O GLM-5.3-Flash é o integrante nativamente multimodal da linha GLM-5.3, posicionado para programação eficiente e tarefas de agente de longo curso.
- Entrada
- texto imagem vídeo $0.15/M
- Saída
- texto $0.5/M
- Leitura de cache
- $0.03/M
- Contexto
- 1M
- vs GPT-4o
- ~97% mais barato
Benchmarks
Publicado pelos fornecedores: Alibaba (Qwen) Anthropic DeepSeek Google Moonshot OpenAI Tencent Z.ai
O preço em contexto
Posição do preço entre 65 modelos comparáveis
A barra mostra onde fica o preço deste modelo entre todos os modelos do mesmo tipo na Synthorai. Em cada extremidade está o mais barato e o mais caro. São tarifas base; os descontos de lote, região e escrita em cache estão na página de preços.
Especificações e limites
Tokens
| Janela de contexto (especificação do fornecedor) | 1.000.000 |
|---|---|
| Saída máxima (especificação do fornecedor) | 163.840 |
Cache de prompts
| Modo | automático |
|---|
Raciocínio
| Parâmetro do fornecedor | reasoning_effort |
|---|---|
| Valores aceites | low · high · max |
| Valor predefinido | max aplicado quando o pedido nada indica |
| Pode ser desativado | Não |
| Comportamento do raciocínio | Same dial as GLM-5.3 with no documented way to switch thinking off; clear_thinking defaults to false. |
| Parâmetro | reasoning_effort |
| Valores | minimal · low · medium · high a superfície de parâmetros do gateway - aplica-se o mapeamento do fornecedor acima |
Modelo
| Modalidades | texto + imagem + vídeo → texto |
|---|---|
| Parâmetros | 320B no total · 18B ativos 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
conforme documentação oficial da Z.ai ↗
Um prompt, medido pelo gateway
GLM-5.3-Flash passou · 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.
saída 742 tok (+626 pensamento) latência 23.2 s
Cumprimento da instrução (exatamente três frases - contáveis), ajuste ao público (registro de CFO), e a lacuna de cobrança do pensamento oculto que os medidores de tokens abaixo expõem.
GLM-5.3-Flash passou · 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). […]
saída 2462 tok (+2138 pensamento) latência 29.1 s
Se a correção é de fato certa (executável), a densidade da explicação, e a eficiência em tokens numa tarefa delimitada.
GLM-5.3-Flash passou · 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.
saída 717 tok (+616 pensamento) latência 9.1 s
Obediência ao esquema (sem campos inventados), pressão de alucinação (guidance é explicitamente retida), e diferenças no caminho de saída estruturada.
GLM-5.3-Flash passou · 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.
saída 2095 tok (+1937 pensamento) latência 20.2 s
Obediência às restrições (orçamento de palavras, lista de palavras proibidas, a única pergunta), impressão digital de estilo, e controle de comprimento.
Use o GLM-5.3-Flash em 30 segundos
Compatível com OpenAI: troque a base_url, mantenha seu SDK. 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(""));Sobre o GLM-5.3-Flash
- Ele aceita imagem e vídeo além de texto e devolve texto, e sua arquitetura híbrida, atenção esparsa combinada com atenção linear e Manifold-Constrained Hyper-Connections, é descrita como capaz de manter comportamento confiável em contexto longo reduzindo o custo computacional.
- A eficiência aparece no formato do modelo: 320B de parâmetros totais com apenas 18B ativos, contra os 753B do GLM-5.3.
- É isso que o coloca no patamar econômico, e vale ser preciso sobre o que não foi sacrificado: a janela de contexto não foi reduzida e continua em um milhão de tokens.
- O pensamento se comporta como no GLM-5.3, com reasoning_effort em low, high ou max e max por padrão, sem forma documentada de desligá-lo, então o orçamento de saída precisa contemplar um traço de raciocínio em cada chamada.
- Chamada de ferramentas, saída JSON e estruturada, streaming e entrada em cache são suportados, e os pesos são publicados abertamente.
- Na Synthorai ele é servido pelo endpoint de chat completions compatível com OpenAI.
Perguntas frequentes
A API do GLM-5.3-Flash é gratuita para testar?
Sim. Contas novas recebem 10 chamadas de teste e até $1 em créditos gratuitos, sem precisar de cartão. A $0.15/M de tokens de entrada, só esse crédito já cobre cerca de 833 requisições de ~8K tokens ao GLM-5.3-Flash.
Em que o GLM-5.3-Flash é melhor?
Nativamente multimodal com entrada de imagem e vídeo; 320B de parâmetros totais, apenas 18B ativos; a mesma janela de um milhão de tokens no patamar econômico. Veja a seção Sobre para o quadro completo, extraído das notas de lançamento do próprio fornecedor.
Quanto custa o GLM-5.3-Flash?
Na Synthorai, o GLM-5.3-Flash custa $0.15 por milhão de tokens de entrada e $0.5 por milhão de tokens de saída. É o preço de tabela do provedor, sem margem da plataforma. Tokens de entrada em cache são cobrados a $0.03/M.
O GLM-5.3-Flash suporta cache de prompts?
Sim, automaticamente: prompts servidos pela Z.ai entram em cache sem nenhuma mudança no código. Tokens de entrada em cache são cobrados a $0.03/M, contra $0.15/M sem cache. Guia de cache de prompts →
Como obtenho acesso ao GLM-5.3-Flash?
Aponte seu SDK da OpenAI existente para base_url="https://synthorai.io/v1", defina model="glm-5.3-flash" e pronto. Uma única chave de API cobre todos os modelos do gateway.
Modelos relacionados
Comparar
Cada valor desta página é transcrito da documentação do fornecedor, ligada acima, e traz a data em que foi verificado. Os preços são comparados em todo o catálogo; os valores de especificação que os fornecedores definem de forma diferente são apresentados com a diferença indicada em vez de representados num gráfico. Nada aqui é medido por nós, e nada é pontuado.