Bolehkah saya jalankan GLM-5.3-FlashX secara tempatan?

Tidak. Z.ai belum mengeluarkan beratnya, jadi model ini hanya melalui API dan tidak boleh dijalankan pada perkakasan anda sendiri.

Berapa kosnya dan berapa besar konteksnya?

Harga adalah $0.37 setiap sejuta token input dan $1.25 setiap sejuta token output, dengan tetingkap konteks 1,048,576 token.

Bagaimana FlashX berbeza daripada GLM-5.3-Flash?

FlashX adalah varian berkelajuan tinggi GLM-5.3-Flash, menyasarkan sehingga 200 token sesaat; kedua-duanya berkongsi seni bina dan jumlah parameter yang sama.

▲

25.2%

minggu ini

GLM 5.3 FlashX

8281°

#llm #z-ai #penglihatan #video #penalaran #ejen

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Z.ai | konteks 1,048,576 token | $0.37/M input, $1.25/M output. GLM-5.3-FlashX adalah varian laju tinggi GLM-5.3-Flash dari Z.ai, model multimodal asli yang menyampaikan kelajuan inferens sehingga 200 token/s. Dibina atas seni bina perhatian hibrid jarang dan linear yang sama (320B parameter jumlah, 18B aktif), ia sesuai untuk pengkodan cekap, pemahaman visual, dan tugasan agen jangka panjang dengan tetingkap konteks 1M-token.

Panduan untuk model ini

10 Alternatif ChatGPT Termurah pada 2026: model tempatan percuma, tahap percuma dan pelan kadar rata

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

GLM-5.3-FlashX adalah varian yang dioptimumkan untuk kelajuan oleh Z.ai daripada GLM-5.3-Flash, model multimodal asli yang dibina atas seni bina perhatian hibrid jarang dan linear dengan 320B jumlah parameter dan 18B aktif. Ia mencapai sehingga 200 token sesaat dan membawa tetingkap konteks 1M-token, menjadikannya salah satu pilihan terpantas pada titik harga ini untuk pengkodan, pemahaman visual, dan aliran kerja agen.

Dikenali untuk

Kelajuan inferens sehingga 200 token/s, pantas untuk model kelas ini.
Tetingkap konteks 1M-token — penggunaan dokumen panjang dan agen pelbagai giliran yang sebenar.
Multimodal asli: mengendalikan penglihatan dan video bersama teks.
Reka bentuk MoE yang cekap: 320B jumlah parameter, hanya 18B aktif setiap laluan ke hadapan.
Harga jauh lebih rendah daripada kebanyakan model multimodal termaju.

Berhati-hati dengan

Berat tidak awam; anda hanya boleh menjalankan ini melalui API Z.ai, tiada pelaksanaan tempatan.
Kos output $1.25/M token — gelung agen dengan output panjang cepat bertambah.

Terbaik untuk

Ejen dan penggunaan alat

Arahan untuk cuba

Refaktor fungsi yang berserabut

Berikut adalah fungsi Python yang berfungsi tetapi sukar dibaca dan perlahan pada senarai besar. Refaktor untuk kejelasan dan prestasi, terangkan setiap perubahan yang anda buat, dan tandakan mana-mana kes tepi yang asalnya diabaikan secara senyap. def find_dupes(lst): dupes = [] for i in range(len(lst)): for j in range(len(lst)): if i != j and lst[i] == lst[j] and lst[i] not in dupes: dupes.append(lst[i]) return dupes

Rancang agen jangka panjang

Anda merancang agen autonomi yang memantau repositori GitHub syarikat, mengklasifikasikan isu baru mengikut keterukan, merangka balasan kepada pelapor, dan membuka tiket Jira jika isu itu kritikal. Gariskan graf tugas penuh, kenal pasti di mana agen memerlukan kelulusan manusia, dan tandakan mod kegagalan yang paling mungkin menyebabkan ralat senyap.

Ringkaskan dokumen panjang

Saya akan tampal spesifikasi teknikal yang panjang di bawah. Baca keseluruhan dokumen, kemudian hasilkan: ringkasan eksekutif tiga ayat, senarai berpeluru lima keperluan paling penting, dan senarai sebarang kekaburan atau percanggahan yang anda temui. Jangan tambah isi yang tidak perlu. [tampal dokumen anda di sini]

Bandingkan dengan

GLM 5.3 Flash
Model berat terbuka
konteks 1,048,576 token · Input $0.02/M, output $0.72/M
GLM 5.3
Model berat terbuka
konteks 1,048,576 token · Input $0.08/M, output $4.80/M
GLM 5.2
Model berat terbuka
konteks 1,048,576 token · Input $0.04/M, output $9.00/M
GLM 4.6
Model berat terbuka
konteks 204,800 token · Input $0.50/M, output $2.00/M

Lebih banyak model teks dari z-ai

Soalan yang sering ditanya

Bolehkah saya jalankan GLM-5.3-FlashX secara tempatan?: Tidak. Z.ai belum mengeluarkan beratnya, jadi model ini hanya melalui API dan tidak boleh dijalankan pada perkakasan anda sendiri.
Berapa kosnya dan berapa besar konteksnya?: Harga adalah $0.37 setiap sejuta token input dan $1.25 setiap sejuta token output, dengan tetingkap konteks 1,048,576 token.
Bagaimana FlashX berbeza daripada GLM-5.3-Flash?: FlashX adalah varian berkelajuan tinggi GLM-5.3-Flash, menyasarkan sehingga 200 token sesaat; kedua-duanya berkongsi seni bina dan jumlah parameter yang sama.

Keputusan Kapten
Model multimodal yang benar-benar pantas dan murah dengan konteks sebenar 1M — patut dilihat untuk saluran agen di mana kelajuan dan kos lebih penting daripada ketepatan termaju.

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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.

Change colors / personalize / get code

Also ranked: #369 Hottest AI model · #65 Hottest Text / LLM model · #65 Hottest Text / LLM text model

Not this creator?

Get your own badge

Trend populariti GLM 5.3 FlashX

Skor panas sejak 18 Sep 2026

Skor haba

8,281°

Minggu ini

▲

25.2%

8,251° dulu, 8,281° sekarang

Bulan ini

n/a

Belum dikeluarkan/dipantau

Tahun lalu

n/a

Belum dikeluarkan/dipantau

7,000°

Lantai

Skala berjalan dari 0° hingga 9,999°. Apa sahaja di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian di situ supaya senarai tetap lengkap. 7,000° adalah tempat data yang diukur bermula: model dengan data sebenar tapi hampir tiada muat turun berada di lantai, dan ukuran mengisi darjah di atasnya. Lantai tidak memberitahu apa-apa tentang model; hanya darjah di atasnya yang buat beza antara satu model dengan model lain.

+1,281°

Token OpenRouter

186,521,041,354 token diproses oleh model ini melalui OpenRouter dalam 30 hari terakhir, termasuk arahan dan jawapan. Setiap 10,000,000 token dikira sebagai satu muat turun dalam tempoh muat turun, 18,652 semuanya; token hari terakhir disertakan dalam kadar penggunaan. Sumber: OpenRouter (openrouter.ai/rankings).

Tunjukkan pecahan terperinci

Setiap nombor di laman ini boleh diperiksa. Skor panas model ini adalah 8,281°, dan ia dibina satu bahan pada satu masa, dengan jumlah terkini selepas setiap langkah: lantai, darjah yang ditambah oleh setiap sumber, bonus untuk jenis model dan apa yang umur beratnya tolak. Warna-warna itu adalah jalur carta di atas. Glosari di akhir menerangkan setiap istilah.

1
Mula di lantai.
Kenapa 7,000° dan bukan sifar: skala dari 0° hingga 9,999°, dan bahagian di bawah 7,000° dikhaskan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian supaya senarai tetap lengkap dan tidak pernah mengatasi model dengan data. 7,000° adalah tempat data yang diukur bermula. Model dengan data sebenar tapi hampir tiada muat turun berada di sini; semua yang berikut adalah ukuran, dan ruang di atas lantai ada sepuluh langkah muat turun sepuluh kali ganda pada 300° setiap satu. Lantai sama untuk setiap model, jadi ia tidak tentukan apa-apa; darjah di atasnya yang buat beza.
7,000°
jumlah berjalan
2
Tambah muat turun.
18,652 muat turun setara semuanya, dari Token OpenRouter. Sepuluh kali muat turun menambah 300° yang sama, jadi saiz penting tapi tidak pernah mengatasi skor.
+1,281°
8,281°
jumlah berjalan
=
Skor heat.
Di mana model ini berdiri dalam setiap senarai laman ini. Tiada yang lain mengubahnya.
8,281°

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Bagaimana populariti model ini bergerak berbanding katalog lain: pertumbuhannya dalam muat turun, suka dan penggunaan setiap tempoh, diukur berbanding pertumbuhan model biasa dalam tempoh yang sama, dengan skor panasnya pada masa itu. Di atas pertumbuhan biasa dibaca sebagai kenaikan, di bawahnya sebagai penurunan. Masa lalu dibina semula dari jumlah hari ini, hari pertama model dan kelajuan muat turun yang diukur jika ada dua bacaan; model yang tidak wujud pada permulaan tempoh menunjukkan n/a.

Model serupa

Model AI untuk penjanaan imej, video dan teks

GLM 5.3 FlashX ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm z-ai penglihatan video penalaran ejen pengaturcaraan konteks panjang

Layari mengikut keluarga model