智谱“牛来”模型算力谜底：全部国产卡承载，价格仅为Opus 4.8的1/40

文｜晓静

编辑｜徐青阳

匿名六天之后，“牛来”终于揭开了最后一层面纱。

8月26日晚，智谱正式发布并开源GLM-5.3-Flash。这款此前以Ox-Alpha身份在OpenRouter、OpenCode匿名测试的模型，总参数量320B、激活18B，是GLM-5系列首个原生多模态模型。

与GLM-5.3相比，这个模型的价格低到有些出乎意料，它的价格仅为GLM-5.3的1/10，限时折扣期进一步降至1/20；与Anthropic旗舰模型Claude Opus 4.8相比，约为1/40。

Artificial Analysis目前给Claude Opus 4.8的Intelligence Index评分为57分，它的官方API标准价格为每百万Token输入5美元、输出25美元。 智谱披露，GLM-5.3-Flash在同一指数中同样获得57分；在智谱自研的Z.ai Code Bench中，两者的Coding实际使用体验也处于相近水平。

虽然这并不意味着GLM-5.3-Flash已经在所有任务上“等于”Opus 4.8，单项Benchmark、长任务稳定性和真实Agent任务仍可能存在差异，但至少从第三方综合测试来看，一款开源模型已经进入此前主要由高价闭源旗舰占据的能力区间。

更重要的是，这次低价并不是建立在海外GPU推理集群之上。

01“牛来”背后，全部跑在国产芯片上

GLM-5.3-Flash的发布，也回应了此前围绕Ox-Alpha最大的一个疑问：如此大规模的海外免费测试，背后的算力从哪里来？

智谱确认，正式发布前，GLM-5.3-Flash以Ox-Alpha为名，在OpenCode和OpenRouter进行匿名测试。模型很快成为当周最受欢迎的模型，并创下两个平台调用量新高。

这些请求流量全部由国产芯片提供算力。

据悉，智谱共调用了超过10万张国产芯片集群用于该模型服务，但未公布具体的芯片型号。这也是智谱首次尝试使用一个大规模国产芯片集群，直接承载来自全球开发者的真实线上负载。

匿名测试期间，用户并不知道模型背后是谁，也不知道使用什么芯片，只会根据速度、稳定性和效果决定是否继续调用。国产算力因此接受了一次持续的真实流量测试，并不是实验室环境下的峰值性能展示。

根据官方信息，为了让前沿模型真正跑在国产芯片上，智谱对推理系统做了大量针对性改造。

单张国产芯片当前面对的主要瓶颈包括内存容量和带宽，而GLM-5.3-Flash又原生支持最长1M上下文，对显存和通信提出了更高要求。

智谱基于SGLang构建了专用推理引擎，并加入节点内张量并行、ReplaySSM、W8A8量化、INT8/FP8/BF16混合缓存量化以及Layer Split等技术，通过“以算力换带宽、以通信换显存”的方式降低硬件限制。

在集群层面，采用Encode-Prefill-Decode，也就是EPD分离架构。多模态编码、Prompt预填充和逐Token解码被拆分为三个可以独立调度和扩缩容的工作池，让不同阶段按照各自的算力特征运行。

按照智谱公布的数据，与同一批硬件上的初始基线相比，这套方案将端到端服务性能提高了3倍。智谱称，最终硬件效率和单Token成本已经达到与主流英伟达GPU相当的水平。

这里需要区分两个概念。

所谓“1/40”，并不是说国产芯片的硬件推理成本只有海外GPU的1/40。目前公开数据并不足以支持这样的比较。

更准确的理解是：一款全部由国产芯片集群承载的前沿模型服务，把面向用户的价格压到了Claude Opus 4.8的大约1/40。

02320B，为什么比上一代旗舰还强

价格下降的另一半原因来自模型结构。

GLM-5.3-Flash总参数量320B，每个Token激活18B参数。作为参照，GLM-4.5总参数量355B、激活32B，共92层；GLM-5.3-Flash则为320B总参数、18B激活参数和45层。相比GLM早期旗舰架构，每Token实际参与计算的参数量和网络深度都明显下降。

但按照智谱公布的Benchmark和实际使用结果，GLM-5.3-Flash整体能力反而超过了参数规模更大的GLM-5.2。

这意味着“Flash”这次不再只是把旗舰模型简单缩小，它从架构层面重新设计了推理成本。

GLM-5.3-Flash是首个采用稀疏注意力与线性注意力混合架构的开源前沿模型。

其中，线性注意力通过递归机制处理局部依赖；稀疏注意力则使用轻量级索引器，在长上下文中召回真正需要计算的全局信息。

针对1M上下文下索引器自身的内存和延迟问题，智谱又引入IndexPool，通过加权池化，把索引器原本的4个缓存向量压缩成1个。

按照智谱的测算，与GLM-5.3相比，GLM-5.3-Flash的注意力计算量降低3.01倍，KV缓存大小降低4.44倍。

在智谱列出的GLM-5.3、DeepSeek-V4-Flash和Kimi-K3等基线模型中，GLM-5.3-Flash的注意力计算量最低。不过，其平均每层KV缓存大小仍略高于Kimi-K3和DeepSeek-V4-Flash。

这组数据一定程度上解释了为什么价格可以“打下来”。

尤其对于Coding和Agent任务，一个任务可能连续运行数十分钟甚至数小时，模型不断读入代码、历史对话和工具返回结果，上下文持续增长。注意力计算量和KV缓存直接决定了长任务需要消耗多少显存、算力和推理成本。

GLM-5.3-Flash还引入流形约束超连接mHC，并使用30T Token多模态预训练语料，在降低参数量和计算量的同时，继续提升模型扩展能力。最终形成的不是一款单纯“更小”的模型，更准确的说，是一套围绕低成本推理重新设计的模型架构。

03Flash开始进入前沿模型区间

另一个变化，是“Flash模型”的定位正在改变。

过去，Flash、Mini、Air通常意味着更快、更便宜，同时接受明显的能力折损。

GLM-5.3-Flash320B总参数、18B激活参数，在Artificial Analysis综合智能指数上拿到57分，与Claude Opus 4.8持平，同时价格只有后者的约1/40。

它还是GLM-5系列第一款原生多模态模型。

这次加入视觉，并不是只是简单增加一个“看图”能力，目的为了直接服务于Coding和Agent。对于网页、游戏、3D建模等任务，模型最终生成的并不仅是代码，还有真正呈现在屏幕上的页面、交互和虚拟场景。

只有模型能重新“看见”自己生成的结果，才能知道按钮是不是错位、页面是否真的渲染成功、3D场景是否符合预期，再继续修改。

智谱因此专门训练了模型的自我视觉判断和测试时改进能力，让模型在生成之后继续观察结果，并根据环境反馈迭代。

例如，官方展示的一个案例中，GLM-5.3-Flash在没有外部素材的情况下，自主运行16小时，在Blender中搭建了一套约400平方米的专业主厨住宅与测试厨房。

类似机制也被延伸到PPTX、PDF、DOCX、XLSX，以及金融和法律等专业任务：模型不仅生成内容，还能通过视觉结果继续检查和修改自己的输出。

对于Agent来说，这种变化比“多模态”本身更重要。过去的Coding模型主要判断代码是否正确；但它更需要去判断一项工作最终有没有真正完成。

如果单独看GLM-5.3-Flash，这是一款参数更少、推理成本更低，同时进入前沿能力区间的新模型。

但Ox-Alpha匿名六天以来，测试了国产芯片能不能稳定、经济地承载一个前沿模型，并直接服务全球真实开发者。

与此同时，GLM-5.3-Flash采用MIT协议开源，并同步开放API。

前沿模型能力、开放权重、国产芯片大规模在线承载，以及极低API价格，同时出现。