GLM-5.3-FlashX 跑出200 tokens/s，智谱亮出底牌，会不会开源？

一款不靠英伟达、跑在十万张国产芯片上的模型，正在重新定义推理效率的竞争规则。

2026年9月，智谱AI正式上线GLM-5.3-FlashX。它的基础模型GLM-5.3-Flash此前以匿名身份“Ox Alpha”在海外开发者社区横扫OpenRouter热榜，6天Token调用量超过62万亿。FlashX的到来，则将这把火从“能力”烧向了“速度”。

一、320B参数，18B激活：混合注意力架构的工程突破

GLM-5.3-FlashX的技术底子值得细看。总参数量320B，每个Token仅激活约18B参数，采用MoE架构。但真正让它区别于同代模型的是注意力机制的创新：它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。

具体而言，线性注意力通过递归机制捕获局部依赖关系，稀疏注意力则借助轻量级索引器召回全局上下文。这套组合带来的效果是直接的：相比GLM-5.3，注意力计算量和KV缓存大小分别降低3.01倍和4.44倍。模型还引入了流形约束超连接来提升大规模训练效率，并基于约30T Token的多模态语料完成预训练。

架构优化的工程价值，最终体现在推理速度上：FlashX最高输出速度达到200 tokens/s，是GLM-5.3-Flash的5倍。在1M上下文窗口下仍能维持这一速度，意味着长文档分析、视频理解等场景的响应体验将发生质变。

二、十万张国产芯片：速度提升的基础设施底座

FlashX的速度不是靠模型“瘦身”换来的，而是建立在智谱“All-in-Infra”战略的算力底座之上。

自2026年初实施该战略以来，智谱将国产芯片纳入前沿模型的主力推理算力，目前已形成10万级国产芯片规模化推理能力，单位Token推理成本较年初下降80%。在GLM-5.3-Flash以“Ox Alpha”匿名上线期间，全部线上流量均由这批国产芯片集群承载。

更具标志性的是，智谱创始人唐杰披露的RSI实践显示：由GLM-5.3驱动的Infra Agent在超10万张纯国产芯片集群上，从零完成了生产级推理系统的搭建与优化，不到两周将端到端吞吐提升至初始基线的3倍，硬件利用效率与单Token成本达到主流NVIDIA GPU相当水平。

这意味着国产算力不仅在“能跑”层面完成验证，在“跑得高效”层面同样站住了脚。

三、MaaS爆发与IPO压力：FlashX的战略方位

理解FlashX的定位，需要放在智谱当前的战略坐标系中。

2026年上半年，智谱收入9.54亿元，同比增长399.7%；其中MaaS开放平台及API服务收入约8.25亿元，同比增长2736%，占总收入86.5%。MaaS平台Token调用量较年初增长超40倍，用户超740万。智谱已将年末年度经常性收入指引上调至30亿美元。

MaaS的高速放量，本质上是模型能力与推理效率“双曲线”共同作用的结果。GLM-5.3负责冲击能力上界，FlashX则负责把前沿智能的单位成本压到可规模化使用的阈值以下。

与此同时，智谱正处于IPO关键期。公司于2026年1月在港交所上市，成为“全球大模型第一股”，此后持续推进科创板上市计划，拟募资150亿元。上市筹备期间，公司经历了多轮组织调整，商业化部门产研中心曾被大幅精简，官方回应称调整涉及十余人，主要围绕MaaS战略转型展开。

FlashX的推出，正是这一转型的产物：从“卖模型”转向“卖推理效率”，用基础设施能力构建护城河。

四、ZCode风波之后：开源的信任价值正在重塑

谈及智谱当前的开源策略，无法回避ZCode事件。

9月中旬，智谱旗下AI编程工具ZCode被曝默认将用户工作区完整代码打包上传至云端，引发开发者社区强烈反弹。智谱随后完成整改、邀请中国信通院和绿盟科技进行第三方审计，并正式开源ZCode代码库，交由社区监督。

这场风波揭示了一个深层命题：在大模型时代，开源已经不仅是技术策略，更是信任基础设施。智谱在事件后迅速选择开源而非封锁，这一决策的方向值得肯定。但社区信任的修复需要持续性行动，而非一次性危机公关。

对于GLM-5.3-FlashX，开源期待因此更加迫切。目前，FlashX本身并未开放权重，仅以API形式提供服务。其基础模型GLM-5.3-Flash已以MIT许可证在Hugging Face开源，允许商用和自托管。这意味着技术底座是开放的，但速度优化的推理实现被保留在API层。

从商业逻辑看，这完全合理，FlashX的核心价值在于十万卡集群上的推理工程优化，而非模型权重本身。但从生态逻辑看，如果智谱希望构建真正意义上的“国产算力+开源模型”生态闭环，将推理优化方案的部分技术细节开源，将是对社区信任的有力回应。

五、值得被看见的优点

抛开争议，GLM-5.3-FlashX代表的工程方向值得行业重视。

其一，长上下文能力与效率的平衡。1M上下文窗口不再是参数堆砌的产物，而是通过混合注意力架构实现了计算效率的实质性优化。这为长视频理解、大型代码库分析、多轮Agent任务等场景提供了可落地的技术方案。

其二，原生多模态的视觉Coding能力。FlashX将视觉能力融入Coding循环，模型能主动观察界面渲染结果与交互反馈并持续改进，在代码、浏览器与图形界面之间协同完成任务。这一能力对于前端开发、自动化测试、低代码平台等场景具有直接的工程价值。

其三，RSI的早期实践。智谱披露的Infra Agent案例表明，模型已经开始参与自身推理系统的优化闭环，自主分析性能瓶颈、定位精度缺陷、修改底层代码并持续迭代。这是国内大模型厂商首次公开跑进生产环境的RSI案例，其长期意义可能远超单次模型发布。

GLM-5.3-FlashX不是一款“更强”的模型，它是一款“更快”的模型。但在大模型从实验室走向生产系统的过程中，“更快”往往比“更强”更难做到，也更有商业价值。

试问什么时候开源？