Z.ai: GLM 5.3 Flash (batch)
z-ai/glm-5.3-flash:batch
GLM-5.3-Flash is a native multimodal model from Z.ai. It is suited for efficient coding and long-horizon agent tasks. Its hybrid sparse and linear attention architecture maintains accurate long-context behavior while reducing compute overhead.
Fournisseurs
Différentes entreprises hébergent le même modèle. OpenRouter achemine votre requête vers l’une d’elles selon le mode de routage que vous choisissez : Équilibré (prix + vitesse), Nitro (le plus rapide) ou Floor (le moins cher).
| 0,024 $US | 0,069 $US | 0,010 $US | -- | -- | ||
| 0,050 $US | 0,180 $US | 0,010 $US | -- | -- | ||
| 0,075 $US | 0,250 $US | 0,015 $US | -- | -- | ||
| 0,120 $US | 0,400 $US | 0,024 $US | -- | -- |
- Entrée 0,024 $US / Sortie 0,069 $US-- tok/s-- de disponibilité
- Entrée 0,05 $US / Sortie 0,18 $US-- tok/s-- de disponibilité
- Entrée 0,075 $US / Sortie 0,25 $US-- tok/s-- de disponibilité
Entrée 0,12 $US / Sortie 0,40 $US-- tok/s-- de disponibilité
Tarification
Le prix moyen que les clients paient réellement pour ce modèle, à côté des prix affichés par les fournisseurs. Grâce à la mise en cache et aux remises, le prix réellement payé est souvent bien inférieur au prix affiché.
GLM 5.3 Flash (batch) — Historique des prix
| 0,024 $US | 0,069 $US | 0,010 $US | — | ||
| 0,050 $US | 0,180 $US | 0,010 $US | — | ||
| 0,075 $US | 0,250 $US | 0,015 $US | — | ||
| 0,120 $US | 0,400 $US | 0,024 $US | — |
- Entrée 0,024 $US / Sortie 0,069 $US
- Entrée 0,050 $US / Sortie 0,180 $US
- Entrée 0,075 $US / Sortie 0,250 $US
- Entrée 0,120 $US / Sortie 0,400 $US
Performances
Le débit est la vitesse à laquelle le modèle écrit (jetons par seconde — plus il est élevé, mieux c’est). La latence est le temps total d’aller-retour (plus il est faible, mieux c’est). Le TTFT est le délai avant le premier jeton — le temps avant de voir quelque chose apparaître (plus il est faible, mieux c’est).
Disponibilité
La disponibilité correspond au pourcentage des 3 derniers jours pendant lequel au moins un fournisseur répondait aux requêtes. La disponibilité du service correspond au pourcentage de temps pendant lequel l’inférence a été assurée avec succès. OpenRouter surveille en continu les fournisseurs et utilise le meilleur fournisseur suivant lorsque l’un d’eux renvoie une erreur.
Les données de disponibilité sont encore insuffisantes pour être affichées.
Lorsqu’une erreur survient chez un fournisseur en amont, nous pouvons rétablir le service en routant la requête vers un autre fournisseur opérationnel, si les filtres de votre requête le permettent. Vous pouvez accéder par programmation aux données de disponibilité de chaque fournisseur via l’ API des points de terminaison. Découvrez nos options d’ équilibrage de charge et de routage des fournisseurs.
Évaluations comparatives
Scores aux évaluations standardisées et réponses de ce modèle aux prompts communs des tests de référence. Des pourcentages plus élevés sont meilleurs — et chaque rang indique la position de ce modèle parmi les modèles évalués sur cette source.
| Source | Test de performance | Score |
|---|---|---|
| Artificial Analysis | GLM-5.3-Flash Intelligence Index | 27,8 |
| Artificial Analysis | GLM-5.3-Flash Finance & Accounting Index | 38,8 |
| Artificial Analysis | GLM-5.3-Flash Strategy & Ops Index | 44,5 |
| Artificial Analysis | GLM-5.3-Flash Legal Index | 34,8 |
| Artificial Analysis | GLM-5.3-Flash Healthcare & Medical Index | 36,6 |
| Artificial Analysis | GLM-5.3-Flash Engineering Index | 34,5 |
| Artificial Analysis | GLM-5.3-Flash Economics Index | 35,3 |
| Artificial Analysis | GLM-5.3-Flash Cyber Index | 49,9 |
| Artificial Analysis | GLM-5.3-Flash Openness Index | 44,4 |
| Artificial Analysis | GLM-5.3-Flash AutomationBench-AA | 60.4% |
| Artificial Analysis | GLM-5.3-Flash GDP.pdf | 15.4% |
| Artificial Analysis | GLM-5.3-Flash AA-AnalystAgent | 25.0% |
| Artificial Analysis | GLM-5.3-Flash EnterpriseOps-Gym-AA | 33.2% |
| Artificial Analysis | GLM-5.3-Flash ITBench-AA | 51.2% |
| Artificial Analysis | GLM-5.3-Flash Harvey LAB-AA | 0.8% |
| Artificial Analysis | GLM-5.3-Flash GPQA Diamond | 91.2% |
| Artificial Analysis | GLM-5.3-Flash HLE | 39.9% |
| Artificial Analysis | GLM-5.3-Flash AA-LCR | 80.0% |
| Artificial Analysis | GLM-5.3-Flash τ³-Banking | 47.2% |
| Artificial Analysis | GLM-5.3-Flash GDPval-AA | 57.4% |
| Artificial Analysis | GLM-5.3-Flash CritPt | 15.4% |
| Artificial Analysis | GLM-5.3-Flash HLE-Diamond | 18.2% |
| Artificial Analysis | GLM-5.3-Flash SciCode | 51.6% |
| Artificial Analysis | GLM-5.3-Flash Terminal-Bench 4.0 | 32.8% |
| Artificial Analysis | GLM-5.3-Flash Terminal-Bench 2.1 | 84.3% |
| Artificial Analysis | GLM-5.3-Flash FrontierCode-AA 2.0 | 17.6% |
| Artificial Analysis | GLM-5.3-Flash FrontierCode 1.1 | 41.0% |
| Artificial Analysis | GLM-5.3-Flash Terminal-Bench-Science | 4.8% |
| Artificial Analysis | GLM-5.3-Flash CritPt v2 (Hard Subset) | 24.5% |
| Artificial Analysis | GLM-5.3-Flash CritPt v2 | 46.3% |
| Artificial Analysis | GLM-5.3-Flash AA-Omniscience Accuracy | 28.2% |
| Artificial Analysis | GLM-5.3-Flash AA-Omniscience Non-Hallucination Rate | 61.7% |
| Artificial Analysis | GLM-5.3-Flash CWE-Bench-AA | 55.8% |
| Artificial Analysis | GLM-5.3-Flash DeepsecBench-AA | 19.9% |
| Artificial Analysis | GLM-5.3-Flash CyberGym-E2E-AA | 74.0% |
| Artificial Analysis | GLM-5.3-Flash MLCR-AA | 11.7% |
| Artificial Analysis | GLM-5.3-Flash VIALS-AA | 39.8% |
| Design Arena | GLM-5.3-Flash Agents Arena Pdf Elo | 1136 |
| Design Arena | GLM-5.3-Flash Models Arena 3D Elo | 1286 |
| Design Arena | GLM-5.3-Flash Models Arena Asciiart Elo | 1255 |
| Design Arena | GLM-5.3-Flash Models Arena Code Categories Elo | 1259 |
| Design Arena | GLM-5.3-Flash Models Arena Data Visualization Elo | 1256 |
| Design Arena | GLM-5.3-Flash Models Arena Game Development Elo | 1260 |
| Design Arena | GLM-5.3-Flash Models Arena SVG Elo | 1266 |
| Design Arena | GLM-5.3-Flash Models Arena UI Component Elo | 1293 |
| Design Arena | GLM-5.3-Flash Models Arena Website Elo | 1253 |
| Vals AI | GLM 5.3 Flash Access to Justice Benchmark | 71.1% |
| Vals AI | GLM 5.3 Flash Code Migration v1.1 | 51.6% |
| Vals AI | GLM 5.3 Flash CyberBench v1.1 | 67.9% |
| Vals AI | GLM 5.3 Flash CyberOffense | 18.3% |
| Vals AI | GLM 5.3 Flash EMB v1.1 | 66.3% |
| Vals AI | GLM 5.3 Flash Finance Agent v2.1 | 60.6% |
| Vals AI | GLM 5.3 Flash Vals Finance Index | 55.8% |
| Vals AI | GLM 5.3 Flash GPQA Diamond | 86.4% |
| Vals AI | GLM 5.3 Flash HLAB-Vals-1.1 | 10.4% |
| Vals AI | GLM 5.3 Flash IOI | 52.5% |
| Vals AI | GLM 5.3 Flash LiveCodeBench | 80.5% |
| Vals AI | GLM 5.3 Flash LegalBench | 83.9% |
| Vals AI | GLM 5.3 Flash Vals Legal Index | 71.1% |
| Vals AI | GLM 5.3 Flash Legal Research Bench | 45.2% |
| Vals AI | GLM 5.3 Flash MedScribe | 88.9% |
| Vals AI | GLM 5.3 Flash MMLU Pro | 86.1% |
| Vals AI | GLM 5.3 Flash MMMU Pro | 86.0% |
| Vals AI | GLM 5.3 Flash ProgramBench | 0.0% |
| Vals AI | GLM 5.3 Flash ProofBench v1.1 | 21.0% |
| Vals AI | GLM 5.3 Flash SAGE | 89.3% |
| Vals AI | GLM 5.3 Flash SkillsBench | 40.2% |
| Vals AI | GLM 5.3 Flash SRE Bench | 0.8% |
| Vals AI | GLM 5.3 Flash SWE-bench | 92.0% |
| Vals AI | GLM 5.3 Flash Tax Agent Bench | 31.6% |
| Vals AI | GLM 5.3 Flash TaxEval v2 | 75.6% |
| Vals AI | GLM 5.3 Flash Terminal-Bench 4.0 | 37.4% |
| Vals AI | GLM 5.3 Flash Terminal-Bench-Science | 2.9% |
| Vals AI | GLM 5.3 Flash Vals Index | 50.9% |
| Vals AI | GLM 5.3 Flash Vibe Code Bench 1-100 | 16.0% |
| Vals AI | GLM 5.3 Flash Vibe Code Bench v1.1 | 30.8% |
Applications
Applications publiques qui envoient le plus de trafic à ce modèle. Un bon indicateur des charges de travail réelles en production — et un aperçu des cas d’usage auxquels ce modèle convient le mieux.
Pas encore assez de données sur les applications utilisant ce modèle.
Activité
Volume de jetons et trafic des requêtes vers ce modèle au fil du temps.
API
Code prêt à l’emploi pour appeler ce modèle. L’API d’OpenRouter est compatible avec OpenAI — la plupart des SDK fonctionnent en remplaçant simplement l’URL de base. Seul le slug du modèle ci-dessous change d’un modèle à l’autre.
Actuellement indisponible via le routage dans la région UE. Documentation sur le routage intrarégional
Documentation
Guides, recueils de recettes, articles de blog et outils pour développer avec Z.ai: GLM 5.3 Flash (batch) sur OpenRouter.
Questions fréquentes
Yes, the stealth model Ox Alpha was revealed to be ZAI's new model, GLM-5.3 Flash.
GLM-5.3-Flash is a native multimodal model from Z.ai. It is suited for efficient coding and long-horizon agent tasks. Its hybrid sparse and linear attention architecture maintains accurate long-context behavior while reducing compute overhead.
La documentation de GLM 5.3 Flash (batch) sur OpenRouter comprend l’article de blog Open-Weight vs Closed-Weight Models: What's the Difference?. Le guide de démarrage rapide présente les clés API et votre première requête, et la référence API répertorie tous les paramètres.
GLM 5.3 Flash (batch) coûte 0,024 $US/M de jetons d’entrée et 0,069 $US/M de jetons de sortie, avec des tarifs distincts pour Cache Read à 0,01 $US/M tokens.
GLM 5.3 Flash (batch) dispose d’une fenêtre de contexte de 1 048 576 jetons. Il prend en charge jusqu’à 1 048 576 jetons de complétion.
Oui. GLM 5.3 Flash (batch) accepte tools et tool_choice pour l’appel de fonctions. Il prend également en charge les sorties structurées via un schéma JSON dans response_format.
GLM 5.3 Flash (batch) accepte texte, images et vidéo en entrée et renvoie texte.
GLM 5.3 Flash (batch) est servi par 4 fournisseurs sur OpenRouter : Morph, Sail Research, Together et DeepInfra. Les requêtes sont acheminées vers le meilleur fournisseur disponible, avec un basculement automatique vers les autres, et vous pouvez épingler ou exclure des fournisseurs grâce au routage des fournisseurs.
GLM 5.3 Flash (batch) est sorti le 26 août 2026.