Apa Itu GLM-5.3-Flash? Model AI Multimoda Natif Bobot Terbuka Pertama Z.ai

GLM-5.3-Flash: Model Multimodal Terbuka yang Murah, Bukan yang Cepat

Z.ai merilis GLM-5.3-Flash pada 26 Agustus 2026. Model mixture-of-experts ini memiliki 320 miliar parameter total dengan 18 miliar parameter aktif, berlisensi MIT, dan menjadi model pertama seri GLM-5 yang menerima gambar secara native tanpa adapter visi terpisah.

Coba Apidog hari ini

Model ini juga telah digunakan banyak pengembang selama seminggu sebelumnya tanpa mereka sadari, saat masih bernama ox-alpha.

Intinya: “Flash” di sini berarti efisiensi biaya dan memori, bukan kecepatan generasi token.

TL;DR

• Model: MoE 320B-A18B berbobot terbuka dari Z.ai, dirilis pada 26 Agustus 2026.
• Multimodal native: menerima teks, gambar, video, dan file dalam satu permintaan.
• Konteks: hingga 1.048.576 token.
• Harga daftar: $0,15 per juta token input dan $0,50 per juta token output—sekitar sepersepuluh biaya GLM-5.2 menurut Z.ai.
• Kecepatan: 48,7 token output/detik menurut Artificial Analysis; waktu ke token pertama hanya 1,52 detik.
• Tersedia di: API Z.ai, OpenRouter, Cloudflare Workers AI, Vercel AI Gateway, dan penyedia lain. Bobot tersedia di Hugging Face.

Spesifikasi

Properti	Nilai
Parameter total	320B
Parameter aktif	18B
Arsitektur	Mixture of experts, perhatian hibrida linear dan sparse
Lisensi	MIT
Jendela konteks	1.048.576 token
Modalitas input	Teks, gambar, video, file
Output	Teks
Mode penalaran	rendah, tinggi, maks — standar: maks
ID model API	glm-5.3-flash
Hugging Face	zai-org/GLM-5.3-Flash

Ada ketidakkonsistenan pada batas token output: OpenRouter mencantumkan 131.072 token, sedangkan kartu model Hugging Face mencantumkan 163.840 token. Z.ai belum mempublikasikan angka final. Jika aplikasi Anda memerlukan satu generasi yang sangat panjang, verifikasi batas aktual dengan penyedia yang digunakan.

Multimodality native adalah perubahan terbesarnya

Pada model GLM sebelumnya, kemampuan visi datang melalui model atau endpoint terpisah, seperti GLM-5V-Turbo dan GLM-4.6V dari Z.ai. Untuk membaca tangkapan layar, Anda harus memakai jalur berbeda dari lalu lintas teks.

GLM-5.3-Flash menyatukan semuanya dalam satu permintaan chat completion:

• satu ID model;
• satu alur penagihan;
• satu jendela konteks;
• teks, gambar, video, dan file dapat diproses bersama.

Dengan konteks satu juta token dan input gambar, Anda dapat mengirim dokumen spesifikasi panjang beserta tangkapan layar hasil rendering, lalu meminta model memeriksa kesesuaiannya. Ini cocok untuk agen koding yang perlu memahami antarmuka, hasil render, dan umpan balik interaksi.

Untuk model visi GLM sebelumnya, lihat panduan API GLM-5V-Turbo dan GLM-OCR untuk pemahaman dokumen.

Arsitektur dan dampak praktis

Z.ai membangun GLM-5.3-Flash di atas model dasar baru, bukan hanya melatih ulang GLM-5.2.

Perhatian hibrida

Model menggabungkan perhatian linear dan sparse:

• perhatian linear menangani dependensi lokal dengan biaya rendah;
• perhatian sparse menjangkau token relevan secara global.

Menurut klaim Z.ai, pendekatan ini mengurangi komputasi perhatian sekitar tiga kali dibandingkan GLM-5.3 dan memperkecil cache KV hingga 4,4 kali.

Manifold-Constrained Hyper-Connections

Ini adalah istilah Z.ai untuk optimasi penskalaan dalam rilis ini. Detail publiknya belum cukup untuk evaluasi independen, jadi perlakukan sebagai klaim arsitektur vendor, bukan keunggulan yang telah terbukti.

Pengurangan cache KV memiliki dampak paling langsung: inferensi konteks panjang membutuhkan memori besar, sehingga cache 4,4 kali lebih kecil membantu menekan biaya penyajian dan memungkinkan harga jauh lebih rendah sambil mempertahankan konteks satu juta token.

Pelatihan model menggunakan korpus multimodal sekitar 30 triliun token menurut Z.ai.

“Flash” tidak berarti throughput tinggi

Artificial Analysis mengukur GLM-5.3-Flash pada 48,7 token output per detik. Sebagai pembanding, GLM-5.3 mencapai sekitar 86 token per detik pada pengukuran yang sama.

Dengan kata lain, GLM-5.3-Flash kira-kira setengah lebih lambat dari GLM-5.3 untuk generasi panjang.

Namun, waktu ke token pertama cukup baik:

• GLM-5.3-Flash: 1,52 detik
• Median model berbobot terbuka: 2,14 detik

Pilih Flash untuk percakapan interaktif singkat, input multimodal, biaya rendah, atau kebutuhan memori lebih kecil. Untuk menghasilkan dokumen panjang dengan streaming lebih cepat, GLM-5.3 lebih sesuai.

Benchmark

Berikut adalah angka peluncuran dari Z.ai, jadi anggap sebagai klaim vendor sampai ada reproduksi pihak ketiga.

Artificial Analysis memberi GLM-5.3-Flash skor 57 pada Intelligence Index v4.1.1. GLM-5.3 mendapat skor 60, sementara median model berbobot terbuka berukuran serupa adalah 27.

Z.ai menyatakan model ini mendekati Claude Opus 4.8 untuk pekerjaan koding dan agen. Namun, ini berasal dari evaluasi internal vendor, bukan pengukuran pihak ketiga.

Untuk memahami benchmark seri GLM sebelumnya, baca analisis benchmark GLM-5.2.

Minggu Ox Alpha

Pada 20 Agustus, model anonim ox-alpha muncul di platform inferensi pihak ketiga. Model ini menawarkan konteks satu juta token dengan harga nol dan cepat menjadi salah satu model yang paling banyak digunakan.

Komunitas mengidentifikasinya sebagai model Zhipu dalam sekitar 48 jam berdasarkan karakteristik outputnya.

Pada 26 Agustus, Z.ai mengonfirmasi bahwa ox-alpha adalah GLM-5.3-Flash. Minggu gratis tersebut merupakan uji beban yang disengaja.

Z.ai juga menyatakan bahwa seluruh lalu lintas selama periode itu dijalankan pada akselerator domestik Tiongkok dengan tumpukan berbasis SGLang, serta memiliki biaya penyajian per token yang sebanding dengan perangkat keras NVIDIA mainstream. Ini tetap merupakan klaim vendor tanpa verifikasi independen.

Pola peluncuran anonim seperti ini pernah terjadi sebelumnya, seperti saat Pony Alpha ternyata adalah model DeepSeek atau GLM. Model anonim dengan kemampuan tinggi dan konteks besar sering kali merupakan produk unggulan yang sedang mengumpulkan data evaluasi pra-rilis.

Cara menggunakan GLM-5.3-Flash

1. Gunakan API Z.ai

Endpoint Z.ai kompatibel dengan OpenAI. Arahkan klien OpenAI-compatible Anda ke:

https://api.z.ai/api/paas/v4/

Lalu gunakan ID model berikut:

glm-5.3-flash

Panduan API GLM-5.3-Flash mencakup autentikasi, payload input gambar, dan parameter upaya penalaran.

2. Gunakan penyedia pihak ketiga

OpenRouter menyediakan model ini dengan ID:

z-ai/glm-5.3-flash

Model ini juga tersedia melalui:

• Cloudflare Workers AI
• Vercel AI Gateway
• DeepInfra
• Novita
• GMICloud
• Baseten
• io.net

Harga antarreseller dapat berbeda secara signifikan.

3. Gunakan untuk agen koding

Flash termasuk dalam GLM Coding Plan dan dilaporkan memiliki tiga kali kuota penggunaan dibandingkan GLM-5.3. Dokumentasi Z.ai juga menyebutkan bahwa panggilan di luar jam sibuk memakai setengah poin standar.

4. Host sendiri

Bobot model berlisensi MIT tersedia di Hugging Face. Dukungan tersedia untuk:

• vLLM
• SGLang
• TokenSpeed
• KTransformers

Kuantisasi GGUF juga tersedia untuk perangkat keras yang lebih kecil.

Haruskah Anda menggunakannya?

Gunakan GLM-5.3-Flash jika Anda membutuhkan:

• pemahaman gambar atau video dalam permintaan yang sama dengan teks;
• biaya per token yang rendah;
• konteks hingga satu juta token;
• bobot terbuka dengan lisensi permisif untuk self-hosting;
• respons awal yang cepat untuk interaksi singkat.

Gunakan GLM-5.3 jika Anda membutuhkan:

• kualitas penalaran sedikit lebih tinggi;
• throughput generasi lebih tinggi;
• output panjang dengan waktu tunggu lebih rendah.

Lihat perbandingan GLM-5.3-Flash vs GLM-5.3 dan panduan apa itu GLM-5.3 untuk keputusan yang lebih rinci.

Karena endpoint-nya kompatibel dengan OpenAI, peralihannya hanya memerlukan perubahan ID model. Uji keduanya dengan payload dan data nyata Anda, terutama input multimodal, daripada hanya mengandalkan tabel benchmark.

Apidog membantu menyimpan panggilan API sebagai koleksi yang dapat digunakan ulang dengan assertion. Saat berpindah dari GLM-5.3 ke Flash, Anda dapat memverifikasi bahwa bentuk respons tetap konsisten sebelum perubahan masuk ke produksi.

FAQ

Apakah GLM-5.3-Flash gratis?

Tidak. Minggu gratis Ox Alpha berakhir saat model diumumkan. Ada diskon peluncuran 50% hingga 9 September 2026; setelah itu harga daftar berlaku.

Apakah GLM-5.3-Flash lebih cepat dari GLM-5.3?

Tidak untuk throughput generasi. Flash menghasilkan sekitar 49 token per detik, sedangkan GLM-5.3 sekitar 86 token per detik. Namun, Flash mulai merespons lebih cepat: 1,52 detik hingga token pertama.

Apakah benar mendukung satu juta token konteks?

Ya. Jendela konteks yang dikonfigurasi adalah 1.048.576 token, dikonfirmasi oleh konfigurasi model dan Artificial Analysis. OpenRouter mencantumkan angka 1.310.720 token; perlakukan itu sebagai daftar dari sisi penyedia, bukan spesifikasi model.

Apakah model ini menerima video?

Ya. Dokumentasi Z.ai mencantumkan teks, gambar, video, dan file sebagai input. Karena dukungan video masih lebih baru dan kurang umum digunakan daripada input gambar, validasikan terlebih dahulu dengan media Anda sendiri.

Lisensi apa yang digunakan?

MIT. Bobotnya diterbitkan sebagai zai-org/GLM-5.3-Flash di Hugging Face.