都保持一致。

在 ZCode 中，Browser Use Agent（BUA）与 Computer Use Agent（CUA）进一步拓展多模态能力，让模型在代码、浏览器与图形界面之间协同工作，同时观察并验证自身输出。以下是在ZCode中使用GLM-5.3-Flash实测合集：从图像到可运行工程，从两小时电影到8分钟成片，以及可直接交付的白领专业文档。

超越 Coding：专业工作的全能伙伴

视觉理解能力让 GLM-5.3-Flash 在专业工作中表现显著提升。针对 PPTX、PDF、DOCX、XLSX 等 Office 文档任务，模型能检查并优化自身输出，具备更强的审美判断——可以将输出结果与视觉上下文、预期结果对比，实现更有效的自我验证与优化。

金融领域

覆盖从基于来源的金融研究、报告生成到金融建模与分析的完整流程，全程提供可追溯的参考依据。

法律领域

能审查合同中的费用、账户与责任条款，按律师惯例批注留痕；也能起草律师函、合同与诉讼文书，格式版式符合实务规范，生成即可交付。

02 跑在国产芯片上

过去一周，GLM-5.3-Flash 首次在大规模流量中用国产芯片集群提供服务，芯片通过自研高带宽互联网络连接。

挑战与突破

单张国产芯片的算力与内存容量相对有限，尤其是支持 1M 上下文长度对内存容量和带宽要求极高。智谱团队做了以下优化：

专用推理引擎：在 SGLang 基础上构建专用推理引擎。值得一提的是，整个构建工作由 GLM-5.3 驱动的 infra agent大大加速——它协助工程师开发优化算子、诊断性能瓶颈、改进部署服务栈，形成“模型优化系统，系统承载模型”的正向循环。
激进的内存优化：针对底层架构进行以算力换带宽、以通信换显存等定制优化。技术栈结合了线性注意力和 LM head 的节点内张量并行、ReplaySSM、W8A8 量化、INT8/FP8/BF16 混合缓存量化，以及 Layer Split 等技术。
EPD 分离架构：集群层面采用生产级 Encode–Prefill–Decode（EPD）分离式架构，将多模态编码、prompt 预填充和逐 token 解码拆分为可独立调度、独立扩缩容的工作池，在数万颗国产加速芯片上实现高效可靠的服务。

结果

3×: 端到端性能提升

持平: 硬件效率与单 token 成本对标英伟达 GPU

💡 国产芯片完全可以在大规模场景下高效、经济地支撑前沿模型的推理需求。