GLM-5.3
智谱AI发布的开源大语言模型，基于与GLM-5.2相同的基座，通过后训练实现编程能力显著提升，支持GGUF量化格式本地部署
核心事实
时间轴 (近 90 天)
GLM-5.3 权重开源，在 OpenRouter 上有 32 家供应商提供该模型。
GLM-5.3 的输入倍数为 6.9、缓存输入倍数为 1.7、输出倍数为 24；GLM-5.3-Flash 的输入倍数为 2.3、缓存输入倍数为 0.56、输出倍数为 8。
Z.ai 对 GLM-5.3 的新鲜输入收 $1.40/百万 tokens，缓存输入收 $0.26/百万 tokens，相差约 5.4 倍。
GLM-5.3 的思考 tokens 属于输出 tokens，按 24 的倍数计费，而模型默认使用最高推理强度。
Anthropic 此前发布报告称，开源模型 GLM-5.3 构成了重大的网络攻击风险。
在 Terminal Bench v2.1 上，Beam 的 80.1 落后于 DeepSeek V4.1 Flash 的 90.6；在 DeepSWE v1.1 上，Beam 的 44.4 落后于 GLM-5.3 的 61.0 和 Kimi K3 的 68.0。
在 Surge AI 组织的盲评中，专业标注员给 Mistral Large 4 预览版打出 3.74/5，在五个模型中排名第二，落后于 Claude Opus 5（4.22），领先于 GLM-5.3、Kimi K3 和 GLM-5.2。
某些模型默认开启推理且推理token计入max_tokens，因此max_tokens是总预算而非回答上限
给 glm-5.3 设置 max_tokens=64 时，completion_tokens 用满64其中60个花在reasoning上，仅4个token留给回答导致文本为空
在CyberGym基准上，Mistral Large 4以82分在所有开源模型中排名第一，领先MIMO、Grok、GLM 5.3、Kimi K3等
还有 40 条时间轴事件
全部知识事实 (20)
vLLM为GLM-5.3提供了Day-0（零日）支持，开发者在模型发布当天就能部署
75%已验证智谱发布了GLM-5.3，宣称其编程能力较GLM-5.2提升50%
65%待验证验证编码模型的可操作方法是选一个带测试的真实修复任务，固定仓库版本和工具权限，让候选模型完成同一任务并对比首次通过率、补丁可读性、单次成本和人工接管次数
70%待验证GLM-5.3与GLM-5.2使用相同的基座、架构、总参数与激活参数，唯一变量是一个月的长程环境扩展与强化学习
70%待验证GLM-5.3在CyberGym安全能力基准上得分84.5
60%待验证GLM-5.3 的输入倍数为 6.9、缓存输入倍数为 1.7、输出倍数为 24；GLM-5.3-Flash 的输入倍数为 2.3、缓存输入倍数为 0.56、输出倍数为 8。
50%待验证GLM-5.3 权重开源，在 OpenRouter 上有 32 家供应商提供该模型。
50%待验证Z.ai 对 GLM-5.3 的新鲜输入收 $1.40/百万 tokens，缓存输入收 $0.26/百万 tokens，相差约 5.4 倍。
50%待验证GLM-5.3 的思考 tokens 属于输出 tokens，按 24 的倍数计费，而模型默认使用最高推理强度。
50%待验证Anthropic 此前发布报告称，开源模型 GLM-5.3 构成了重大的网络攻击风险。
50%待验证在 Terminal Bench v2.1 上，Beam 的 80.1 落后于 DeepSeek V4.1 Flash 的 90.6；在 DeepSWE v1.1 上，Beam 的 44.4 落后于 GLM-5.3 的 61.0 和 Kimi K3 的 68.0。
50%待验证在 Surge AI 组织的盲评中，专业标注员给 Mistral Large 4 预览版打出 3.74/5，在五个模型中排名第二，落后于 Claude Opus 5（4.22），领先于 GLM-5.3、Kimi K3 和 GLM-5.2。
50%待验证给 glm-5.3 设置 max_tokens=64 时，completion_tokens 用满64其中60个花在reasoning上，仅4个token留给回答导致文本为空
50%待验证某些模型默认开启推理且推理token计入max_tokens，因此max_tokens是总预算而非回答上限
50%待验证在CyberGym基准上，Mistral Large 4以82分在所有开源模型中排名第一，领先MIMO、Grok、GLM 5.3、Kimi K3等
50%待验证GLM-5.3在设计多页面、带交互效果的网页时效果最好，但带「订阅优先」后缀，无会员时排队较久
50%待验证攻击者将ARTEX与DeepSeek v4.1-Flash、GLM-5.3、Grok 4.6以及Claude Code等多个大语言模型串联使用
50%待验证469 tok/s 意味着生成 500 个 token 约耗时 1 秒出头
50%待验证在 8 块 AMD Instinct MI355X 加速卡上，借助 vLLM 推理框架，GLM-5.3 模型实现了 469 tok/s 的单用户解码速度
50%待验证报告称GLM-5.3内置的安全防护机制能够在数天之内被逐步剥离
50%