GLM-5.3-Flash は GLM-5.3 系列のネイティブマルチモーダルモデルで、効率的なコーディングと長期エージェントタスクに位置づけられています。
- 入力
- テキスト 画像 動画 $0.15/M
- 出力
- テキスト $0.5/M
- キャッシュ読み取り
- $0.03/M
- コンテキスト
- 1M
- GPT-4o 比
- 約 97% 割安
ベンチマーク
ベンダー公表: Alibaba (Qwen) Anthropic DeepSeek Google Moonshot OpenAI Tencent Z.ai
価格の位置づけ
同種 65 モデル中の料金の位置
このバーは、Synthorai 上の同種モデルの中でこのモデルの価格がどこに位置するかを示します。両端には最も安いモデルと最も高いモデルの名前が入ります。表示は基本料金で、バッチ・リージョン・キャッシュ書き込みの割引は料金ページにあります。
スペックと制限
トークン
| コンテキストウィンドウ(ベンダー仕様) | 1,000,000 |
|---|---|
| 最大出力(ベンダー仕様) | 163,840 |
プロンプトキャッシュ
| キャッシュ方式 | 自動 |
|---|
思考
| ベンダー側パラメータ | reasoning_effort |
|---|---|
| 指定可能な値 | low · high · max |
| デフォルト | max リクエストで未指定の場合に適用 |
| 無効化の可否 | 非対応 |
| 思考の挙動 | Same dial as GLM-5.3 with no documented way to switch thinking off; clear_thinking defaults to false. |
| パラメータ | reasoning_effort |
| 値 | minimal · low · medium · high ゲートウェイ側のパラメータ面——上のベンダーマッピングが適用されます |
モデル
| モダリティ | テキスト + 画像 + 動画 → テキスト |
|---|---|
| パラメータ数 | 合計 320B · アクティブ 18B MoE (hybrid sparse + linear attention, mHC) |
- Natively multimodal member of the GLM-5.3 line, taking image and video alongside text
- the hybrid sparse-plus-linear attention architecture is credited with holding accurate long-context behaviour while cutting compute overhead
1つのプロンプト — ゲートウェイ経由で測定
GLM-5.3-Flash パス · 3 sentences
Enabling reasoning means the model now generates thousands of invisible "thinking" tokens before each visible answer, and we're billed for those hidden tokens at full output rates—our most expensive tier. Since output tokens cost 3–5x more than input tokens, that hidden thinking volume compounds across every request, which is why the bill doubled rather than edged up. If the spend concerns you, the fix is straightforward: route only complex queries to reasoning models and keep simple tasks on standard ones, which can reclaim a meaningful share of that cost without losing accuracy where it matters.
出力 742 tok (+626 思考) レイテンシ 23.2 s
指示追従（ちょうど三文 — 数えられる）、読み手に合わせた調整（CFO 向けの語り口）、そして下のトークン計から見える隠れた思考の課金ギャップ。
GLM-5.3-Flash パス · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` **The bug:** `cur` is supposed to hold the length of the current run, but it's seeded with `0` and reset to `0` on a mismatch instead of `1` — and since the loop starts at index 1, the first element of every run never passes through the `==` branch and so never gets counted at all. That means `cur` actually holds *run length minus 1* for every run, so every run is underreported by one: a single-element input never enters the loop and returns 0 instead of 1, and a run of length n returns n − 1 (e.g., `[3, 3, 3]` returns 2). […]
出力 2462 tok (+2138 思考) レイテンシ 29.1 s
修正が実際に正しいか（実行可能か）、説明の密度、そして範囲の限られたタスクでのトークン効率。
GLM-5.3-Flash パス · 5/5 fields, guidance "Withheld pending the Q4 close"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "Withheld pending the Q4 close" } ``` Notes on judgment calls: revenue of 412 is on a constant-currency basis as stated; growth of "eleven and change" is approximated as 11 since no precise figure is given.
出力 717 tok (+616 思考) レイテンシ 9.1 s
スキーマ遵守（フィールドをでっち上げない）、ハルシネーション圧（guidance は明示的に保留されている）、そして構造化出力の経路の違い。
GLM-5.3-Flash パス · 120 words, 0 banned, 1 question
Introducing Cross-Provider Prompt Cache, the newest feature in our API gateway. Today, teams send identical prompts to multiple LLM providers and pay full price each time. Why duplicate that work and cost? With Cross-Provider Prompt Cache, your gateway stores prompt-response pairs and serves repeated requests from cache, regardless of which provider handles the call. The result: lower latency, reduced spend, and consistent outputs across OpenAI, Anthropic, Google, and self-hosted models. Configure cache policies per route, set TTLs, and invalidate entries instantly through the dashboard or API. Built-in analytics show hit rates and savings in real time. Enable the cache with a single flag, no code changes required. Available today on all paid plans. Contact sales for enterprise volume pricing details.
出力 2095 tok (+1937 思考) レイテンシ 20.2 s
制約の遵守（語数の上限、禁止語リスト、唯一の疑問文）、文体の指紋、そして長さの制御。
30 秒で GLM-5.3-Flash を使う
OpenAI 互換。base_url を差し替えるだけで、SDK はそのまま。POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="glm-5.3-flash",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "glm-5.3-flash",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.3-flash",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "glm-5.3-flash",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("glm-5.3-flash")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));GLM-5.3-Flash について
- テキストに加えて画像と動画を受け取り、テキストを返します。
- 疎な注意機構と線形注意機構を組み合わせ、Manifold-Constrained Hyper-Connections を取り入れたハイブリッド構成は、計算コストを抑えながら長文脈での正確な挙動を保つと説明されています。
- 効率はモデルの形にも表れており、総パラメータ 320B に対して活性は 18B のみで、GLM-5.3 の 753B と対照的です。
- これが低価格帯である理由ですが、何が犠牲になっていないかも重要です。
- コンテキストウィンドウは縮小されておらず、同じ 100 万トークンで提供されます。
- 思考の挙動は GLM-5.3 と同じで、reasoning_effort は low・high・max、既定は max、無効化の方法は文書化されていないため、毎回の呼び出しで推論トレースを見込んだ出力予算が必要です。
- ツール呼び出し、JSON および構造化出力、ストリーミング、キャッシュ入力に対応し、重みは公開されています。
- Synthorai では OpenAI 互換の chat completions エンドポイントで提供されます。
よくある質問
GLM-5.3-Flash API は無料で試せますか?
はい。新規アカウントには 10 回のトライアル呼び出しと最大 $1 の無料クレジットが付与され、カード登録は不要です。入力 $0.15/M で計算すると、このクレジットだけで GLM-5.3-Flash に対して約 833 回の ~8K トークンのリクエストを送れます。
GLM-5.3-Flash は何が得意ですか?
画像と動画を受け取るネイティブマルチモーダル、総パラメータ 320B、活性はわずか 18B、低価格帯でも同じ 100 万トークン窓。全体像はベンダー公式のリリースノートに基づく「このモデルについて」セクションをご覧ください。
GLM-5.3-Flash の料金はいくらですか?
Synthorai 上の GLM-5.3-Flash は入力 100 万トークンあたり $0.15、出力 100 万トークンあたり $0.5 です。ベンダー定価のままで、プラットフォーム手数料はありません。キャッシュ済み入力トークンは $0.03/M で課金されます。
GLM-5.3-Flash はプロンプトキャッシュに対応していますか?
はい、自動で有効です。Z.ai 経由のプロンプトはコード変更なしでキャッシュされます。キャッシュ済み入力トークンは $0.03/M(未キャッシュは $0.15/M)で課金されます。 プロンプトキャッシュガイド →
GLM-5.3-Flash を利用するには?
お使いの OpenAI SDK の base_url を "https://synthorai.io/v1" に向け、model="glm-5.3-flash" を設定すれば完了です。API キー 1 本でゲートウェイ上のすべてのモデルを利用できます。
関連モデル
比較
このページの値はすべてベンダー自身のドキュメント(上部にリンク)から転記し、確認した日付を付しています。価格はカタログ全体で比較しますが、ベンダーごとに定義が異なる仕様値は差異を明記するにとどめ、図表で比較はしません。当社が測定した数値はなく、スコアも付けていません。