Z.ai ha presentato ufficialmente GLM-5.3-Flash, il modello open weight che nei giorni precedenti era stato distribuito in forma anonima con il nome Ox Alpha su OpenRouter e OpenCode. Il test era stato organizzato per raccogliere feedback prima del lancio e, in appena cinque giorni dalla comparsa su OpenRouter, Ox Alpha aveva superato di oltre due volte il numero di chiamate registrato da DeepSeek, arrivando al primo posto settimanale per consumo di token. Il modello è stato ora pubblicato con i relativi pesi e viene posizionato soprattutto per attività di coding e utilizzo con agenti AI, con prestazioni vicine ai modelli di fascia più alta di Anthropic ma con costi di inferenza significativamente inferiori.
GLM-5.3-Flash deriva dal modello GLM-5.3 ma è stato ottimizzato per ridurre sensibilmente sia il carico computazionale dell’inferenza sia la dimensione della KV cache. È inoltre il primo modello della serie GLM-5 con capacità multimodali native, quindi in grado di elaborare direttamente testo, immagini e video. L’architettura utilizza un sistema Mixture of Experts con 300 miliardi di parametri complessivi, ma soltanto 18 miliardi vengono attivati per ciascun token. La finestra di contesto raggiunge 1.048.576 token, permettendo di gestire documenti, codebase e sequenze informative di dimensioni molto elevate.
Nei sei principali benchmark utilizzati per valutare coding e capacità agentiche, GLM-5.3-Flash supera nettamente GLM-5.2. Nel benchmark proprietario Z.ai Code Bench, con il massimo livello di inferenza, il modello raggiunge 29,0 punti contro i 29,5 di Claude Opus 4.8. Nel test DeepSWE v1.1 arriva a 63,4 punti rispetto ai 46,2 ottenuti da GLM-5.2, mentre in AutomationBench raggiunge 48,8 punti contro 26,2 della generazione precedente. La strategia seguita da Z.ai punta quindi a mantenere una fascia prestazionale elevata riducendo contemporaneamente le risorse necessarie per l’esecuzione.
Il prezzo API è stato fissato a 0,15 dollari per un milione di token in input, 0,03 dollari per un milione di token di input provenienti dalla cache e 0,50 dollari per un milione di token in output. Z.ai dichiara che, a parità di utilizzo reale e con prestazioni superiori nei benchmark rispetto a GLM-5.2, il costo complessivo è stato ridotto a circa un decimo. Durante la fase iniziale di lancio vengono inoltre applicate tariffe promozionali ulteriormente ridotte.
Una parte importante dell’efficienza deriva dalla nuova architettura di attenzione. GLM-5.3-Flash introduce per la prima volta nella famiglia una struttura ibrida che combina linear attention e sparse attention, affiancata da IndexPool, utilizzato per contenere costi di ricerca e consumo di memoria sui contesti lunghi, e da mHC, Manifold-Constrained Hyper-Connections, progettato per migliorare l’efficienza durante la scalabilità del modello. Rispetto a GLM-5.3, Z.ai dichiara una riduzione di circa tre volte delle operazioni di attenzione e di circa 4,4 volte della dimensione della KV cache.
L’azienda ha inoltre sottolineato che anche l’infrastruttura utilizzata per l’erogazione del servizio è stata costruita principalmente attorno ad acceleratori AI prodotti in Cina. Durante la settimana in cui Ox Alpha era operativo in forma anonima, tutto il traffico sarebbe stato elaborato da cluster basati su chip AI cinesi. Z.ai ha sviluppato anche un proprio motore di inferenza basato su SGLang, separando le fasi di encoding, prefill e decoding. Secondo i dati comunicati, questa organizzazione consente di ottenere sulla stessa infrastruttura hardware prestazioni end-to-end circa tre volte superiori rispetto alla precedente configurazione.
I pesi di GLM-5.3-Flash sono stati pubblicati con licenza MIT e possono essere scaricati anche da Hugging Face. La gestione locale del modello rimane però impegnativa dal punto di vista hardware, perché i soli pesi FP8 occupano circa 306 GiB. Sono attualmente supportate implementazioni locali attraverso SGLang, vLLM, TokenSpeed e KTransformers, ma per l’esecuzione completa sono comunque necessarie configurazioni server con notevoli quantità di memoria e capacità di calcolo.
Z.ai indica tra i principali campi di utilizzo lo sviluppo software, gli agenti per il controllo di browser e computer, l’analisi di documenti e contratti, la lettura di fogli di calcolo e presentazioni e la verifica di dashboard. La combinazione tra contesto superiore al milione di token e capacità visive native permette inoltre di lavorare direttamente su immagini, documenti complessi e contenuti multimodali, riducendo la necessità di convertire preventivamente il materiale in testo prima dell’elaborazione.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)