TL;DR
GLM-5.3-FlashX là biến thể phục vụ tốc độ cao của GLM-5.3-Flash do Z.ai cung cấp. Ra mắt ngày 18 tháng 9, 2026, sản phẩm nhắm tới tốc độ sinh đỉnh lên đến 200 token/giây—mức đỉnh do nhà cung cấp báo cáo chứ không phải hệ số được bảo đảm hay đã được xác minh độc lập—đồng thời giữ nguyên nền tảng năng lực của GLM-5.3-Flash. GLM-5.3-FlashX hiện đã có trên CometAPI thông qua endpoint chat-completions tương thích OpenAI.
Điểm khác biệt quan trọng là FlashX chủ yếu là nâng cấp ở tầng phục vụ và suy luận, không phải một checkpoint trí tuệ được tách biệt và có tài liệu riêng. Nền tảng năng lực của nó là mô hình GLM-5.3-Flash tổng 320B / hoạt động 18B, với đầu vào đa phương thức gốc, cửa sổ ngữ cảnh 1M token, cơ chế chú ý lai thưa + tuyến tính, khả năng dùng công cụ và các quy trình tác tử tầm nhìn dài.
Các hệ số tốc độ và giá được báo cáo là tuyên bố lúc ra mắt, không phải đảm bảo áp dụng cho mọi nhà cung cấp hay mọi yêu cầu. Đánh giá sản xuất nên so sánh thời gian đến token đầu tiên, thông lượng duy trì, độ trễ p95, thời gian hoàn tất tác vụ và giá hiện hành của nhà cung cấp.
Xác minh lần cuối: 20 tháng 9, 2026
Key Takeaways
- Tốc độ: Z.ai báo cáo tốc độ sinh đỉnh lên tới 200 token/giây; không có phép đo đường cơ sở chính thức hay hệ số phổ quát, vì vậy các đội nên benchmark theo tuyến và khối lượng công việc của mình.
- Nền tảng năng lực: FlashX thừa hưởng thiết kế MoE tổng 320B / hoạt động 18B, đa phương thức gốc, chú ý lai thưa + tuyến tính và ngữ cảnh 1M của GLM-5.3-Flash.
- Benchmark: Điểm số trí tuệ đã công bố thuộc về GLM-5.3-Flash; không phải là các lần chạy benchmark riêng của FlashX.
- Phù hợp nhất: Tác tử lập trình tương tác, vòng lặp dùng trình duyệt/máy tính, lập trình trực quan, trợ lý doanh nghiệp và các quy trình nhiều bước nơi độ trễ tích lũy.
- Có trên CometAPI: GLM-5.3-FlashX đã hoạt động trên CometAPI với model ID
glm-5.3-flashxvà endpoint/v1/chat/completions.
What Is GLM-5.3-FlashX?
GLM-5.3-FlashX nên được hiểu là tầng phân phối tối ưu hóa độ trễ cho GLM-5.3-Flash. Thông điệp ra mắt của Z.ai tập trung vào suy luận nhanh hơn và mượt hơn, trong khi mô hình Flash nền tảng vẫn là cơ sở năng lực. Do đó FlashX khác với một thế hệ mô hình mới, một checkpoint chưng cất, hay một bộ trọng số phát hành riêng.
Mô hình GLM-5.3-Flash nền tảng được thiết kế xoay quanh suy luận hiệu quả. Z.ai cho biết mô hình được huấn luyện từ một nền đa phương thức mới, dùng tập dữ liệu đa phương thức 30 nghìn tỷ token, và kết hợp định tuyến Mixture-of-Experts với chú ý lai. FlashX đẩy xa hơn phía phục vụ, dựa trên hạ tầng suy luận đã phát triển cho GLM-5.3-Flash.
Với nhà phát triển, câu hỏi “GLM-5.3-FlashX là gì?” có câu trả lời thực dụng: đó là tùy chọn phục vụ GLM-5.3-Flash thông lượng cao do Z.ai cung cấp và nay cũng có thông qua API hợp nhất của CometAPI. Giá trị cốt lõi là độ trễ tương tác thấp hơn, không phải một bước nhảy tuyên bố mới về trí tuệ mô hình.
Theo tuyên bố ra mắt của Zhipu do IT Home đưa tin, GLM-5.3-Flash lần đầu xuất hiện với nhà phát triển quốc tế dưới tên ẩn “Ox Alpha” và tiếp tục tăng trưởng sử dụng. Để phục vụ nhu cầu đó, Zhipu tăng đầu tư hạ tầng và tối ưu suy luận trên nền sản xuất khoảng 100,000 chip tăng tốc nội địa, rồi giới thiệu FlashX. Dịch vụ giữ nguyên nền tảng năng lực GLM-5.3-Flash đồng thời nâng mức đỉnh đầu ra do nhà cung cấp báo cáo lên 200 token/giây. Zhipu định vị phát hành xung quanh trí tuệ, giá và tốc độ; với khối lượng công việc doanh nghiệp và nhà phát triển, điều này chuyển thành một lựa chọn thông lượng cao, độ trễ thấp mà giá trị thương mại nên được xác nhận bằng thông lượng duy trì, độ trễ p95, chất lượng tác vụ và chi phí dưới mức đồng thời thực tế.
GLM-5.3-FlashX Specifications
Vì FlashX là biến thể phục vụ tốc độ cao, bảng thông số nên tách đặc tính mô hình thừa hưởng khỏi đặc tính phục vụ riêng của FlashX.
| Specification | GLM-5.3-FlashX |
|---|---|
| Provider | Z.ai / Zhipu AI |
| Product positioning | Tùy chọn phục vụ tốc độ cao cho GLM-5.3-Flash |
| Total / active parameters | Xấp xỉ 320B / 18B mỗi token, thừa hưởng từ mô hình nền |
| Architecture | Mixture-of-Experts; chú ý lai thưa + tuyến tính; mHC |
| Context window | Tối đa 1,048,576 token |
| Inputs / output | Cần xác minh hỗ trợ đa phương thức, giới hạn tệp, ràng buộc video và tham số theo tuyến với endpoint của nhà cung cấp trước khi triển khai sản xuất. |
| Reasoning | Được hỗ trợ qua mô hình GLM-5.3-Flash nền |
| Reasoning effort | thấp / cao / tối đa trên các tuyến được hỗ trợ |
| Thinking | Phụ thuộc tuyến/API |
| Tool / function calling | Hỗ trợ |
| Open weights | GLM-5.3-Flash nền tảng: giấy phép MIT; FlashX được cung cấp như một tùy chọn phục vụ dạng dịch vụ lưu trữ |
| Reported peak speed | Lên đến 200 token/giây |
| Reported relative speed | Không có đường cơ sở chính thức hay hệ số bảo đảm; hãy benchmark tuyến nhà cung cấp đã chọn |
| CometAPI price | $60 / 1M input token và $60 / 1M output token, xác minh ngày 20 tháng 9, 2026; kiểm tra lại giá trực tiếp |
| Launch date | 18 tháng 9, 2026 |
| Z.ai model key | GLM-5.3-FlashX / glm-5.3-flashx |
| CometAPI model ID | glm-5.3-flashx |
| CometAPI endpoint | POST /v1/chat/completions |
Why Is GLM-5.3-FlashX Faster Than GLM-5.3-Flash?
Hai lớp tối ưu hóa nằm sau câu chuyện tốc độ: kiến trúc hiệu quả thừa hưởng từ GLM-5.3-Flash và hạ tầng phục vụ được tối ưu xung quanh nó.
Hybrid Sparse + Linear Attention
GLM-5.3-Flash kết hợp chú ý tuyến tính cho phụ thuộc cục bộ với chú ý thưa để truy xuất thông tin liên quan từ ngữ cảnh rộng hơn. Z.ai cũng mô tả IndexPool, cơ chế nén bốn vector khóa bộ lập chỉ mục đã lưu đệm thành một thông qua gộp có trọng số. Trong so sánh đã công bố của Z.ai, các thay đổi này giảm tính toán chú ý khoảng 3.0× và giảm kích thước bộ đệm KV khoảng 4.4× so với GLM-5.3 ở ngữ cảnh dài.
Mục kiến trúc GLM-5.3-Flash chính thức của Z.ai.
Inference infrastructure
Z.ai cho biết lưu lượng GLM-5.3-Flash trong sản xuất chạy trên cụm hơn 100,000 bộ tăng tốc AI do Trung Quốc sản xuất. Ngăn xếp phục vụ của họ bao gồm phân song song tensor, ReplaySSM, lượng tử hóa W8A8, lượng tử hóa bộ đệm hỗn hợp INT8/FP8/BF16, Layer Split, và kiến trúc tách rời Encode–Prefill–Decode. Công ty báo cáo cải thiện phục vụ end-to-end khoảng 3× so với đường cơ sở ban đầu trên cùng phần cứng.
Vì vậy FlashX nên được hiểu là sản phẩm hóa quá trình tối ưu suy luận liên tục: mô hình giảm chi phí tính toán và bộ đệm, trong khi FlashX bổ sung một lớp phục vụ độ trễ thấp mạnh hơn.
How Fast Is GLM-5.3-FlashX?
Z.ai báo cáo tốc độ sinh đỉnh lên đến 200 token/giây. Hãy xem đây là mức tối đa dịch vụ, không phải tốc độ duy trì được đảm bảo: cần xác thực thời gian đến token đầu tiên, tốc độ đầu ra duy trì, độ trễ p95, hoàn tất tác vụ và tỷ lệ lỗi trên tuyến sản xuất.
“Lên đến 200 token/giây” là con số đỉnh phục vụ, không phải đảm bảo cho mọi yêu cầu. Thông lượng thực phụ thuộc độ dài prompt, mức nỗ lực suy luận, độ dài đầu ra, tiền xử lý đa phương thức, mức đồng thời, lần gọi công cụ, khu vực và tải nhà cung cấp.
Các chỉ số hữu ích trong sản xuất gồm thời gian đến token đầu tiên, số token đầu ra/giây duy trì, độ trễ p95, và thời gian hoàn tất tác vụ end-to-end. Thời gian hoàn tất tác vụ đặc biệt quan trọng với tác tử vì một quy trình 20 bước có thể phải trả chi phí trễ sinh 20 lần.
How Does GLM-5.3-FlashX Perform on Benchmarks?
Không có bộ benchmark trí tuệ riêng cho FlashX được công bố khi ra mắt. FlashX được mô tả là tối ưu hóa suy luận và phục vụ, vì vậy khác biệt đã kiểm chứng là thông lượng—không phải điểm chất lượng tác vụ mới.
Những kết quả thuộc về mô hình GLM-5.3-Flash nền và chỉ nên tham khảo như bối cảnh năng lực; chúng không phải phép đo của FlashX vì checkpoint, bộ đánh giá và lần chạy chất lượng tác vụ không được báo cáo riêng cho FlashX.
Đối với quyết định triển khai, hãy thử FlashX và Flash trên cùng prompt, mức nỗ lực suy luận và cấu hình công cụ, rồi so sánh thành công tác vụ, thời gian đến token đầu tiên, thông lượng duy trì, độ trễ p95 và tổng chi phí mỗi quy trình hoàn tất.
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 |
|---|---|---|---|
| Positioning | Tầng phục vụ tốc độ cao | Mô hình đa phương thức ưu tiên hiệu quả | Tầng năng lực đầu bảng |
| Context | Tối đa 1M | 1M | Cỡ 1M trên các tuyến hỗ trợ |
| Total / active parameters | Thừa hưởng nền 320B / 18B | 320B / 18B | Cấu hình flagship lớn hơn |
| Peak output speed | Lên đến 200 token/giây (được báo cáo) | Đường cơ sở phụ thuộc nhà cung cấp | Phụ thuộc nhà cung cấp |
| Relative price vs Flash | Khoảng 2.5× được báo cáo | 1× | Cao hơn Flash |
| Open weights | Tầng dịch vụ; trọng số nền mở | Có, MIT | Tùy bản phát hành |
| Reasoning and tools | Thừa hưởng từ Flash; xác minh điều khiển tuyến | Hỗ trợ | Tầng suy luận flagship |
| CometAPI availability | Có sẵn | Có sẵn | Có sẵn |
| Best fit | Tác tử tương tác độ trễ thấp | Khối lượng đa phương thức chi phí tối ưu | Tác vụ GLM tối đa năng lực |
CometAPI hiện cung cấp API GLM-5.3-FlashX, cùng với API GLM-5.3-Flash và API GLM-5.3. Điều này cho phép so sánh độ trễ, chi phí và chất lượng tác vụ qua một tích hợp.
Workload-based comparison
| Scenario | Flash | FlashX |
|---|---|---|
| Xử lý theo lô | ✓ | |
| Khối lượng nhạy chi phí | ✓ | |
| Trò chuyện tương tác | ✓ | |
| Tác tử lập trình | ✓ | |
| Tác tử trình duyệt | ✓ | |
| Có con người trong vòng lặp | ✓ | |
| Tác vụ tự động chạy dài | ✓ | Tùy |
| API nhạy cảm độ trễ | ✓ | |
| Khối lượng đầu ra cao | ✓ | |
| Tính phản hồi tối đa | ✓ |
How Much Does GLM-5.3-FlashX Cost?
CometAPI niêm yết GLM-5.3-FlashX ở mức $60 mỗi 1M input token và $60 mỗi 1M output token. Bảng so sánh của họ hiển thị giá tham chiếu chính thức là $75 mỗi 1M input token và $75 mỗi 1M output token. Giá có thể thay đổi, hãy xác nhận trang mô hình trực tiếp trước khi lập ngân sách.
| Usage | CometAPI price | Official reference price |
|---|---|---|
| Input | $60 / 1M tokens | $75 / 1M tokens |
| Output | $60 / 1M tokens | $75 / 1M tokens |
Worked Cost Example
Với khối lượng công việc dùng 100M input token và 20M output token, ước tính hiện tại trên CometAPI là: 100 × $60 + 20 × $60 = $7,200. Theo mức tham chiếu chính thức, cùng khối lượng là 100 × $75 + 20 × $75 = $9,000.
Với các mức hiển thị này, FlashX nên dành cho quy trình mà độ trễ tác động đáng kể đến doanh thu, trải nghiệm người dùng hoặc thời gian hoàn tất chu trình tác tử tuần tự. Xử lý theo lô và công việc khối lượng lớn nhạy chi phí nên được benchmark so với tuyến Flash rẻ hơn.
Token suy luận cũng có thể tính vào mức sử dụng đầu ra bị tính phí, tùy chính sách nhà cung cấp; hãy ước tính chi phí từ nhật ký sử dụng thực tế thay vì chỉ dựa vào độ dài câu trả lời hiển thị.
What Are the Best Use Cases for GLM-5.3-FlashX?
Tác tử lập trình thời gian thực
Tác tử lập trình liên tục sinh văn bản, gọi công cụ, xem kết quả, sửa tệp, chạy kiểm thử và lặp. Sinh nhanh hơn làm giảm thời gian chờ giữa các hành động.
Tác tử dùng trình duyệt và máy tính
Đầu vào đa phương thức cho phép mô hình dùng ảnh chụp màn hình và trạng thái giao diện trong vòng lặp suy luận. Độ trễ thấp quan trọng vì tự động hóa trình duyệt luân phiên nhanh giữa quan sát, quyết định, hành động và quan sát.
Lập trình trực quan và lặp giao diện
Mô hình có thể quan sát giao diện đã render, so sánh với yêu cầu, chỉnh sửa mã và quan sát lại kết quả. Suy luận nhanh rút ngắn vòng phản hồi trực quan.
Trợ lý doanh nghiệp tương tác
Trợ lý hướng khách hàng, cộng tác viên nội bộ, tác tử nghiên cứu và tác tử tài liệu thường có người dùng chờ mỗi lượt. Phần bù độ trễ dễ biện minh hơn ở đây so với xử lý theo lô qua đêm.
Công việc tương tác ngữ cảnh dài
Cửa sổ ngữ cảnh 1M token hữu ích cho kho mã lớn, báo cáo dài và lịch sử tác tử kéo dài khi những ngữ cảnh đó vẫn cần phản hồi nhanh.
Is GLM-5.3-FlashX Available in CometAPI?
Có. GLM-5.3-FlashX đã hoạt động trên CometAPI. Trang mô hình liệt kê rằng nó có sẵn qua endpoint sản xuất /v1/chat/completions, và model ID được ghi là glm-5.3-flashx. Nhà phát triển có thể dùng mẫu tích hợp tương thích OpenAI giống các mô hình văn bản khác trên CometAPI.
Chi tiết truy cập, giá, giới hạn và đa phương thức được hỗ trợ có thể thay đổi. Trang mô hình CometAPI trực tiếp là nguồn thẩm quyền cho tuyến hiện hành.
When FlashX May Not Be Worth It
- Tác vụ ngoại tuyến hoặc theo lô: khi không có ai chờ phản hồi, tuyến Flash rẻ hơn có thể mang lại kinh tế tốt hơn.
- Sinh khối lượng lớn nhạy chi phí: giá token của FlashX có thể chi phối tổng chi phí quy trình ngay cả khi công việc hoàn tất sớm hơn.
- Tác vụ bị giới hạn bởi chất lượng mô hình hơn là độ trễ: FlashX không có bộ benchmark trí tuệ riêng, vì vậy không nên mua như một nâng cấp năng lực đã chứng minh.
- Quy trình bị nghẽn ở nơi khác: truy hồi, công cụ, trình duyệt, cơ sở dữ liệu và phê duyệt của con người có thể chi phối độ trễ end-to-end, làm giảm giá trị của tốc độ sinh cao hơn.
- Tự lưu trữ hoặc yêu cầu trọng số mở: FlashX được cung cấp như tầng phục vụ được lưu trữ; hãy dùng trọng số GLM-5.3-Flash nền khi cần kiểm soát triển khai.
- Strict throughput guarantees:
What Are the GLM-5.3-FlashX Limitations?
- Con số 200 token/giây là tốc độ tối đa quảng bá, không phải tốc độ duy trì được bảo đảm.
- Giá được báo cáo cao hơn Flash và khác nhau giữa các nhà cung cấp.
- Chưa có bộ benchmark trí tuệ riêng cho FlashX.
- Đầu ra tiêu chuẩn là văn bản thay vì sinh ảnh hoặc video gốc.
- Giới hạn 1M token không loại bỏ nhu cầu truy hồi, chọn ngữ cảnh và quản lý độ trễ.
- Giới hạn tốc độ, giới hạn đầu ra, đa phương thức và thông lượng thực theo nhà cung cấp có thể khác dịch vụ của Z.ai.
Should You Use GLM-5.3-FlashX?
GLM-5.3-FlashX thuyết phục nhất khi GLM-5.3-Flash đủ năng lực nhưng quá chậm cho quy trình tương tác. Đợt ra mắt thay đổi bài toán kinh tế về độ trễ nhiều hơn là câu chuyện năng lực cốt lõi.
Chọn GLM-5.3-Flash khi chi phí token chi phối và có thể chấp nhận sinh chậm hơn. Chọn FlashX khi thời gian chờ của con người hoặc độ trễ vòng lặp tác tử đắt hơn phần bù phục vụ. Cân nhắc GLM-5.3 khi tầng năng lực flagship quan trọng hơn chi phí hoặc độ trễ.
Với các đội đã dùng cổng hợp nhất, bước thực tế tiếp theo là chạy cùng khối lượng công việc đại diện qua GLM-5.3-FlashX và GLM-5.3-Flash trên CometAPI, rồi so sánh độ trễ p95, thành công tác vụ và tổng chi phí mỗi quy trình hoàn tất.
GLM-5.3-FlashX FAQ
What is GLM-5.3-FlashX?
GLM-5.3-FlashX là tùy chọn phục vụ tốc độ cao cho nền tảng năng lực GLM-5.3-Flash của Z.ai. Sản phẩm nhắm tới độ trễ thấp hơn và thông lượng đầu ra cao hơn thay vì một bước nhảy trí tuệ mô hình được công bố riêng.
Is GLM-5.3-FlashX a new checkpoint?
Tài liệu ra mắt công khai của Z.ai nhấn mạnh tối ưu hóa suy luận và hạ tầng. Không có số tham số riêng, phát hành trọng số hay bộ benchmark trí tuệ riêng cho FlashX được công bố.
Does GLM-5.3-FlashX support multimodal input?
Nền tảng năng lực GLM-5.3-Flash là đa phương thức. Cần xác nhận đa phương thức và tuyến cụ thể của nhà cung cấp trước khi triển khai.
Are the GLM-5.3-FlashX weights open source?
Trọng số GLM-5.3-Flash nền có sẵn theo giấy phép MIT. FlashX được cung cấp như tùy chọn phục vụ tốc độ cao dạng dịch vụ lưu trữ thay vì một checkpoint trọng số phát hành riêng.
Are there separate GLM-5.3-FlashX benchmark scores?
Không có bộ benchmark trí tuệ riêng được công bố khi ra mắt. Các benchmark chất lượng tác vụ hiện tại thuộc về GLM-5.3-Flash.