GLM 5.3 Flash
glm-5.3-flashGLM-5.3-Flash 是原生多模态模型，适合结合文字、图片和视频完成编程分析、视觉问答与工具协作。
- 起始價格
- 輸入 / 輸出 · 1M
- 上下文
- 1M
- 最大輸入窗口
- 最大輸出
- 943.7K
- 單次回應最大 token 數
- 模態
- →
Pricing by Supplier
比較同一模型在不同供應商的價格與服務表現。
| 供應商 | Discount | 輸入/M | 輸出/M | 緩存讀取/M | ||||
|---|---|---|---|---|---|---|---|---|
Oofficial 官方接口直连 | — | $0.12 | $0.418 | $0.035 | ||||
Baidu | 省35% | $0.078 | $0.2717 | $0.02275 |
左右滑動表格，查看完整價格與效能。
能力 / 支援的模態
廠商與數據私隱
效能
基準測試
標準化評測得分。百分比越高越好，並展示排名百分位。
指標來源：Artificial Analysis 2026-09-30·GLM 5.3 Flash
目前基準快照不包含此模型。
缺少模型或測量值不代表零分。
基準圖表保留來源中的模型選擇和推理設定。缺少模型或測量值不代表零分，基準成本或速度也不是本站的服務承諾。
About GLM 5.3 Flash
把视觉材料带进工程工作
GLM-5.3-Flash 在GLM-5系列中采用原生多模态设计，可以结合文字、图片和视频理解任务，输出文本结果。它适合需要看懂界面、图表或操作过程的编程与智能体应用，也适合将多种素材整理成可执行的工作说明。
适合边看边分析的场景
例如维护一个管理系统，可以把页面截图与相关代码一起提供，让模型解释界面状态和实现之间的关系；整理操作流程时，可以结合录像与文字手册，找出遗漏步骤或容易出错的环节。视觉素材应围绕明确问题提交，说明要关注的对象、区域或动作，避免只得到宽泛的画面描述。
模型面向能力与效率兼顾的工作，可用于多轮编程、资料整理与自动化流程。应用接入工具后，可以把分析连接到实际查询、执行和检查；每次工具结果都应进入后续上下文，帮助模型决定下一步。
思考强度需要明确选择
GLM-5.3-Flash支持low、high和max推理等级，未指定时默认max。想减少思考投入时，应明确传入受支持的等级，再用真实任务比较效果。长材料任务要保留关键约束与出处，复杂视觉判断则应检查原图或录像，避免把模糊区域当作确定事实。
Use cases and prompting
操作手册检查示例
“结合这段后台操作录像、页面截图和现有手册，检查创建项目流程。列出录像实际经过的步骤，指出手册遗漏或顺序不同的地方，再写一版简洁操作说明。看不清的控件名称标为待确认，不要自行编造。”
代码任务可同时提供相关组件，使问题能对应到实现。
想加快简单任务，为什么没明显变化？
先确认明确传入low或high。该模型未指定推理等级时默认max，其他不受支持的值也不能代替正确设置。
图片和视频应该怎么搭配？
视频用于理解过程，清晰截图用于补充关键细节；在提示词中说明两者的关系和关注位置。
API access
API 介面文件
呼叫示例
/v1/chat/completions| 參數 | 類型 | 預設值 / 範圍 | 說明資訊 |
|---|---|---|---|
temperature | number | = 10 ~ 2 | 採樣溫度；越低越穩定 |
top_p | number | = 10 ~ 1 | 核採樣累積概率 |
max_tokens | integer | >= 1 | 回應中最大 token 數 |
frequency_penalty | number | = 0-2 ~ 2 | 懲罰高頻 token 的重複出現 |
presence_penalty | number | = 0-2 ~ 2 | 鼓勵引入新話題 |
stop | array | — | 最多 4 個停止生成的字串 |
seed | integer | — | 盡量保證可復現的採樣種子 |
n | integer | = 1>= 1 | 生成的候選條數 |
stream | boolean | = false | 透過 SSE 串流返回 token |
response_format | object | — | 強制輸出 JSON 物件或符合 Schema 的結果 |
tools | array | — | 模型可呼叫的工具 / 函數聲明 |
tool_choice | string | autononerequired | 工具選擇策略或具體工具名 |
logprobs | boolean | = false | 返回每個 token 的對數概率 |
top_logprobs | integer | 0 ~ 20 | 每個 token 返回的 top 概率數量 |
logit_bias | object | — | 按 token 的 logit 偏置映射 |
user | string | — | 用於風險審計的終端用戶標識 |
替換 <YOUR_API_KEY> 替換為 API 金鑰頁面中的金鑰。
身份驗證
所有請求必須攜帶 Authorization: Bearer <TOKEN> 請求頭。Anthropic 格式的端點也接受 x-api-key 請求頭。
在「令牌」頁面生成 API Key，可以按模型、分組、IP、速率等維度精細化授權。
支援的參數
| 參數 | 類型 | 預設值 / 範圍 | 說明資訊 |
|---|---|---|---|
temperature | number | = 10 ~ 2 | 採樣溫度；越低越穩定 |
top_p | number | = 10 ~ 1 | 核採樣累積概率 |
max_tokens | integer | >= 1 | 回應中最大 token 數 |
frequency_penalty | number | = 0-2 ~ 2 | 懲罰高頻 token 的重複出現 |
presence_penalty | number | = 0-2 ~ 2 | 鼓勵引入新話題 |
stop | array | — | 最多 4 個停止生成的字串 |
seed | integer | — | 盡量保證可復現的採樣種子 |
n | integer | = 1>= 1 | 生成的候選條數 |
stream | boolean | = false | 透過 SSE 串流返回 token |
response_format | object | — | 強制輸出 JSON 物件或符合 Schema 的結果 |
tools | array | — | 模型可呼叫的工具 / 函數聲明 |
tool_choice | string | autononerequired | 工具選擇策略或具體工具名 |
logprobs | boolean | = false | 返回每個 token 的對數概率 |
top_logprobs | integer | 0 ~ 20 | 每個 token 返回的 top 概率數量 |
logit_bias | object | — | 按 token 的 logit 偏置映射 |
user | string | — | 用於風險審計的終端用戶標識 |
速率限制
| 供應商 | RPM | TPM | RPD |
|---|---|---|---|
| Baidu | 無限制 | 無限制 | 無限制 |
| official | 無限制 | 無限制 | 無限制 |
無限制
Frequently asked questions about glm-5.3-flash
What is glm-5.3-flash?
GLM-5.3-Flash 是原生多模态模型，适合结合文字、图片和视频完成编程分析、视觉问答与工具协作。
How do I call glm-5.3-flash?
Create an API key with access to glm-5.3-flash, then use the exact model ID and a supported endpoint from the API access section. Request fields depend on the selected endpoint.
How is glm-5.3-flash priced?
Pricing depends on the selected provider group and the model billing unit. The current input, output, request, or media prices are shown on this page before sign-up.
What is the context window of glm-5.3-flash?
The model catalog lists a context window of 1048576 tokens. Check the selected endpoint for request limits.
What is the maximum output of glm-5.3-flash?
The model catalog lists a maximum output of 943717 tokens. Your request settings may set a lower limit.
How should I evaluate glm-5.3-flash for my project?
Start with the use cases and prompting guidance on this page, then evaluate the model with representative inputs from your project.