GLM-5.3-Flash 評測彙總:便宜到離譜的原生多模態模型,能做什麼、不能做什麼
智譜 GLM-5.3-Flash 是 GLM-5 系列第一個原生多模態模型,支援圖片和影片輸入、100 萬上下文。這篇彙總官方跑分、中文獨立評測和 B 站 UP 主的實測:後端和測試程式碼紮實,複雜業務流程和前端細節還要人盯。
文章導讀
- GLM-5.3-Flash 在 2026 年 8 月 27 日前後發布並開源,就是此前在 OpenRouter 上匿名走紅的 Ox Alpha(外號「牛來」)。它是 GLM-5 系列第一個原生多模態模型,支援文字、圖片和影片輸入,上下文 100 萬 token。
- 中文獨立評測 ReLE 裡它的總分是 74.2%,排第 15 位,離自家旗艦 GLM-5.3 只差 1 個百分點,呼叫花費不到旗艦的十分之一。
- 實測的共同結論:後端和測試程式碼紮實,價效比很高;前端細節、深度推理和複雜業務的狀態一致性是短板,而且它跑得慢。
- glm-5.3-flash 是 MoeRouter 上近 7 天用量第四的模型,也是價格最低的一檔,適合量大、能自動驗收的任務。
GLM-5.3-Flash 是什麼#
2026 年 8 月下旬,OpenRouter 上出現了一個匿名模型 Ox Alpha:100 萬 token 上下文,文字、圖片、影片都能輸入,而且免費。它很快衝到使用榜第一,中文社群給它起了個外號叫「牛來」。幾天後智譜確認它就是 GLM 系列的新版本,隨後正式發布並開源,名字叫 GLM-5.3-Flash[1]。
| 專案 | GLM-5.3-Flash |
|---|---|
| 定位 | GLM-5 系列第一個原生多模態模型,面向更低成本的程式碼、智慧體和視覺任務 |
| 輸入與輸出 | 文字、圖片、影片輸入,文字輸出,支援工具呼叫 |
| 規模 | 總參數 320B,啟用參數 18B |
| 上下文與輸出 | 上下文 100 萬 token,最長輸出約 13.1 萬 token |
| 官方標價(Z.ai,每百萬 token) | 快取命中輸入 0.03 美元、輸入 0.15 美元、輸出 0.50 美元 |
| 在 MoeRouter 的模型名 | glm-5.3-flash |
| 在 MoeRouter 支援的介面 | Chat Completions、Responses、Messages |
規格和官方價格來自子昕在火山引擎開發者社群的文章[1]。
在 MoeRouter 上多少錢#
| 模型 | 分組 | 輸入 | 輸出 | 快取讀取 |
|---|---|---|---|---|
glm-5.3-flash | default | CN¥0.0072≈ NT$0.0356 | CN¥0.0252≈ NT$0.125 | CN¥0.00207≈ NT$0.0102 |
每百萬 token 的參考價,以人民幣(CNY)計價與扣款,取自模型廣場()。動態計費的模型按實際走的線路結算,以模型廣場為準。 以 TWD 標示的金額為估算值,按 1 CNY = 4.9465 TWD 換算()。
這是 MoeRouter 上最便宜的一檔。價格這麼低,是因為 default 分組顯示的是當前最便宜線路的參考價;線路變化時價格會跟著變,實際扣費以使用日誌為準,見計費與額度。
跑分#
智譜自己報的#
| 評測 | GLM-5.3-Flash | 對比 |
|---|---|---|
| DeepSWE v1.1 | 63.4 | GLM-5.2 46.2 |
| Terminal Bench 2.1 | 84.3 | — |
| AutomationBench v1.0.6 | 48.8 | GLM-5.2 26.2 |
| Z.ai Code Bench v1.0(Max) | 29.0 | Claude Opus 4.8 29.5 |
| OfficeQA Pro(複雜文件理解) | 62.4 | Claude Opus 4.8 48.9 |
官方對比的物件是 Claude Opus 4.8、GPT-5.6 Terra 這一代的模型[2]。智譜的部落格還引用了 Artificial Analysis 的智慧指數 57 分;子昕的提醒是,榜單分數來自特定的測試條件,不能直接換算成一個專案的交付成功率[1]。
第三方測的#
- ReLE 中文綜合評測(非線智慧,約 1.5 萬道題,覆蓋教育、醫療、金融、法律、推理數學、語言指令、Agent 工具呼叫和 Coding):總分 74.2%,排第 15 位;上一代 GLM-4.7-Flash 是 49.8%、第 119 位。Coding 一項從 22.9% 漲到 64.7%,是漲幅最大的;唯一回撥的是 Agent 工具呼叫,從 62.7% 微降到 61.6%[2]。
- 和同檔比:同樣在每千次呼叫 10 到 15 元這一檔,它(74.2%,12.7 元)略高於 qwen3.8-flash(74.0%,10 元);比 deepseek-v4-flash(68.8%,4.9 元)貴,分數高 5.4 個百分點[2]。
- 和旗艦比:離自家旗艦 glm-5.3(75.2%,134.9 元)只差 1.0 個百分點,花費不到十分之一[2]。
- 慢:ReLE 裡它平均每次呼叫 128 秒,gemini-3.7-flash 是 10 秒[2]。Atomic Agent 的程式設計智慧體測試裡,它 96 個隱藏測試全過,但平均用了 14.1 分鐘、34 步、每個任務 0.059 美元;同一個任務 DeepSeek V4.1 Flash 1017 用 27 秒、0.016 美元[3]。
實測#
子昕(火山引擎開發者社群) 用官方的 ZCode 跑了三個真實場景,和此前測 Qwen 3.8 Max、Kimi K3 的題目一樣[1]:
| 場景 | 結果 |
|---|---|
| 純前端影片工作台 | 能上傳、裁剪,移動素材有吸附(另兩個模型都沒做出來);但佈局錯亂,變速和漸變參數改了不生效 |
| 帶候補流程的實時票務系統 | 完成鎖座後發起支付,頁面直接報錯,後面的出票、退款、候補都測不了;Qwen 3.8 Max 和 Kimi K3 都走通了主流程 |
| 看玩法影片復刻物理駕駛遊戲 | 三個裡最滿意的一個,前進後退和空中姿態都能玩;問題在操控調校 |
他的結論是:「模型能把第一版做出來,狀態一致性、互動細節和失敗後的修復仍然需要人盯。」[1]
程式設計師阿江-Relakkes(B 站) 的實測裡,亮點集中在後端與測試。簡介裡的總結是:以 18B 的啟用規模來看已經不錯,後端比較紮實,「前端和深度推理差點意思,但是價效比真的很爽」[4]。
林禾Link(B 站) 和 DeepSeek 做了不多輪修改的對比,承認「這幾個專案都有些小毛病」,但認為「智譜的功能完成度,專案理解能力以及自主糾錯的能力都是顯著更強的」,並且能在官方 harness 裡實現視覺能力的閉環[5]。
塔斯海Tasihi(B 站) 不太相信官方「價格是 Opus 4.8 的 1/40、能力打平」的說法,於是用完全一致的提示詞做了 3 個前端專案,和 DeepSeek-V4-Flash 對比,結論是「5.3 Flash 效果好得有點兒誇張,而且巨便宜,比 V4-Flash 的閒時任務都便宜」[6]。
該怎麼用#
適合
- 後端介面、測試程式碼、指令碼這類能自動驗收的任務
- 量大的抽取、分類、摘要和中文問答
- 需要讀圖片或影片的任務(它原生支援)
不太適合
- 狀態複雜的業務系統(支付、退款這類流程要人驗收)
- 對介面細節要求高的前端
- 要求快速響應的互動場景:它偏慢
同價位的另一個選擇是 DeepSeek V4.1 Flash:在 Atomic Agent 的同一個程式設計任務上,它比 GLM-5.3-Flash 快得多;GLM-5.3-Flash 的優勢是影片輸入和中文綜合能力。
怎麼呼叫#
OpenAI SDK:
import os
from openai import OpenAI
client = OpenAI(
base_url="https://moerouter.com/v1",
api_key=os.environ["MOEROUTER_API_KEY"],
)
reply = client.chat.completions.create(
model="glm-5.3-flash",
messages=[{"role": "user", "content": "给这个函数补上边界条件的单元测试,用 pytest"}],
)
print(reply.choices[0].message.content)
它也支援 Messages 和 Responses 介面,所以可以填進 Claude Code 或 Codex 的模型配置。耗時長的請求請用流式輸出,見介面與協議。
常見問題#
GLM-5.3-Flash 就是「牛來」嗎?#
是。它上線前以 Ox Alpha 的名字在 OpenRouter 上匿名測試,中文社群叫它「牛來」,智譜隨後確認它是 GLM 系列的新版本並以 GLM-5.3-Flash 的名字正式發布。
GLM-5.3-Flash 的 API 價格是多少?#
智譜官方(Z.ai)的標價是每百萬 token 輸入 0.15 美元、輸出 0.50 美元,快取命中輸入 0.03 美元。在 MoeRouter 上的參考價見本文的價格表,以人民幣結算。
GLM-5.3-Flash 支援圖片和影片輸入嗎?#
模型本身支援文字、圖片和影片輸入,是 GLM-5 系列第一個原生多模態模型。透過 MoeRouter 呼叫時,圖片輸入可以直接用;影片輸入取決於當前線路,建議先用小檔案測試。
GLM-5.3-Flash 和 DeepSeek V4.1 Flash 怎麼選?#
兩個都很便宜。中文綜合評測裡 GLM-5.3-Flash 的分數更高,還能讀影片;程式設計智慧體任務上 DeepSeek V4.1 Flash 快得多。寫程式碼優先試 DeepSeek,讀文件、做中文問答和多模態任務優先試 GLM。
為什麼 GLM-5.3-Flash 這麼慢?#
它預設開啟推理,會花不少 token 思考。中文評測裡平均每次呼叫 128 秒;一個程式設計智慧體任務裡,它用了 14 分鐘,其中大部分輸出是推理 token。對延遲敏感的場景不適合用它。
能用它替代 GLM-5.3 旗艦嗎?#
多數任務可以先試。中文綜合評測裡兩者只差 1 個百分點,花費不到十分之一;任務涉及複雜的業務流程時,先拿自己的用例對比一下。
參考資料
文中引用的評測與資料來自以下公開來源,結論歸原作者所有;引用處均已標註。
說明:MoeRouter 提供文中模型的 API 接入服務。文中的評測結論均來自所引用的第三方來源,價格與介面資訊來自 MoeRouter 自己的資料。