Was ist GLM-5.3-Flash? Z.ais erstes nativ multimodales Open-Weights-Modell

GLM-5.3-Flash: Das günstige multimodale GLM-Modell richtig einsetzen

Z.ai veröffentlichte GLM-5.3-Flash am 26. August 2026. Das MIT-lizenzierte Mixture-of-Experts-Modell hat 320 Milliarden Parameter, davon 18 Milliarden aktiv. Als erstes Modell der GLM-5-Serie verarbeitet es Bilder nativ statt über einen separaten Vision-Adapter.

Apidog noch heute ausprobieren

Viele Entwickler hatten das Modell bereits eine Woche lang genutzt, ohne es zu wissen: Es lief anonym als ox-alpha auf Drittanbieterplattformen.

„Flash“ bedeutet hier allerdings nicht hohe Streaming-Geschwindigkeit. GLM-5.3-Flash optimiert Kosten und Speicherbedarf, nicht Tokens pro Sekunde.

TL;DR

• Modell: Open Weights unter MIT-Lizenz, 320B-A18B MoE von Z.ai
• Veröffentlichung: 26. August 2026
• Eingaben: Text, Bilder, Videos und Dateien
• Kontextfenster: 1.048.576 Tokens
• Preis: 0,15 $ pro Million Eingabe-Tokens und 0,50 $ pro Million Ausgabe-Tokens
• Geschwindigkeit: 48,7 Ausgabe-Tokens pro Sekunde; Time to First [REDACTED CREDENTIAL],52 Sekunden
• API-Modell-ID: glm-5.3-flash
• Verfügbarkeit: Z.ai API, OpenRouter, Cloudflare Workers AI, Vercel AI Gateway und weitere Anbieter
• Gewichte: Hugging Face, zai-org/GLM-5.3-Flash

Spezifikationen

Eigenschaft	Wert
Gesamtparameter	320B
Aktive Parameter	18B
Architektur	Mixture of Experts, hybride lineare und Sparse Attention
Lizenz	MIT
Kontextfenster	1.048.576 Tokens
Eingabemodalitäten	Text, Bild, Video, Dateien
Ausgabe	Text
Reasoning-Modi	low, high, max — Standard: max
API-Modell-ID	glm-5.3-flash
Hugging Face	zai-org/GLM-5.3-Flash

Bei den maximalen Ausgabe-Tokens gibt es widersprüchliche Angaben: OpenRouter nennt 131.072, die Hugging-Face-Modellkarte 163.840. Z.ai hat keine verbindliche Zahl veröffentlicht. Prüfen Sie deshalb das Limit bei Ihrem tatsächlichen Anbieter, bevor Sie sehr lange Einzelgenerierungen produktiv einsetzen.

Native Multimodalität: Die entscheidende Neuerung

Frühere Vision-Funktionen der GLM-Reihe liefen über separate Modelle oder Endpunkte, etwa GLM-5V-Turbo und GLM-4.6V. Mit GLM-5.3-Flash senden Sie Text, Bilder, Videos und Dateien in einer einzigen Chat-Completion-Anfrage.

Das ist besonders nützlich für Coding- und QA-Agenten:

1. Legen Sie eine umfangreiche Spezifikation in den Kontext.
2. Fügen Sie einen Screenshot oder ein gerendertes UI-Ergebnis hinzu.
3. Lassen Sie das Modell Anforderungen, Implementierung und visuelles Ergebnis vergleichen.

Z.ai beschreibt diesen Einsatz selbst als Beobachtung von „Schnittstellen, Rendering-Ergebnissen und Interaktionsfeedback“.

Für dedizierte Vision-Workflows helfen unsere Leitfäden zur GLM-5V-Turbo API und zu GLM-OCR für Dokumentenverständnis.

Architektur: Warum das Modell günstiger ist

Hybride Attention: GLM-5.3-Flash kombiniert lineare Attention für lokale Abhängigkeiten mit Sparse Attention für global relevante Tokens. Laut Z.ai benötigt das Modell dadurch etwa dreimal weniger Attention-Rechenleistung als GLM-5.3 und einen etwa 4,4-mal kleineren KV-Cache.

Manifold-Constrained Hyper-Connections: So bezeichnet Z.ai seine Skalierungseffizienz-Arbeit für diese Version. Da es dazu noch nicht genügend öffentliche technische Details gibt, sollte dies als Anbieterangabe und nicht als unabhängig belegter Vorteil gelesen werden.

Praktisch relevant ist vor allem der kleinere KV-Cache: Lange Kontexte benötigen weniger Speicher, was die Inferenzkosten senkt und das 1M-Token-Fenster wirtschaftlicher macht.

Z.ai gibt an, das Modell mit etwa 30 Billionen multimodalen Tokens trainiert zu haben.

„Flash“ ist nicht gleich schneller

Artificial Analysis misst für GLM-5.3-Flash 48,7 Ausgabe-Tokens pro Sekunde. GLM-5.3 erreicht in derselben Messung ungefähr 86 Tokens pro Sekunde.

GLM-5.3-Flash ist also beim Streaming etwa halb so schnell wie GLM-5.3.

Dafür beginnt es schneller zu antworten:

• GLM-5.3-Flash: 1,52 Sekunden bis zum ersten Token
• Open-Weight-Median: 2,14 Sekunden

Wählen Sie GLM-5.3-Flash für niedrigere Kosten, geringeren Speicherbedarf und multimodale Eingaben. Wählen Sie es nicht, wenn Ihre Priorität hohe Generierungsraten bei langen Antworten sind.

Benchmarks richtig einordnen

Die von Z.ai zur Veröffentlichung genannten Benchmark-Werte sind Anbieterangaben und sollten erst nach unabhängiger Reproduktion als belastbar gelten.

Artificial Analysis platziert GLM-5.3-Flash mit 57 Punkten im Intelligence Index v4.1.1. GLM-5.3 erreicht 60 Punkte; der Median vergleichbarer Open-Weight-Modelle liegt bei 27 Punkten.

Das ist ein starkes Ergebnis für die Modellklasse, liegt aber unter dem größeren GLM-5.3. Die Einordnung von Z.ai, das Modell sei bei Coding- und Agentenaufgaben ungefähr mit Claude Opus 4.8 vergleichbar, basiert auf internen Bewertungen des Anbieters.

Mehr Kontext zu früheren GLM-Evaluierungen finden Sie in unserer GLM-5.2-Benchmark-Analyse.

Die Ox-Alpha-Woche

Am 20. August erschien auf Drittanbieter-Inferenzplattformen ein anonymes, kostenloses Modell namens ox-alpha. Es bot ein 1M-Token-Kontextfenster und wurde innerhalb weniger Tage stark genutzt. Die Community ordnete es anhand seiner Ausgaben nach etwa 48 Stunden Zhipu zu.

Am 26. August bestätigte Z.ai, dass Ox Alpha GLM-5.3-Flash war. Die kostenlose Woche diente als geplanter Belastungstest.

Z.ai erklärte außerdem, dass der Datenverkehr in dieser Zeit vollständig über chinesische Beschleuniger mit einem SGLang-basierten Stack lief. Die behaupteten, mit NVIDIA-Hardware vergleichbaren Serving-Kosten sind nicht unabhängig überprüft.

Dieses Muster gab es bereits bei Pony Alpha, das sich als DeepSeek- oder GLM-Modell herausstellte: Anonyme Vorabveröffentlichungen auf Modellroutern liefern Anbietern reale Evaluierungsdaten vor dem offiziellen Launch.

GLM-5.3-Flash verwenden

Gehostete API

Die Z.ai-API ist OpenAI-kompatibel. Konfigurieren Sie Ihren Client mit:

• Base URL: https://api.z.ai/api/paas/v4/
• Modell: glm-5.3-flash

Unser GLM-5.3-Flash-API-Leitfaden behandelt Authentifizierung, Bild-Payloads und den reasoning_effort-Parameter.

Drittanbieter

Das Modell ist unter anderem verfügbar bei:

• OpenRouter als z-ai/glm-5.3-flash
• Cloudflare Workers AI
• Vercel AI Gateway
• DeepInfra
• Novita
• GMICloud
• Baseten
• io.net

Vergleichen Sie die Preise der Anbieter, da sie teils deutlich voneinander abweichen.

Coding Agents

GLM-5.3-Flash ist im GLM Coding Plan enthalten und soll die dreifache nutzbare Quote von GLM-5.3 bieten. Laut Z.ai verbrauchen Off-Peak-Aufrufe zudem die Hälfte der Standardpunkte.

Selbst hosten

Die MIT-lizenzierten Gewichte liegen auf Hugging Face. Unterstützt werden unter anderem:

• vLLM
• SGLang
• TokenSpeed
• KTransformers
• GGUF-Quantisierungen für kleinere Systeme

Wann sollten Sie GLM-5.3-Flash wählen?

Nutzen Sie GLM-5.3-Flash, wenn Sie:

• Bild-, Video- oder Dateiverarbeitung im selben Request wie Text benötigen;
• Kosten pro Token optimieren wollen;
• ein Modell mit offen verfügbaren, liberal lizenzierten Gewichten selbst hosten möchten;
• viele kurze, interaktive Durchläufe mit guter Time to First Token ausführen.

Nutzen Sie stattdessen GLM-5.3, wenn Sie:

• die bestmögliche Reasoning-Qualität innerhalb der GLM-Reihe benötigen;
• lange Antworten mit höherem Token-Durchsatz generieren;
• Streaming-Geschwindigkeit höher gewichten als Preis und Speicherbedarf.

Unser direkter Vergleich von GLM-5.3-Flash und GLM-5.3 erläutert die Entscheidung detailliert. Eine Einführung in das Basismodell bietet Was ist GLM-5.3?.

Da beide Modelle über OpenAI-kompatible Endpunkte verfügbar sind, ist der Wechsel meist nur eine Änderung der Modell-ID. Testen Sie deshalb beide Modelle mit Ihren echten Prompts, Medien und erwarteten Antwortformaten.

Mit Apidog können Sie solche Requests als wiederverwendbare API-Sammlungen speichern und Assertions hinterlegen. So prüfen Sie beim Wechsel von GLM-5.3 zu Flash, ob sich Antwortstruktur, multimodale Verarbeitung und Fehlerverhalten ändern — bevor die Änderung in Produktion geht.

FAQ

Ist GLM-5.3-Flash kostenlos?

Nein. Die kostenlose Ox-Alpha-Woche endete mit der offiziellen Ankündigung. Ein Einführungsrabatt von 50 % läuft bis zum 9. September 2026; danach gelten die Listenpreise.

Ist es schneller als GLM-5.3?

Nein. GLM-5.3-Flash generiert etwa 49 Tokens pro Sekunde, GLM-5.3 ungefähr 86. Flash startet jedoch schneller mit 1,52 Sekunden bis zum ersten Token.

Kann es wirklich eine Million Tokens Kontext verarbeiten?

Das konfigurierte Kontextfenster beträgt 1.048.576 Tokens und wird durch Modellkonfiguration sowie Artificial Analysis bestätigt. OpenRouter nennt 1.310.720 Tokens; behandeln Sie diesen Wert als anbieterspezifische Angabe.

Akzeptiert es Videos?

Ja. Z.ai listet Text-, Bild-, Video- und Dateieingaben. Validieren Sie Video-Workflows dennoch mit Ihren eigenen Medien, bevor Sie produktiv davon abhängen.

Unter welcher Lizenz stehen die Gewichte?

Unter der MIT-Lizenz. Die Gewichte sind auf Hugging Face unter zai-org/GLM-5.3-Flash veröffentlicht.