TL;DR
GLM-5.3-FlashX est la variante de service haute vitesse de GLM-5.3-Flash chez Z.ai. Lancée le 18 septembre 2026, elle vise des vitesses de génération de pointe allant jusqu’à 200 jetons par seconde — un pic déclaré par le fournisseur plutôt qu’un multiple garanti ou vérifié indépendamment — tout en conservant la base de capacités de GLM-5.3-Flash. GLM-5.3-FlashX est désormais disponible dans CometAPI via un endpoint de complétions de chat compatible OpenAI.
La distinction importante est que FlashX est avant tout une amélioration de service et d’inférence, et non un checkpoint d’intelligence documenté séparément. Sa base de capacités est le modèle GLM-5.3-Flash total 320B / 18B actif, avec une prise en charge multimodale native, une fenêtre de contexte de 1M de jetons, une attention hybride clairsemée + linéaire, l’usage d’outils et des workflows agentiques à long horizon.
Les multiplicateurs de vitesse et de prix rapportés sont des affirmations de lancement plutôt que des garanties pour chaque fournisseur ou requête. L’évaluation en production doit comparer le temps jusqu’au premier jeton, le débit soutenu, la latence p95, le temps d’achèvement des tâches et la tarification actuelle du fournisseur.
Dernière vérification : 20 septembre 2026
Points clés à retenir
- Vitesse : Z.ai déclare une génération de pointe jusqu’à 200 jetons/s ; aucun référentiel officiel de base ni multiplicateur universel n’est indiqué, donc les équipes doivent benchmarquer leur route et leur charge.
- Base de capacités : FlashX hérite de la conception MoE 320B total / 18B actif, de la multimodalité native, de l’attention hybride clairsemée + linéaire et du contexte 1M de GLM-5.3-Flash.
- Benchmarks : Les scores d’intelligence publiés appartiennent à GLM-5.3-Flash ; il ne s’agit pas d’exécutions de benchmarks séparées pour FlashX.
- Meilleure adéquation : Agents de codage interactifs, boucles d’usage navigateur/ordinateur, codage visuel, assistants d’entreprise et autres workflows multi-étapes où la latence se cumule.
- Disponibilité CometAPI : GLM-5.3-FlashX est disponible dans CometAPI avec l’ID de modèle
glm-5.3-flashxet l’endpoint/v1/chat/completions.
Qu’est-ce que GLM-5.3-FlashX ?
GLM-5.3-FlashX est mieux compris comme un palier de diffusion optimisé pour la latence pour GLM-5.3-Flash. La communication de lancement de Z.ai met l’accent sur une inférence plus rapide et plus fluide, tandis que le modèle Flash sous-jacent demeure la base de capacités. FlashX diffère donc d’une nouvelle génération de modèle, d’un checkpoint distillé ou d’un jeu de poids publié séparément.
Le modèle de base GLM-5.3-Flash a été conçu autour d’une inférence efficace. Z.ai indique qu’il a été entraîné à partir d’une nouvelle base multimodale, utilise un corpus multimodal de 30 000 milliards de jetons et combine un routage Mixture-of-Experts avec une attention hybride. FlashX pousse davantage la couche de service, en s’appuyant sur l’infrastructure d’inférence développée pour GLM-5.3-Flash.
Pour les développeurs, “Qu’est-ce que GLM-5.3-FlashX ?” a une réponse pratique : c’est l’option de service à haut débit de GLM-5.3-Flash proposée par Z.ai et désormais aussi via l’API unifiée de CometAPI. La proposition de valeur est une latence d’interaction plus faible plutôt qu’une nouvelle progression revendiquée de l’intelligence du modèle.
Selon les déclarations de lancement de Zhipu rapportées par IT Home, GLM-5.3-Flash est d’abord apparu auprès des développeurs à l’étranger sous le nom anonyme “Ox Alpha” et a vu une croissance continue de l’utilisation. Pour répondre à cette demande, Zhipu a accru l’investissement dans l’infrastructure et l’optimisation de l’inférence sur une base de production d’environ 100,000 puces d’accélération domestiques, puis a introduit FlashX. Le service conserve la base de capacités de GLM-5.3-Flash tout en portant la sortie de pointe déclarée par le fournisseur à 200 jetons/s. Zhipu positionne la sortie autour de l’intelligence, du prix et de la vitesse ; pour les charges d’entreprise et développeur, cela se traduit par une option à haut débit et faible latence dont la valeur commerciale doit être validée par le débit soutenu, la latence p95, la qualité des tâches et le coût sous une concurrence réaliste.
Spécifications de GLM-5.3-FlashX
Parce que FlashX est une variante de service haute vitesse, sa fiche de spécifications doit séparer les caractéristiques héritées du modèle des caractéristiques spécifiques au service FlashX.
| Spécification | GLM-5.3-FlashX |
|---|---|
| Fournisseur | Z.ai / Zhipu AI |
| Positionnement produit | Option de service haute vitesse pour GLM-5.3-Flash |
| Paramètres total / actifs | Environ 320B / 18B par jeton, hérité du modèle de base |
| Architecture | Mixture-of-Experts ; attention hybride clairsemée + linéaire ; mHC |
| Fenêtre de contexte | Jusqu’à 1,048,576 jetons |
| Entrées / sortie | La prise en charge exacte des modalités, les limites de fichiers, les contraintes vidéo et les paramètres spécifiques à la route doivent être vérifiés auprès du point de terminaison du fournisseur avant un déploiement en production. |
| Raisonnement | Pris en charge via le modèle GLM-5.3-Flash sous-jacent |
| Effort de raisonnement | faible / élevé / maximal sur les routes prises en charge |
| Pensée | Dépend de la route/de l’API |
| Appels outil/fonction | Pris en charge |
| Poids ouverts | GLM-5.3-Flash sous-jacent : sous licence MIT ; FlashX est présenté comme une option de service hébergée |
| Vitesse de pointe déclarée | Jusqu’à 200 jetons/s |
| Vitesse relative déclarée | Aucun référentiel officiel ni multiplicateur garanti ; benchmarquez la route du fournisseur retenue |
| Prix CometAPI | 60 $ / 1M jetons d’entrée et 60 $ / 1M jetons de sortie, vérifié le 20 septembre 2026 ; revérifiez les prix en ligne |
| Date de lancement | 18 septembre 2026 |
| Clé de modèle Z.ai | GLM-5.3-FlashX / glm-5.3-flashx |
| ID du modèle CometAPI | glm-5.3-flashx |
| Endpoint CometAPI | POST /v1/chat/completions |
Pourquoi GLM-5.3-FlashX est-il plus rapide que GLM-5.3-Flash ?
Deux couches d’optimisation sous-tendent la vitesse : l’architecture efficace héritée de GLM-5.3-Flash et l’infrastructure de service optimisée autour de celle-ci.
Attention hybride clairsemée + linéaire
GLM-5.3-Flash combine une attention linéaire pour les dépendances locales avec une attention clairsemée pour récupérer des informations pertinentes dans un contexte plus large. Z.ai décrit également IndexPool, qui compresse quatre vecteurs clés d’indexation mis en cache en un seul via un pool pondéré. Dans la comparaison publiée par Z.ai, ces changements réduisent le calcul d’attention d’environ 3,0× et la taille du cache KV d’environ 4,4× par rapport à GLM-5.3 en long contexte.
Section officielle d’architecture de GLM-5.3-Flash de Z.ai.
Infrastructure d’inférence
Z.ai indique que le trafic GLM-5.3-Flash en production fonctionne sur un cluster de plus de 100,000 accélérateurs d’IA fabriqués en Chine. Sa pile de service inclut le parallélisme tensoriel, ReplaySSM, la quantification W8A8, la quantification de cache mixte INT8/FP8/BF16, Layer Split, et une architecture désagrégée Encode–Prefill–Decode. L’entreprise rapporte environ une amélioration 3× de bout en bout du service par rapport à son référentiel initial sur le même matériel.
FlashX doit donc être compris comme la mise en produit d’une optimisation d’inférence continue : le modèle réduit les coûts de calcul et de cache, tandis que FlashX ajoute une couche de service à faible latence plus agressive.
À quelle vitesse est GLM-5.3-FlashX ?
Z.ai annonce une vitesse de génération de pointe jusqu’à 200 jetons/s. Considérez cela comme un maximum revendiqué par le service, pas un taux soutenu garanti : validez le temps jusqu’au premier jeton, la vitesse de sortie soutenue, la latence p95, l’achèvement des tâches et le taux d’erreur sur la route de production.
“Jusqu’à 200 jetons/s” est une valeur de pointe de service, pas une garantie pour chaque requête. Le débit réel dépend de la longueur du prompt, de l’effort de raisonnement, de la longueur de sortie, du prétraitement multimodal, de la concurrence, des appels d’outils, de la région et de la charge du fournisseur.
Des métriques utiles en production incluent le temps jusqu’au premier jeton, les jetons de sortie soutenus par seconde, la latence p95 et le temps d’achèvement des tâches de bout en bout. Le temps d’achèvement compte particulièrement pour les agents, car un workflow en 20 étapes peut payer 20 fois le délai de génération.
Comment GLM-5.3-FlashX se comporte-t-il sur les benchmarks ?
Aucune suite de benchmarks d’intelligence spécifique à FlashX n’a été publiée au lancement. FlashX est documenté comme une optimisation d’inférence et de service, donc son différenciateur validé est le débit — pas un nouveau score de qualité de tâche.
Ces résultats appartiennent au modèle GLM-5.3-Flash sous-jacent et peuvent être consultés uniquement comme contexte de capacité ; il ne s’agit pas de mesures FlashX, car le checkpoint, le harnais d’évaluation et l’exécution de qualité de tâche n’ont pas été rapportés séparément pour FlashX.
Pour les décisions de déploiement, testez FlashX et Flash sur les mêmes prompts, niveau d’effort de raisonnement et configuration d’outils, puis comparez la réussite des tâches, le temps jusqu’au premier jeton, le débit soutenu, la latence p95 et le coût total par workflow complété.
GLM-5.3-FlashX vs GLM-5.3-Flash vs GLM-5.3
| Dimension | GLM-5.3-FlashX | GLM-5.3-Flash | GLM-5.3 |
|---|---|---|---|
| Positionnement | Palier de service haute vitesse | Modèle multimodal axé sur l’efficacité | Palier de capacités phare |
| Contexte | Jusqu’à 1M | 1M | Classe 1M sur les routes prises en charge |
| Paramètres total / actifs | Base héritée 320B / 18B | 320B / 18B | Configuration phare plus grande |
| Vitesse de sortie de pointe | Jusqu’à 200 jetons/s déclaré | Baseline dépendant du fournisseur | Dépendant du fournisseur |
| Prix relatif vs Flash | Environ 2.5× déclaré | 1× | Plus élevé que Flash |
| Poids ouverts | Palier de service ; les poids de base sont ouverts | Oui, MIT | Selon la version |
| Raisonnement et outils | Hérités de Flash ; vérifier les contrôles de route | Pris en charge | Palier de raisonnement phare |
| Disponibilité CometAPI | Disponible | Disponible | Disponible |
| Meilleure adéquation | Agents interactifs à faible latence | Travail multimodal à grand volume sensible au coût | Workloads GLM au maximum des capacités |
CometAPI propose désormais l’API GLM-5.3-FlashX, aux côtés de l’API GLM-5.3-Flash et de l’API GLM-5.3. Cela permet de comparer latence, coût et qualité des tâches via une intégration unique.
Comparaison basée sur la charge
| Scénario | Flash | FlashX |
|---|---|---|
| Traitement par lots | ✓ | |
| Charges sensibles au coût | ✓ | |
| Chat interactif | ✓ | |
| Agents de codage | ✓ | |
| Agents navigateur | ✓ | |
| Humain dans la boucle | ✓ | |
| Tâches automatisées longues | ✓ | Ça dépend |
| API sensible à la latence | ✓ | |
| Volume de sortie élevé | ✓ | |
| Réactivité maximale | ✓ |
Combien coûte GLM-5.3-FlashX ?
CometAPI liste GLM-5.3-FlashX à 60 $ par 1M de jetons d’entrée et 60 $ par 1M de jetons de sortie. Son tableau de comparaison montre un prix de référence officiel de 75 $ par 1M de jetons d’entrée et 75 $ par 1M de jetons de sortie. Les prix peuvent changer, vérifiez donc la page du modèle en direct avant de budgéter.
| Usage | Prix CometAPI | Prix de référence officiel |
|---|---|---|
| Entrée | 60 $ / 1M jetons | 75 $ / 1M jetons |
| Sortie | 60 $ / 1M jetons | 75 $ / 1M jetons |
Exemple de calcul de coût
Pour une charge utilisant 100M de jetons d’entrée et 20M de jetons de sortie, l’estimation actuelle CometAPI est : 100 × 60 $ + 20 × 60 $ = 7 200 $. Au tarif de référence officiel, la même charge est 100 × 75 $ + 20 × 75 $ = 9 000 $.
À ces tarifs affichés, FlashX doit être réservé aux workflows où la latence affecte matériellement le revenu, l’expérience utilisateur ou le temps d’achèvement séquentiel d’agents. Le traitement par lots et les tâches à grand volume sensibles au coût doivent être benchmarqués par rapport à la route Flash moins chère.
Les jetons de raisonnement peuvent également contribuer à la facturation de la sortie, selon la politique du fournisseur ; estimez le coût à partir des journaux d’utilisation réels plutôt qu’à partir de la seule longueur de réponse visible.
Quels sont les meilleurs cas d’usage pour GLM-5.3-FlashX ?
Agents de codage en temps réel
Les agents de codage génèrent du texte de manière répétée, appellent des outils, inspectent des résultats, modifient des fichiers, exécutent des tests et bouclent. Une génération plus rapide réduit le temps d’inactivité entre les actions.
Agents d’usage du navigateur et de l’ordinateur
L’entrée multimodale permet au modèle d’utiliser des captures d’écran et l’état d’interface dans la boucle de raisonnement. La faible latence importe car l’automatisation du navigateur alterne rapidement entre observer, décider, agir et observer à nouveau.
Codage visuel et itération d’UI
Un modèle peut inspecter des interfaces rendues, les comparer aux exigences, éditer du code et inspecter à nouveau le résultat. Une inférence plus rapide raccourcit la boucle de feedback visuel.
Assistants d’entreprise interactifs
Les assistants orientés clients, copilotes internes, agents de recherche et agents documentaires ont souvent un humain qui attend à chaque tour. Une prime de latence est plus facile à justifier ici que dans un traitement nocturne par lots.
Travail interactif à long contexte
La fenêtre de contexte de 1M de jetons est utile pour de grands dépôts, de longs rapports et des historiques d’agents étendus lorsque ces contextes nécessitent encore une interaction réactive.
GLM-5.3-FlashX est-il disponible dans CometAPI ?
Oui. GLM-5.3-FlashX est en ligne dans CometAPI. La page du modèle l’indique comme disponible via l’endpoint de production /v1/chat/completions, et l’ID de modèle documenté est glm-5.3-flashx. Les développeurs peuvent utiliser le même schéma d’intégration compatible OpenAI que pour les autres modèles texte de CometAPI.
Les détails d’accès, les prix, les limites et les modalités prises en charge peuvent changer. La page du modèle CometAPI en direct est la source faisant autorité pour la route actuelle.
Quand FlashX peut ne pas valoir le coup
- Hors ligne ou charges par lots : lorsque personne n’attend la réponse, le service Flash moins coûteux peut offrir une meilleure économie.
- Génération à grand volume sensible au coût : le prix par jeton affiché de FlashX peut dominer le coût total du workflow même si les tâches finissent plus vite.
- Tâches limitées par la qualité du modèle plutôt que la latence : FlashX n’a pas de suite officielle de benchmarks d’intelligence séparée, il ne doit donc pas être acheté comme une amélioration de capacité prouvée.
- Workflows limités ailleurs : la récupération, les outils, les navigateurs, les bases de données et l’approbation humaine peuvent dominer la latence de bout en bout, réduisant la valeur d’une génération de jetons plus rapide.
- Exigences d’auto-hébergement ou de poids ouverts : FlashX est présenté comme un palier de service hébergé ; utilisez les poids sous-jacents de GLM-5.3-Flash lorsque le contrôle de déploiement est important.
- Garanties strictes de débit :
Quelles sont les limitations de GLM-5.3-FlashX ?
- Le chiffre de 200 jetons/s est une vitesse maximale annoncée, pas un taux soutenu garanti.
- Le prix rapporté est plus élevé que Flash et varie selon les fournisseurs.
- Il n’existe pas encore de suite de benchmarks d’intelligence séparée pour FlashX.
- La sortie standard est du texte plutôt qu’une génération native d’images ou de vidéos.
- Une limite de 1M de jetons n’élimine pas le besoin de récupération, de sélection de contexte et de gestion de la latence.
- Les limites de taux spécifiques au fournisseur, les limites de sortie, les modalités et le débit réel peuvent différer du service de Z.ai.
Devriez-vous utiliser GLM-5.3-FlashX ?
GLM-5.3-FlashX est le plus convaincant lorsque GLM-5.3-Flash est suffisamment capable mais trop lent pour un workflow interactif. Le lancement change davantage l’économie de la latence que l’histoire de la capacité cœur.
Choisissez GLM-5.3-Flash lorsque le coût par jeton domine et qu’une génération plus lente est acceptable. Choisissez FlashX lorsque le temps d’attente humain ou la latence de boucle d’agent est plus coûteux que la prime de service. Envisagez GLM-5.3 lorsque le palier de capacités phare est plus important que le coût ou la latence.
Pour les équipes utilisant déjà une passerelle unifiée, l’étape pratique suivante est d’exécuter le même workload représentatif via GLM-5.3-FlashX et GLM-5.3-Flash dans CometAPI, puis de comparer la latence p95, la réussite des tâches et le coût total par workflow complété.
FAQ GLM-5.3-FlashX
Qu’est-ce que GLM-5.3-FlashX ?
GLM-5.3-FlashX est l’option de service haute vitesse de Z.ai pour la base de capacités GLM-5.3-Flash. Elle vise une latence plus faible et un débit de sortie plus élevé plutôt qu’un saut annoncé séparément de l’intelligence du modèle.
GLM-5.3-FlashX est-il un nouveau checkpoint ?
Les documents publics de lancement de Z.ai mettent l’accent sur l’optimisation de l’inférence et de l’infrastructure. Aucun nouveau nombre de paramètres, aucune publication de poids ni aucune suite de benchmarks d’intelligence séparée n’ont été publiés pour FlashX.
GLM-5.3-FlashX prend-il en charge l’entrée multimodale ?
La base de capacités GLM-5.3-Flash sous-jacente est multimodale. Les modalités spécifiques au fournisseur et à la route doivent être confirmées avant le déploiement.
Les poids de GLM-5.3-FlashX sont-ils open source ?
Les poids sous-jacents de GLM-5.3-Flash sont disponibles sous la licence MIT. FlashX est présenté comme une option de service hébergée à haute vitesse plutôt qu’un checkpoint de poids publié séparément.
Existe-t-il des scores de benchmark séparés pour GLM-5.3-FlashX ?
Aucune suite de benchmarks d’intelligence séparée n’a été publiée au lancement. Les benchmarks actuels de qualité de tâche appartiennent à GLM-5.3-Flash.