GLM 5.3
9226°
Z.ai | 1,048,576 token 上下文 | $0.08/M 输入，$4.80/M 输出。GLM-5.3 是 Z.ai 的大规模推理模型，专为复杂软件工程和长远代理任务构建。支持文本输入输出和100万token上下文窗口，在编码和性能与token效率平衡方面优于GLM-5.2。推理始终开启且不可关闭。支持低、高和最大推理强度；默认为最大。
本模型的指南
按使用场景选最佳本地大语言模型（2026年10月）：每个任务的合适开源模型
Ollama 与 LM Studio（2026）：选择哪个本地 AI 应用，以及各自支持的顶级模型
本地AI到底需要多少显存？
什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）
船长笔记
2026-10-13 的笔记
GLM-5.3 是 Z.ai 的开源权重推理模型，专注复杂软件工程和长周期代理任务，拥有百万令牌上下文窗口。相较 GLM-5.2，所有提升均来自后训练，最大进步体现在多步编码和尤其是进攻性安全领域。适合需要能本地运行的强大编码和代理模型的开发者与研究者。
以……著称
- 在 Terminal Bench 3.0 和 Agents' Last Exam 中，开源模型中表现最优。
- 在 Z.ai 内部基准测试中，编码能力较 GLM-5.2 提升约 50%。
- 在 CyberGym 漏洞发现与利用任务中领先开源权重模型。
- 百万令牌上下文窗口，适合大型代码库或文档密集代理流水线。
- 推理始终开启，提供低、中、高三档推理强度，默认最大。
注意
- 推理无法关闭，意味着不需要推理的任务令牌成本更高。
- 输出价格为每百万令牌 4.80 美元——长时间代理运行需合理预算。
- 制造商自身标记其网络安全能力出现超预期增长，部署时需谨慎。
推荐尝试的提示词
调试多文件重构
我有一个 Python 服务，分布在 main.py、db.py 和 models.py 三个文件。将 ORM 层重构为异步 SQLAlchemy 后，运行时出现 MissingGreenlet 错误。请逐文件分析可能原因，解释异步会话生命周期问题，并展示 FastAPI 依赖注入的正确模式。
规划长周期代理
设计一个自主代理的逐步执行计划，需完成：克隆 GitHub 仓库，识别所有 API 端点，为每个端点编写集成测试，在沙箱环境运行测试，并提交包含测试覆盖率报告的拉取请求。列出代理所需工具、每步失败模式及恢复方案。
追踪安全漏洞
给定以下 Python Flask 路由，接受文件名参数并从磁盘读取文件，识别漏洞类型，解释攻击者如何利用，并在不破坏现有 API 合约的前提下，最小改动修复漏洞。
@app.route('/download')
def download():
name = request.args.get('file')
return open(f'/var/data/{name}').read()
与……比较
- GLM 5.3 FlashX仅限API模型1,048,576 令牌上下文 · $0.37/M 输入，$1.25/M 输出
- GLM 5V Turbo仅限API模型202,752 令牌上下文 · $1.20/M 输入，$4.00/M 输出
- GLM 5 Turbo仅限API模型202,752 令牌上下文 · $1.20/M 输入，$4.00/M 输出
- GLM 5.3 Prime仅限API模型1,000,000 令牌上下文 · $2.80/M 输入，$8.80/M 输出
来自 z-ai 的更多文本模型
常见问题
- GLM-5.3 是开源权重吗？能本地运行吗？
- 是的，权重发布在 Hugging Face，地址为 zai-org/GLM-5.3，可下载并在本地硬件上运行。
- GLM-5.3 的价格和上下文窗口是多少？
- 通过 Z.ai API，输入价格为每百万令牌 0.08 美元，输出价格为每百万令牌 4.80 美元，上下文窗口为 1,048,576 令牌。
- GLM-5.3 与 GLM-5.2 有何不同？
- 两者基于相同基础模型；GLM-5.3 的提升完全来自后训练，最大改进体现在复杂编码任务和进攻性安全基准测试，得分是 GLM-5.2 的两倍多。
船长评语在复杂编码和代理任务中首选的开源权重模型，其网络安全能力需谨慎部署。
Hugging Face 上的模型卡
船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
Also ranked: Gold · Hottest this month · #25 Hottest AI model · #10 Hottest Text / LLM model · #10 Hottest Text / LLM text model
Not this creator?
Get your own badge
GLM 5.3 热度趋势
自18 Aug 2026以来的热度分数
热度评分
9,226°
本周
▲
61.9%
9,162° 当时，9,226° 现在
本月
▲
1,291%
8,880° 当时，9,226° 现在
过去一年
n/a
尚未发布/跟踪
7,000°
起点
评分范围是 0° 到 9,999°。低于 7,000° 的部分保留给还没有任何来源报告的模型，这些模型用替代数值填充，保证列表完整。7,000° 是有实际数据的起点：一个有真实数据但几乎没人下载的模型就在这里，后续的度数都是基于它的测量。起点本身不反映模型质量，只有起点以上的度数才区分不同模型。
+1,852°
OpenRouter 令牌
该模型在过去30天内通过OpenRouter处理了14,906,750,510,237个令牌，包含提示和回答。每10,000,000个令牌计为一次下载，共计1,490,675次；最后一天的令牌计入采用率。来源：OpenRouter (openrouter.ai/rankings)。
+374°
采用率
每天大约 98,104 次下载，基于两次来源读取间的测量，不是用历史平均估算。下载速度权重是下载项的四分之一，这样能反映新热度，但不会让一天的峰值超过多年累计。
显示详细分解
本站上的每个数字都可以查证。这个模型的热度评分是 9,226°，这里一步步展示了它是如何组成的，每一步都有累计总分：起点、每个来源增加的度数、模型类型的加成以及权重年龄的扣减。颜色对应上方图表的区间。最后的词汇表解释了所有术语。
- 1从起点开始。为什么是 7,000° 而不是零：评分范围是 0° 到 9,999°，低于 7,000° 的部分保留给还没有任何来源报告的模型，这些模型用替代数值填充，保证列表完整且不会超过有数据的模型。7,000° 是有实际数据的起点。一个有真实数据但几乎没人下载的模型就在这里；后续的度数都是测量值，起点以上有十个十倍下载阶梯，每阶梯增加 300°。起点对所有模型一样，不影响排名；区分模型的是起点以上的度数。7,000°累计总数
- 2加上下载量。总共1,490,675个下载等价量，来自OpenRouter 令牌。下载量增加十倍，热度增加相同的300°，所以大小很重要，但不会让分数失控。+1,852°8,852°累计总数
- 3增加采用率。现在大约每天98,104次下载，基于两次读数的差值，权重是四分之一。+374°9,226°累计总数
- =热度得分。这个模型在本站所有榜单上的排名。没有其他因素会调整它。9,226°
术语表：这里用到的术语
- 热度得分
- 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
- 基准线
- 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
- 下载等价量
- 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
- 对数刻度
- 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
- 点赞
- 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
- 采用率
- 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
- 测量与估算
- 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
- 做种者
- 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
- AI Horde
- 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
- 生成网站
- 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
- OpenRouter 令牌
- 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
- 完整模型（检查点）
- 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
- LoRA和嵌入
- 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
- 家族与权重
- 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
- 年龄
- 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
- 家族加成
- 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
- 替代分数
- 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
- 新模型！（宽限期）
- 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
- 趋势
- 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
- 典型模型
- 目录的中间值：一半有数据的模型增长比它快，一半比它慢。
这个模型的受欢迎程度相对于整个目录的变化：它在每个时间段内下载量、点赞和使用量的增长，和同一时间段内典型模型的增长相比，以及当时的热度分数。高于典型增长表示上升，低于则表示下降。过去的数据是从今天的总数、模型的第一天和测量的下载速度（如果有两次测量）推算出来的；如果模型在某个时间段开始时不存在，则显示为 n/a。
GLM 5.3 是 Text / LLM 系列的一个文本模型，收录于 ModelTrends.ai——一个只读的开源 AI 图像、视频和文本模型目录。你可以将它与其他 Text / LLM 模型比较，并查看热度分数了解趋势。
按模型系列浏览
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153