2026 年 9 月 18 日，智谱正式发布 GLM-5.3-FlashX，API 与体验中心同步开放。官方给出的一句话概括是：推理速度最高 200 tokens/s，比 GLM-5.3-Flash 提速约 5 倍，价格也相应上调到 2.5 倍。
先把最重要的一句放前面：这不是一次能力升级，而是一次“同一个脑子，跑得更快”的提速。下面把它到底快在哪、贵在哪、什么场景值得换，一条条说清楚。
一、核心变化速览
| 发布时间 | 2026 年 9 月 18 日 |
| 产品定位 | 面向企业与开发者的高速推理版本 |
| 最高速度 | 200 tokens/s |
| 相对 GLM-5.3-Flash | 速度约 5 倍，价格约 2.5 倍 |
| 上下文长度 | 1M |
| 输入模态 | 图片、视频、文件、文本 |
| 能力是否提升 | 官方未公布能力、参数或上下文的变化 |
| 获取方式 | API（Model Key：GLM-5.3-FlashX），体验中心已开放 |
二、这次涨价的账：2.5 倍，但便宜旗舰 4 倍
价格是这次最值得算清楚的部分。三档模型的官方单价如下（单位：元 / 百万 Tokens）：
| 模型 | 上下文 | 输入 | 输出 | 缓存命中 | 输入模态 |
|---|---|---|---|---|---|
| GLM-5.3 | 1M | 8 | 28 | 2 | 文本 |
| GLM-5.3-Flash | 1M | 0.8 | 2.8 | 0.23 | 图片、视频、文件、文本 |
| GLM-5.3-FlashX | 1M | 2 | 7 | 0.57 | 图片、视频、文件、文本 |
缓存存储三档都标着“限时免费”。
把数字对一下就能看出官方那句“2.5 倍”是怎么来的：输入单价 0.8 → 2，输出 2.8 → 7，缓存命中 0.23 → 0.57，三项都正好是 2.5 倍。
但换个角度看更有意思——它比旗舰 GLM-5.3 便宜整整 4 倍：输入 8 ÷ 2 = 4，输出 28 ÷ 7 = 4。
所以 FlashX 的定位其实很清楚：它刚好卡在中间那一档。以前你想要低延迟，基本只能去买最贵的旗舰；现在中间多了一个“速度接近旗舰、价格只有旗舰四分之一”的选项。这个空隙，才是这次发布真正的意义。
三、200 tokens/s 是什么概念
单说数字没感觉，换算一下：一段 1000 字左右的中文回答，大约 1500～2000 tokens，按 200 tokens/s 算，理论出字时间在 8～10 秒左右。
反过来说，官方讲“提升 5 倍”，也就意味着原来的 GLM-5.3-Flash 峰值大约在 40 tokens/s——同样一段回答，要 40 秒以上。（这个反推是笔者的推算，官方只公布了 FlashX 的 200 tokens/s。）
这个差距在聊天里接近“另一个产品”的体感：一字一字往外蹦，和成句成段地涌出来，是两种完全不同的使用感受。官方点名的场景也正是这些——代码生成、Agent、智能客服，共同点都是“用户就坐在屏幕前等”。
四、官方这次没说的事
有几点需要划重点，免得被“5 倍”这个数字带偏：
- 能力、参数、上下文都没提。官方目前公布的与 GLM-5.3-Flash 的差异，只有速度。也就是说，FlashX 不是“更强的模型”，是“跑得更快的同一个模型”。
- 它的底座是开源的。GLM-5.3-Flash 早在 2026 年 8 月 26 日就已开源：总参数 320B、激活 18B、1M 上下文。发布前它还以“Ox Alpha”这个名字匿名对外测试过，在开发者圈子里攒了不少口碑，调用量一直往上走。
- FlashX 本身是否开源，这次没说。把它理解成“给这个开源底座配的一条高速服务通道”，比理解成“新模型”更准确。
顺带放一下这一代底座的能力基线，方便判断要不要押注在这个系列上。据官方技术报告及第三方汇总：Terminal-Bench 3.0 从 4.6 提升到 28.3，DeepSWE v1.1 从 46.2 提升到 66.9，Agents' Last Exam 从 23.8 提升到 28.5；在 Artificial Analysis 智能指数上，GLM-5.3 与 Kimi K3 并列开源第一。注意——这些数字属于 GLM-5.3 这一代底座，不是 FlashX 单独跑出来的，FlashX 目前没有独立的评测公开。
五、它凭什么能快：一次“AI 优化 AI 基础设施”的实操
这一节是全文最有料的部分，也是这次发布里真正值得看的东西。官方披露的信息量不小，摘几个关键点。
底子首先是算力：10 万张国产芯片提供的推理算力。但光堆卡堆不出 5 倍，真正的差别在 Infra（推理基础设施）侧——官方说这次进一步加大了对 Infra 的投入和推理优化。
而更有意思的是这件事：跑 Flash 的这套推理系统，是由 GLM-5.3 驱动的 Agent 参与构建的。从模型适配一路做到生产上线，前后不到两周，端到端吞吐做到了初始基线的约 3 倍。官方把它总结成一个闭环：人负责定目标、划边界、搭反馈环境、审关键改动；测试、日志、Trace、微基准这些反馈通道全部交给 Agent，让它自己查问题、改代码、跑实验，局部验证通过再放回完整服务里验收。
官方举了三个具体案例，每一个都很“工程”：
案例一：输入是 FP32，计算却偷偷用了 TF32
KDA 的 CP 路径出现精度偏差，长上下文下尤其明显。Agent 顺着状态合并与更新的过程往下查，最后问题落在两处 tl.dot 上：输入明明是 FP32，计算却默认走了 TF32，误差被逐步累积放大。修法很朴素——两处都显式指定 input_precision="tf32x3"。这个修复已经合入了上游的 Flash Linear Attention 项目。
案例二：一个 GIL，卡住了整条传输链路
同样的 workload，加上 KV Transfer 之后，Prefill 的性能要求是“与单独 Prefill 差距不超过 5%”，实测却跑出了 20% 以上。翻 Trace 发现，KV Transfer 的 Python 侧执行始终没能和 DeepEP 的 dispatch / combine 调用重叠。再往深挖——DeepEP v1.2.1 里有两处 C++ 调用没有释放 GIL，负责 Mooncake Transfer 的 Python 线程拿不到锁，传输任务迟迟交不出去。改完之后，同样测试条件下性能差距降到 1% 以内。
案例三：同一组计算，被做了四遍
KDA Decode 沿 V 维度分块，结果同一组 FP32 归一化和门控计算，被四个分块各自重复算了一遍。Agent 把这些分块合并到同一个线程块里，提前批量计算、共享中间结果——并行度少了一点，重复计算也去掉了。这一步把算子性能提到了优化前的 1.71 倍。
单个看，这三件事都枯燥得不行，没一个是“大新闻”。但 200 tokens/s 这个数字，就是由这种一条条抠出来的收益堆起来的。它还透露出一个信号：在国产芯片上跑推理，这套软件栈的优化空间还没挖完——这对关心“性价比”的人来说，比任何跑分都重要。
六、谁该换，谁先别动
建议上手：
- 在线客服、对话类产品——用户对“首字延迟”和“吐字速度”最敏感，这是 FlashX 的主场；
- Agent、代码补全这类多轮、高频、单次请求不大的场景——单次省下的几百毫秒，累积到几十轮就是可感知的体验差；
- 长文档批量处理——吞吐上去，时间和钱一起省。
建议先别动：
- 偶尔调一次、对延迟不敏感的批处理任务：继续用 GLM-5.3-Flash，便宜 2.5 倍，没有理由多花钱；
- 需要最强推理质量的重活（深度分析、复杂长文）：直接上旗舰 GLM-5.3；
- 缓存命中率高的应用要特别算一笔账——缓存命中价从 0.23 涨到 0.57，同样是 2.5 倍。如果你的成本大头本来就在缓存命中上，这次涨价的影响会比直觉更大。
七、怎么接入
Model Key 就是 GLM-5.3-FlashX，API 和体验中心已经同步开放。如果你的代码本来就是照着智谱开放平台的文档写的，通常只需要把请求里的 model 字段换成 GLM-5.3-FlashX，其余参数不变即可先跑通，再按需调。
官方调用文档：智谱开放平台 · 对话补全 API。具体的请求体与鉴权方式，以官方文档为准。
八、结论
GLM-5.3-FlashX 不是“更聪明”，是“更快”。它解决的不是能力问题，是等待问题。
判断要不要换，其实只需要问自己一句：我现在的用户，有没有在等？
如果有——比如客服对话、代码助手、实时 Agent——那 2.5 倍的价格很可能值，因为延迟本身就是产品体验的一部分。
如果没有——批处理、离线生成、低频调用——那你只是在为一笔你用不上的速度付费。留在 GLM-5.3-Flash 就好。
顺便说，这次发布里我个人最看重的一点，反倒不是 200 tokens/s 这个数字，而是官方把“Agent 参与优化推理基础设施、两周上线、吞吐翻 3 倍”这套流程公开了出来。模型之间的差距，接下来很可能不再取决于参数表，而取决于谁的工程闭环转得更快。这条线，比单个模型的定价更值得长期盯着。
本文信息整理自智谱官方发布内容及公开报道，价格为官方公布的当前定价（缓存存储为限时免费），实际以官方最新公布为准。
评论(0)