GLM 5.3

定位简介

glm-5.3 是智谱推出的文本推理模型，定位在复杂软件工程与长时程 Agent 任务。它沿用前代基座，提升全部来自后训练，推理始终开启并支持 low、high、max 三档强度，上下文窗口约 100 万 token。适合需要模型自主完成多步工具调用、跨文件代码理解与终端操作的开发者，也适合关注推理 token 效率、希望在同等任务得分下降低输出开销的团队。

核心亮点

• 编码与 Agent 能力较前代显著提升——官方称在自研 Z.ai Code Bench 上相较 GLM-5.2 提升约 50%，并在 Terminal Bench 3.0 等公开基准取得开源 SOTA。
• 更高得分下输出 token 更少——Max 档约 75K token/任务对比前代 96K，性能与 token 效率同步改善，长任务成本更可控。
• 三档推理强度可按任务调节——low、high、max 三档对应不同推理投入，默认 max，便于在延迟与质量之间取舍。
• 约 1M token 上下文窗口——可一次性纳入大型代码库与长对话，支持跨文件、跨模块的整体分析。

能力说明

超长上下文理解：上下文窗口约 1,048,576 token，可把大型代码库或多轮长对话整体放入单次请求，减少切片与拼接的工程负担。

可调推理强度：推理始终开启，支持 low、high、max 三档强度，默认 max；可按任务复杂度选择，在响应速度与推理深度间取得平衡。

软件工程与 Agentic Coding：面向多步工具调用与代码生成重构，官方称在 Z.ai Code Bench 上较前代提升约 50%，适合把复杂工程任务交给模型自主推进。

终端与长时程任务执行：在 Terminal Bench 3.0、Agents' Last Exam 等基准上达到开源 SOTA，适合命令行操作自动化与需要连续多轮决策的 Agent 流程。

文本推理与输出：以文本为输入输出模态，按 token 计费，可直接接入对话、分析、生成类业务链路。

适用场景

• 软件团队做大型代码库分析——输入跨文件源码与需求描述，产出重构方案或变更建议，用于日常开发与代码评审流程。
• Agent 开发者构建多步工具调用流程——输入任务目标与工具定义，产出连续多轮的调用决策，用于自动化工作流与后台任务编排。
• 运维与工具链团队做终端任务自动化——输入命令环境与任务指令，产出可执行的命令行操作序列，用于脚本生成与终端操作自动化。
• 安全团队做漏洞发现评测——输入目标代码与评测条件，产出漏洞线索与分析结论，用于内部安全评估，需先评估双用途风险。

限制与选型建议

推理过程无法关闭，低复杂度请求也会产生额外推理延迟与开销，简单分类、短文本改写等场景可用更轻量的模型。能力提升来自后训练而非架构迭代，与前代基座相同。漏洞发现与利用链相关能力增长明显，双用途风险需自行评估后再用于安全场景。模型权重延后发布，初期以接口调用为主。计费按 token 计量，长上下文与 max 档推理会显著放大消耗。