z-ai
Z.ai: GLM 5.3 Flash
z-ai/glm-5.3-flash
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
La documentación de Z.ai describe GLM-5.3-Flash como un modelo GLM-5 nativamente multimodal con 320.000 millones de parámetros totales y 18.000 millones activos, que acepta texto, imágenes y video y genera texto. El catálogo de OpenRouter indica una ventana de contexto de 1.048.576 tokens, compatibilidad con herramientas y salidas estructuradas, y razonamiento obligatorio con niveles bajo, alto y máximo. OpenRouter también reporta mediciones en categorías de diseño, codificación, comportamiento agéntico e inteligencia, mientras Z.ai lo orienta a codificación eficiente y tareas agénticas de largo alcance; conviene validar estas afirmaciones en cargas reales.[1][2]
Puntos fuertes
- Acepta entradas de texto, imagen y video y genera texto; Z.ai lo presenta como el primer modelo nativamente multimodal de la serie GLM-5.[1][2]
- Ofrece una ventana de contexto de 1.048.576 tokens; Z.ai indica que su atención híbrida, que combina atención dispersa y lineal, está diseñada para conservar un comportamiento preciso en contextos largos y reducir el costo de servicio.[1][2]
- La documentación declara una licencia MIT y enumera rutas de despliegue con SGLang, vLLM, Transformers, KTransformers, Unsloth y TokenSpeed; el catálogo también incluye herramientas y salidas estructuradas.[1][2]
Limitaciones
- El paquete de evidencia contiene una ficha de OpenRouter y documentación propia de Z.ai, por lo que las afirmaciones de rendimiento y eficiencia del proveedor aún requieren validación independiente y específica de la carga de trabajo.[1][2]
- OpenRouter marca el razonamiento como obligatorio y el nivel máximo como predeterminado; Z.ai señala que los niveles bajo o alto deben solicitarse explícitamente, por lo que las aplicaciones deben confirmar el comportamiento requerido.[1][2]
- Las fuentes no indican fecha de corte de conocimiento, requisitos de hardware ni detalles de seguridad y controles; además, las notas de evaluación usan muestreo y contextos específicos que pueden no coincidir con producción.[1][2]
Dónde utilizarlo
- Considérelo para asistentes de codificación, análisis de repositorios y flujos de agentes que requieran herramientas; realice un piloto con sus propias tareas antes de adoptarlo.[1][2]
- Considérelo para aplicaciones multimodales que deban interpretar texto, imágenes o video y devolver texto.[1][2]
- Considérelo para análisis de documentos o contenido multimedia de contexto largo cuando importe una ventana muy amplia; mida precisión y costo en el entorno objetivo.[1][2]
Fuentes
- [1] OpenRouter catalog · Z.ai: GLM 5.3 FlashFuentes consultadas: 13 nov 2026
- [2] Model documentation · Z.ai: GLM 5.3 FlashFuentes 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-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...
Especificaciones
- ID del modelo
- z-ai/glm-5.3-flash
- ID canónico
- z-ai/glm-5.3-flash-20260826
- Creador
- z-ai
- Añadido a OpenRouter
- 26.08.2026
- Longitud de contexto
- 1,048,576
- Modalidad
- text+image+video->text
- Modalidades de entrada
- text, image, video
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.040 / salida $0.078
- 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 | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | entrada: video |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 27.8 | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Artificial Analysis | Coding index | 71.5 | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Artificial Analysis | Agentic index | 50.9 | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 55% · posición 20 | 1,296Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · asciiarttasa de victoria 54% · posición 11 | 1,269Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 48.3% · posición 28 | 1,268Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 50.2% · posición 33 | 1,257Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 46.5% · posición 27 | 1,268Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 54.8% · posición 15 | 1,272Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 52.1% · posición 19 | 1,298Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 47.3% · posición 39 | 1,258Elo | 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) |
|---|---|---|---|---|---|---|
| Relacefp4 | 1,048,576 | $0.040 | $0.078 | — | — | 100% |
| Wafernvfp4 | 1,048,576 | $0.042 | $0.184 | — | — | 100% |
| OpenInferencefp4 | 1,048,576 | $0.060 | $0.300 | — | — | 100% |
| Darkbloomfp4 | 262,144 | $0.065 | $0.180 | — | — | 72.73% |
| Wafernvfp4 | 1,048,576 | $0.065 | $0.240 | — | — | 100% |
| Tenstorrentfp8 | 262,000 | $0.075 | $0.250 | — | — | 100% |
| GMICloudfp8 | 1,048,576 | $0.075 | $0.250 | — | — | 100% |
| Near AIfp8 | 1,048,576 | $0.080 | $0.500 | — | — | 100% |
| Novitafp8 | 1,048,576 | $0.084 | $0.280 | — | — | 100% |
| StreamLakefp8 | 1,024,000 | $0.089 | $0.295 | — | — | 100% |
| SiliconFlowfp8 | 1,048,576 | $0.100 | $0.400 | — | — | 100% |
| DekaLLM | 1,048,576 | $0.100 | $0.500 | — | — | 100% |
| InferenceNetfp4 | 1,048,576 | $0.108 | $0.350 | — | — | 100% |
| InferenceNetfp4 | 1,048,576 | $0.108 | $0.350 | — | — | 100% |
| DigitalOcean | 1,048,576 | $0.112 | $0.375 | — | — | 100% |
| Morphfp8 | 1,048,576 | $0.116 | $0.122 | — | — | 100% |
| Reka | 1,048,576 | $0.120 | $0.300 | — | — | 100% |
| CoreWeavenvfp4 | 1,048,576 | $0.120 | $0.380 | — | — | 100% |
| River | 1,048,576 | $0.120 | $0.400 | — | — | 100% |
| NextBitfp4 | 1,048,576 | $0.120 | $0.450 | — | — | 100% |
| Particle AInvfp4 | 1,048,576 | $0.120 | $0.500 | — | — | 100% |
| Makorafp4 | 1,048,576 | $0.140 | $0.240 | — | — | 100% |
| Mistral | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| KT | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Coherenvfp4 | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Nebiusfp4 | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Modalfp4 | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Crusoefp4 | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| AtlasCloudfp8 | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Fireworks | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Friendli | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Together | 1,048,575 | $0.150 | $0.500 | — | — | 100% |
| Parasailfp4 | 1,048,576 | $0.150 | $0.500 | — | — | 96.67% |
| BaseTenfp8 | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Venice | 1,048,576 | $0.150 | $0.500 | — | — | 96.67% |
| DeepInfrafp4 | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Z.AIfp8 | 1,048,576 | $0.150 | $0.500 | — | — | 100% |
| Inceptronfp8 | 1,048,576 | $0.175 | $0.470 | — | — | 100% |
| Sail Researchfp4 | 1,048,576 | $0.175 | $0.625 | — | — | 100% |
| Sail Researchfp4 | 1,048,576 | $0.175 | $0.625 | — | — | — |
| Parasailfp4 | 1,048,576 | $0.188 | $0.625 | — | — | 100% |
| Fireworks | 1,048,576 | $0.225 | $0.750 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.