智谱开源 GLM-5.3-Flash：320B 参数跑在国产芯片，价格仅为 Opus 4.8 的 1/40

8 月 26 日晚，智谱正式发布并开源 GLM-5.3-Flash。此前，这款模型以 Ox-Alpha 为名在 OpenRouter、OpenCode 上匿名测试，并创下两个平台的调用量新高。该模型总参数量 320B、激活 18B，是 GLM-5 系列首个原生多模态模型。在 Artificial Analysis 综合智能指数上，GLM-5.3-Flash 获得 57 分，与 Claude Opus 4.8 持平；智谱自研的 Z.ai Code Bench 也显示二者 Coding 体验相近。在价格方面，GLM-5.3-Flash 仅为 GLM-5.3 的 1/10（限时折扣期 1/20），约为 Claude Opus 4.8 的 1/40。模型采用 MIT 协议开源，并同步开放 API。

「牛来」算力谜底：全部跑在国产芯片上

匿名测试期间，Ox-Alpha 的全部请求流量均由国产芯片提供算力。智谱调用了超过 10 万张国产芯片集群用于该模型服务，这是其首次使用大规模国产芯片集群直接承载来自全球开发者的真实线上负载。

为克服国产芯片在内存容量和带宽上的瓶颈，智谱基于 SGLang 构建了专用推理引擎，并加入以下技术：

节点内张量并行、ReplaySSM
W8A8 量化、INT8 / FP8 / BF16 混合缓存量化
Layer Split 等技术

集群层面采用 Encode-Prefill-Decode（EPD）分离架构，将多模态编码、Prompt 预填充与逐 Token 解码拆为三个可独立调度与扩缩容的工作池。智谱披露，与同批硬件初始基线相比，端到端服务性能提升 3 倍，硬件效率与单 Token 成本已达与主流英伟达 GPU 相当的水平。

需要澄清的是，「1/40」指的是面向用户的最终 API 价格，而非国产芯片的硬件推理成本仅为海外 GPU 的 1/40。

架构重设计：320B 比上一代还强

GLM-5.3-Flash 总参 320B、激活 18B、45 层。作为对比，GLM-4.5 为 355B / 32B / 92 层。激活参数与网络深度均明显下降，但综合能力反而超过了规模更大的 GLM-5.2。

GLM-5.3-Flash 是首个采用「稀疏注意力 + 线性注意力」混合架构的开源前沿模型：

线性注意力：通过递归机制处理局部依赖
稀疏注意力：使用轻量级索引器，在长上下文中召回真正需要计算的全局信息
IndexPool：通过加权池化，将索引器原本的 4 个缓存向量压缩为 1 个，缓解 1M 上下文下索引器的内存与延迟压力

按智谱测算，与 GLM-5.3 相比，GLM-5.3-Flash 注意力计算量降低 3.01 倍，KV 缓存大小降低 4.44 倍。在 GLM-5.3、DeepSeek-V4-Flash、Kimi-K3 等基线中，其注意力计算量为最低；平均每层 KV 缓存略高于 Kimi-K3 与 DeepSeek-V4-Flash。

模型还引入流形约束超连接（mHC），并使用 30T Token 多模态预训练语料继续提升扩展性。

原生多模态：让模型「看见」自己生成的结果

GLM-5.3-Flash 是 GLM-5 系列首款原生多模态模型，视觉能力的引入直接服务于 Coding 与 Agent 场景。模型最终产物不仅是代码，还包括页面、交互、虚拟场景，因此需要重新「看见」自己生成的结果，判断按钮是否错位、页面是否正确渲染、3D 场景是否符合预期。

智谱专门训练了模型的自我视觉判断与测试时改进能力，使其能在生成后继续观察结果并根据环境反馈迭代。官方展示的一个案例中，GLM-5.3-Flash 在无外部素材的情况下自主运行 16 小时，在 Blender 中搭建了一套约 400 平方米的专业主厨住宅与测试厨房。类似机制也延伸到 PPTX、PDF、DOCX、XLSX 及金融、法律等专业任务。

这一变化的意义在于：Agent 不仅要判断代码是否正确，更要判断一项工作是否真正完成。

行业意义：前沿模型、开源权重、国产算力与超低定价同时出现

Ox-Alpha 匿名六天的测试，回答了「国产芯片能否稳定、经济地承载前沿模型并服务全球开发者」这一关键问题。前沿模型能力、开放权重、国产芯片大规模在线承载，以及极低 API 价格，在 GLM-5.3-Flash 上同时出现。这既是模型架构上的创新，也是国内算力生态向前沿能力区间迈进的标志性事件。