z-ai
Z.ai: GLM 5.3 (batch)
z-ai/glm-5.3:batch
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
z-ai/glm-5.3:batch es la variante por lotes de GLM-5.3 de Z.ai listada en OpenRouter. El catálogo describe un modelo de razonamiento solo de texto con una ventana de contexto de 1M de tokens y razonamiento obligatorio con esfuerzo ajustable. La ficha del modelo de Z.ai indica que GLM-5.3 reutiliza la base de GLM-5.2 y gana capacidad mediante post-entrenamiento, orientado a ingeniería de software compleja y tareas de agente de largo horizonte. Los benchmarks reportados por el proveedor muestran resultados sólidos en código y seguridad, pero son autodeclarados, y la evidencia no describe un comportamiento específico del modo por lotes. Valide el rendimiento en sus propias cargas de trabajo.[1][2]
Puntos fuertes
- El catálogo de OpenRouter lista una ventana de contexto de 1M de tokens para este modelo de entrada y salida de texto.[1]
- El esfuerzo de razonamiento es ajustable entre los niveles low, high y max, y el endpoint anuncia parámetros de llamada de herramientas y salidas estructuradas.[1][2]
- Z.ai reporta mejoras importantes sobre GLM-5.2 en sus propios benchmarks de código y agentes, incluyendo resultados que presenta como estado del arte en pesos abiertos; estas cifras provienen del proveedor.[2]
Limitaciones
- El catálogo de OpenRouter marca el razonamiento como obligatorio, por lo que no se puede desactivar, solo ajustar mediante los niveles de esfuerzo.[1]
- Toda la evidencia de benchmarks proviene del proveedor o del catálogo; no se incluyó una ficha de modelo independiente para la variante por lotes, por lo que los resultados deben validarse en cargas de trabajo reales.[1][2]
- Los pesos usan una licencia personalizada cuyos términos no se detallan en la evidencia, y el significado del sufijo batch no está documentado en las fuentes.[1][2]
Dónde utilizarlo
- Potencialmente adecuado para flujos de ingeniería de software complejos y tareas agénticas de largo horizonte, que Z.ai nombra como objetivos de diseño.[1][2]
- Candidato para análisis de documentos largos o bases de código extensas dada la ventana de contexto de 1M de tokens listada, sujeto a pruebas en cargas de trabajo reales.[1]
- Puede encajar en trabajos por lotes no interactivos orientados a rendimiento, aunque las fuentes no definen un comportamiento específico del lote, así que confirme la semántica con el proveedor.[1]
Fuentes
- [1] OpenRouter catalog · Z.ai: GLM 5.3 (batch)Fuentes consultadas: 13 nov 2026
- [2] Model documentation · Z.ai: GLM 5.3 (batch)Fuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
GLM-5.3 is a large-scale reasoning model from Z.ai, built for complex software engineering and long-horizon agent tasks. It supports text input and output with a 1M-token context window, and improves...
Especificaciones
- ID del modelo
- z-ai/glm-5.3:batch
- ID canónico
- z-ai/glm-5.3-20260816
- Creador
- z-ai
- Añadido a OpenRouter
- 18.08.2026
- Longitud de contexto
- 1,048,576
- Modalidad
- text->text
- Modalidades de entrada
- text
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.450 / salida $2
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | BB — siguiente 30% de la cohorte | razonamiento: obligatorio · predeterminado max · esfuerzos: max, high, low · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | AA — siguiente 20% de la cohorte | — |
| Agentes | SS — 10% superior de la cohorte | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: obligatorio · predeterminado max · esfuerzos: max, high, low · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | — |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 31.7 | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Artificial Analysis | Coding index | 74.8 | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Artificial Analysis | Agentic index | 53.1 | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 56% · posición 19 | 1,299Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · asciiarttasa de victoria 47.2% · posición 23 | 1,210Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 52.3% · posición 21 | 1,285Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 50.6% · posición 34 | 1,253Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 50.6% · posición 21 | 1,290Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 51.4% · posición 17 | 1,248Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 52.8% · posición 26 | 1,284Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 52.6% · posición 23 | 1,280Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · htmlslidestasa de victoria 39.1% · posición 2 | 1,189Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · mobileappstasa de victoria 52.2% · posición 23 | 1,186Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | agents · python-pptxslidestasa de victoria 50.4% · posición 10 | 1,206Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · webappstasa de victoria 54.2% · posición 10 | 1,270Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| DeepInfrafp4 | 1,048,576 | $0.450 | $2 | — | — | — |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.