GLM-5.3 是 Z.AI 面向复杂软件工程与长程智能体任务的大规模推理模型。
- 输入
- 文本 $1.4/M
- 输出
- 文本 $4.4/M
- 缓存读取
- $0.28/M
- 上下文
- 1M
- 对比 GPT-4o
- 便宜约 72%
Benchmark 成绩
供应商公布： Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
价格在同类中的位置
价格在 70 个同类模型中的位置
这条线标出该模型的价格在 Synthorai 同类模型中的位置，两端分别是最便宜和最贵的模型。这里是基础价，批量、区域和缓存写入的折扣见价格页。
规格与限制
Token
| 上下文窗口（供应商规格） | 1,000,000 |
|---|---|
| 最大输出（供应商规格） | 131,072 |
提示词缓存
| 缓存方式 | 自动 |
|---|
思考
| 供应商参数 | reasoning_effort |
|---|---|
| 可选值 | low · high · max |
| 默认值 | max 请求未指定时生效 |
| 可关闭 | 不支持 |
| 思考行为 | No documented switch turns thinking off, unlike the earlier GLM-5 releases, so the output budget must allow for a reasoning trace on every call. A separate clear_thinking flag defaults to false and decides whether prior turns' traces are cleared; the model card tells chat deployments to pass it explicitly. |
| 参数 | reasoning_effort |
| 取值 | minimal · low · medium · high 这是网关侧的参数，实际以上方的供应商映射为准 |
模型
| 模态 | 文本 → 文本 |
|---|---|
| 参数量 | 总参数 753B MoE |
- Large-scale reasoning model for complex software engineering and long-horizon agent tasks
- keeps the 1M-token context window of GLM-5.2 and improves on it in coding and in the balance between performance and token efficiency
依据 Z.ai 官方文档 ↗
一条提示词，经网关实测
GLM-5.3 通过 · 3 sentences
When we enabled reasoning, the model began generating an extensive internal chain-of-thought—thousands of hidden "thinking" tokens the user never sees—before writing any part of the actual answer. Those invisible tokens are billed at output rates, which run several times the price of input tokens, so the billed volume per query jumped even though query volume and per-token pricing stayed the same. The good news is this is a controllable lever, not a rate increase: capping reasoning effort and routing only complex queries to reasoning mode should bring a large share of the added cost back down.
输出 681 tok (+562 思考) 延迟 18.4 s
指令遵循（恰好三句，数得出来）、受众适配（对 CFO 说话的口吻），以及下方 token 计数暴露出的隐藏思考计费差额。
GLM-5.3 通过 · 8/8 cases
**Fixed:** ```python def longest_run(xs): if not xs: return 0 best = 1 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:** The function suffers from a unit error — it counts adjacent equal *pairs* rather than *items* in a run. `cur` is seeded at 0, gains 1 per match, and resets to 0 on a mismatch, so a run of k equal elements can only ever drive `cur` to k−1 (a run of k items contains exactly k−1 neighboring pairs), and `best`, also starting at 0, inherits that shortfall. That's why a single-element input — a run of length 1 containing zero pairs — returns 0 instead of 1, and why a run reaching the last index comes back one short (e.g. […]
输出 9934 tok (+9438 思考) 延迟 150.7 s
修复是否真的正确（能运行）、解释的信息密度，以及在一个范围明确的任务上的 token 效率。
GLM-5.3 通过 · 5/5 fields, guidance null
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null } ``` Notes on interpretation: - **revenue_usd_m**: 412 is the stated topline, though it's on a constant-currency basis. - **growth_pct**: "eleven and change" is extracted as 11 (an approximation, slightly above 11). - **guidance**: null, since formal guidance was explicitly withheld pending the Q4 close.
输出 2173 tok (+2045 思考) 延迟 35.8 s
是否严守 schema（不臆造字段）、能否顶住幻觉压力（原文明说暂不给出 guidance），以及结构化输出路径的差异。
GLM-5.3 通过 · 129 words, 0 banned, 1 question
**Introducing Universal Prompt Caching** We're thrilled to announce prompt caching that works across every major LLM provider. Identical prompts are now cached once at the gateway level, regardless of which model or vendor serves the request downstream. That means up to 90% savings on token costs and dramatically faster responses for repeated queries. How does it work? Our gateway computes a deterministic hash of each incoming prompt, checks the shared cache layer, and returns instant responses when matches exist. New or modified prompts route normally to your configured provider. Deploy with a single configuration flag; no code changes required. Cache invalidation, TTL controls, and detailed analytics are included. Stop paying twice for the same question. Enable Universal Prompt Caching today. --- *Exactly 120 words; one question; no forbidden terms.*
输出 5418 tok (+5255 思考) 延迟 52.4 s
是否守住约束（字数预算、禁用词表、只能有一个问句）、文风特征，以及长度控制。
30 秒用上 GLM-5.3
兼容 OpenAI：换掉 base_url，SDK 不用改。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",
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",
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",
"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",
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")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));关于 GLM-5.3
- 它保留 GLM-5.2 引入的 1M token 上下文窗口，官方称其在编码能力以及性能与 token 效率的平衡上有所改进，因此升级的理由是吞吐与代码质量，而不是更大的窗口。
- 结构上它是总参数 753B 的混合专家模型，文本输入、文本输出。
- 思考由 reasoning_effort 控制，可取 low、high、max，默认为 max，因此一个什么都不设的请求就是一个深度思考的请求。
- 相对产品线中更早版本，真正有后果的变化是：没有公开的开关可以关闭思考——GLM-5、GLM-5.1 和 GLM-5.2 都可以关，而这一条不行，输出预算必须为每次调用的推理轨迹留出空间。
- 另一个 clear_thinking 标志默认为 false，决定是否清除此前轮次的轨迹，模型卡要求聊天类部署显式传入它。
- 工具调用、JSON 与结构化输出、流式返回和缓存输入都沿用产品线既有能力。
- 在 Synthorai 上它通过 OpenAI 兼容的 chat completions 端点提供，因此从 GLM-5.2 迁移只是改一个模型名，而不是改一次集成。
常见问题
GLM-5.3 API 可以免费试用吗？
可以。新账号有 10 次试用调用，免费额度最高 $1，无需绑卡。按输入 $1.4/M 计算，光这笔额度就够向 GLM-5.3 发约 89 次请求，每次 ~8K token。
GLM-5.3 最擅长什么？
相比 GLM-5.2 改进编码与 token 效率、1M token 上下文支撑长程智能体任务、推理力度档位默认取最大值。完整介绍见「关于」部分，内容取自供应商的官方发布说明。
GLM-5.3 的价格是多少？
在 Synthorai 上，GLM-5.3 的输入价为 $1.4/百万 token，输出价为 $4.4/百万 token。这就是供应商官网价，平台不加价。缓存命中的输入 token 按 $0.28/M 计费。
GLM-5.3 的上下文长度是多少？
GLM-5.3 的上下文长度（上下文窗口）是 1M token。单次回复最多输出 131,072 个 token。
GLM-5.3 支持提示词缓存（prompt caching）吗？
支持，而且全自动：经 Z.ai 处理的提示词会自动缓存，不用改代码。缓存命中的输入 token 按 $0.28/M 计费（未命中为 $1.4/M）。 提示词缓存指南 →
如何开通 GLM-5.3？
把现有 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1"，model 设为 "glm-5.3" 即可。一个 API key 就能调用网关上的全部模型。
相关模型
对比
本页的每个数值都照录自供应商自己的文档（链接见上），并标有核对日期。价格是在整个目录范围内比较的；各家供应商定义不一样的规格项，只说明差异，不画图对比。这里没有任何一项是我们自己测的，也不打分。