智谱 GLM 是智谱 AI（Z.ai）的基座大模型家族，当前旗舰 GLM-5.3（2026-08-14 发布，纯文本基座、1M 上下文、MIT 开源）；同系列 GLM-5.3-Flash（2026-08-26）为首款原生多模态变体（320B-A18B MoE、1M 上下文、约 1/10 成本），多模态亦可走 GLM-5V-Turbo。 定价：开源 MIT 免费；GLM-5.3-Flash API $0.15/$0.03/$0.50 每百万 token（约 GLM-5.2 的 1/10）。编辑评分：⭐ 4.5。
智谱 GLM 是什么？
智谱 GLM 是智谱 AI（Z.ai）推出的基座大语言模型家族，也是当前国产开源大模型第一梯队的代表。当前旗舰 GLM-5.3 于 2026 年 8 月 14 日发布，基于 GLM-5.2 同款基座，全部性能增益来自训练后扩展（post-training scaling）——不是换了更大的模型，而是把训练后这一阶段的规模与质量拉满。
在 Artificial Analysis 综合榜单上，GLM-5.2 曾以 51 分位居开源模型第一；GLM-5.3 延续并放大了这一优势，重点攻下复杂编码与长程任务，并意外涌现出强劲的网络（赛博）安全能力。对中文用户和开发者来说，最值得关注的三点是：真·100 万上下文、开源 SOTA 的 Coding 能力、可私有部署的 MIT 开源权重。
当前旗舰：GLM-5.3 强在哪
GLM-5.3 与 GLM-5.2 使用相同基座，提升全部来自 post-training。官方明确指出："Scaling post-training is all we did for GLM-5.3."
1. 开源 SOTA 的 Coding 能力 在智谱内部 Z.ai Code Bench 上较 GLM-5.2 提升 50%，官方称其为当前最强的开源权重编码模型。Terminal-Bench 3.0 从 4.6 跃升至 28.3、DeepSWE v1.1 从 46.2 升至 66.9、SWE-Marathon v1.1 从 19.4 升至 42.5、FrontieSWE 从 67.5 升至 78.1。
2. 涌现的网络（赛博）能力 随着 post-training 规模扩大，赛博能力增长超出预期：CyberGym 达 84.5%（5.2 为 77.2%，SOTA），ExploitBench 达 54.4%（5.2 为 24.4%，翻倍有余），ExploitGym 两小时完成 105 个任务、六小时内 130 个（5.2 为 29 / 39）。
3. 长程任务执行（Agent） 继承 GLM-5.2 的 RL 策略（IndexShare、SAO、slime 框架），并在系统层加入局部存储缓存、多教师 OPD、联合调度等优化，长程编码 RL 的端到端训练吞吐提升 >2.3×，增益在长链路任务上保持而不只是短任务。
GLM 版本演进对比：5.1 → 5.2 → 5.3
| 维度 | GLM-5.1（2025.4） | GLM-5.2（2026.6） | GLM-5.3（2026.8.14） |
|---|---|---|---|
| 定位 | 立住长程任务概念 | 把 1M 上下文做成工程可用 | Post-training 规模化，coding+赛博跃迁 |
| 上下文 | 200K | 1M 无损 | 1M 无损（同基座） |
| Terminal-Bench 2.1 | 63.5 | 81.0 | 88.2 |
| Terminal-Bench 3.0 | — | 4.6 | 28.3 |
| DeepSWE v1.1 | — | 46.2 | 66.9 |
| SWE-Marathon v1.1 | — | 19.4 | 42.5 |
| CyberGym | — | 77.2% | 84.5% |
| ExploitBench | — | 24.4% | 54.4% |
| 开源协议 | MIT | MIT | MIT（权重延后约 2 周释出） |
| 升级节奏 | — | 约两月一版 | 继承 5.2 基座，训练后扩展 |
一句话：5.1 把长程任务概念立住，5.2 把 1M 工程可用做扎实，5.3 用 post-training 把编码与赛博能力推到开源新高度。
免费吗？怎么用？
- 开源权重：以最宽松的 MIT 协议发布。GLM-5.3 权重在发布后约两周（约 2026-08-28，安全评估完成后）公开可用，技术平权无国界。
- API / 平台：智谱开放平台（Z.ai / bigmodel.cn）提供
glm-5.3端点；GLM Coding Plan 已全量推送，改为点数配额制——输入、缓存输入、输出分别计点，非高峰时段（UTC+8 周一至周五 14:00-18:00 之外，含周末）仅消耗 50% 点数。 - 智谱清言 / Z.ai：C 端对话产品基于 GLM 系列模型，Web 端与 App 可直接体验。
- 编码集成：可接入 ZCode、Claude Code、OpenCode 等编码环境。
值不值得用？
适合谁：
- 需要处理超长代码库、长文档、长链路 Agent 任务的开发者
- 重视数据可控、想在本地或国产算力私有部署的团队（MIT 协议 + 国产芯片适配）
- 以中文场景为主、追求性价比的 AI 应用开发者
- 安全研究 / 赛博场景（GLM-5.3 的赛博能力为开源 SOTA）
不太适合：
- 只想要轻量聊天机器人的轻度用户（它更偏生产级底座）
- 强依赖某个闭源生态、离不开商业 API 安全围栏的场景
- 需要原生多模态（图片/视觉）的场景——应使用同系列 GLM-5V-Turbo
总体结论： 如果你要的是能真干活的开源底座，智谱 GLM 目前是国产模型里最值得优先考虑的之一——1M 上下文 + 开源 SOTA 的 Coding + 涌现的赛博能力 + MIT 协议，这几点都是硬实力。
GLM-5.3-Flash：原生多模态低成本变体
2026-08-26，智谱发布 GLM-5.3-Flash——GLM-5 系列首个原生多模态模型（支持图像与视频输入），也是该系列首个采用混合稀疏+线性注意力架构的模型。它并非 GLM-5.3 的蒸馏版，而是基于全新 30T token 多模态语料从头预训练的新基座：320B 总参数、每 token 仅激活 18B（A18B MoE），1M 无损上下文，MIT 开源（权重首日上 Hugging Face）。
核心卖点是「前沿能力、Flash 成本」：API 定价 $0.15/百万输入、$0.03/百万缓存输入、$0.50/百万输出，约为 GLM-5.2 的 1/10；在编码与智能体基准上大幅超越 GLM-5.2（DeepSWE v1.1 63.4 vs 46.2、AutomationBench 48.8 vs 26.2），并逼近 Claude Opus 4.8（Z.ai Code Bench 29.0 vs 29.5）。架构上通过 KDA 线性注意力与 NoPE 稀疏 MLA 交替、IndexPool 压缩索引，注意力算力与 KV 缓存分别降至 GLM-5.3 的约 1/3 与 1/4.4，使 1M 上下文长程服务成本大幅下降。本地部署支持 SGLang、vLLM、TokenSpeed、KTransformers（默认 FP8 权重约 306 GiB，需 8 卡级 Hopper 硬件）；API 经 Z.ai / bigmodel.cn 及 GLM Coding Plan 全层级可用（消耗 GLM-5.3 的 3 倍可用额度）。
注：GLM-5.3（主模型）仍为纯文本基座；原生多模态能力由 GLM-5.3-Flash 与 GLM-5V-Turbo 提供。
