DeepInfra 上线 Z.ai 的 GLM-5.3：1M token 上下文，reasoning_effort 默认 max

DeepInfra 在 10 月 3 日的中宣布，Z.ai 的 GLM-5.3 已在其托管推理平台上线，模型标识为 zai-org/GLM-5.3。公告给出的配置是 1,048,576 个 token（词元）的上下文窗口，加上 low、high、max 三档 reasoning_effort（推理力度），默认档为 max。

公告还转述了 Z.ai 自报的基准成绩：内部 Code Bench 提升约五成、CyberGym 在所列出的模型中得分最高、ExploitGym 完成的任务数达到 GLM-5.2 的三倍以上，其中 Code Bench 被公告说明为私有基准、无法独立复现。按公告的说法，GLM-5.3 这个模型本身在 2026 年 8 月 14 日发布，这一次的变化发生在托管侧。

与 GLM-5.2 共用基座，提升全部来自后训练

公告称，GLM-5.3 与 GLM-5.2 共用同一个基座模型，所有性能提升都来自后训练；Z.ai 做的是把 GLM-5.2 上已有的强化学习栈继续放大。

承担这件事的三个组件都不是 GLM-5.3 新引入的。IndexShare 负责长上下文处理，让稀疏注意力层共用一个 indexer（索引器），以此压低长上下文的算力成本；SAO 是面向长程任务的强化学习方法，这一版叠上了 compaction，使增益在长跑和短跑上都能保持；slime 是 Z.ai 开源的异步大规模强化学习框架。Z.ai 增加的是规模：更多环境、更多样的任务、更长的回合、更多算力，全部作用在同一个基座上。

公告还写道，Z.ai 报告在长程编码任务上端到端 RL 训练吞吐提升超过 2.3 倍，并同时说明该数字是内部数据，外部无法核实。

思考不能再关，只剩三个档位

GLM-5.3 始终在推理，Z.ai 不再支持关闭思考。使用者能调的是计算预算：reasoning_effort 接受 low、high、max 三个值，max 既是默认档，也是 Z.ai 对编码场景推荐的档位。公告建议，原先在 GLM-5.2 上依赖「零思考」路径的团队迁移前先改用 low。

补充了参数细节：省略 reasoning_effort，或传入 low、high、max 之外的任何值，都会回到 max，只有显式写出 low 或 high 才会切档；要复现基准和榜单成绩，就保持默认的 max。模型页还提到，GLM-5.3 的 chat template 里 clear_thinking 未传时默认为 false，聊天场景应显式传入 true。

私有 Code Bench 上的五成，公开榜上互有高低

编码成绩在公告里被分成两套数字。第一套来自 Z.ai 内部 Code Bench：max 档下，GLM-5.3 完成 34.5% 的任务，GLM-5.2 为 23.4%，也就是公告所称约 50% 的提升，且 Z.ai 称它用更少的输出 token 达到这一水平。按 high 档比较，GLM-5.3 以约 50K 输出 token 得到 31.4%，Claude Opus 4.8 以约 120K 输出 token 得到 29.5%；Z.ai 给 Claude Fable 5 的 max 档成绩是 39.5%，仍在 GLM-5.3 之上。Code Bench 是私有基准，公告写明这些数字无法被独立复现。

第二套是公开基准。在 Z.ai 公布的数据里，相对 GLM-5.2 的最大跨度出现在 Terminal Bench 3.0：基座不变，分数从 4.6 升到 28.3。同一张表里，GPT-5.6 Sol 在 Terminal Bench 2.1、Terminal Bench 3.0 和 DeepSWE 上领先；Kimi K3 在 Terminal Bench 2.1 上以 0.1 分、在 DeepSWE 上以 0.6 分略高于 GLM-5.3，但在 Terminal Bench 3.0 上落后 10.9 分；Claude Fable 5 领跑 FrontierSWE 和 PostTrainBench，GLM-5.3 在这两项上都排第二。Z.ai 一共发布 16 行基准数据，其中两行出自具名的外部评测方：Artificial Analysis 跑了 GDPval-AA v2，Proximal 跑了 FrontierSWE，其余 14 行大多由 Z.ai 自己完成。

CyberGym 在对比表中得分最高，离闭源前沿仍有距离

Z.ai 把这轮安全能力称为「涌现」：按公告的转述，多阶段利用链推理在后训练期间的发展快于公司预期。漏洞发现数据和环境是 Z.ai 有意加入的，真正出乎意料的是模型开始规划跨阶段的完整利用链，而不只是识别单个缺陷。

在模型页收录的 Z.ai 模型卡数据里，GLM-5.3 在 CyberGym 上得 84.5，GLM-5.2 为 77.2；ExploitGym 上，它在两小时预算内完成 105 个任务、六小时预算内完成 130 个，GLM-5.2 对应的是 29 和 39；ExploitBench 从 24.4 升到 54.4，刚好翻倍还多。

差距也写在同一段里：同样两个预算下，GPT-5.6 Sol 完成 216 和 293 个任务，Claude Fable 5 完成 181 和 247 个。公告转述 Z.ai 的说法：能力增长最快的地方，恰恰是它落后最多的地方。

基准之外，公告称 Z.ai 自 GLM-5.2 起与中国安全团队合作，让模型在真实代码库上找漏洞。经过专家审查、筛查和去重，这些工作在 269 个项目里发现 2,436 个问题，其中 1,097 个被评为中高危，范围覆盖系统内核、操作系统、浏览器引擎和网络协议，公告点名了 Linux、WebKit 和 FreeBSD，最老的一个缺陷约有 40 年历史。

促销价、fp4 与 OpenAI 兼容接口

在 DeepInfra 上，GLM-5.3 当前执行促销价：每 100 万 token 的输入 0.563 美元、输出 2.50 美元、缓存输入 0.125 美元，相当于在列表价基础上打了 38% 折扣；列表价为 0.90、4.00 和 0.20 美元，公告提醒促销窗口之外的用量应按列表价做预算。Flex 档在此基础上再降 20%，把当前价格压到 0.45、2.00 和 0.10 美元，并与促销叠加；GLM-5.3 支持 Flex，不提供 Priority 档。

模型页显示，GLM-5.3 以 fp4（4 位浮点）量化运行，量化没有压缩上下文，1M token 仍全部可用，函数调用和 JSON 输出默认开启，仅接受文本输入。接入走 OpenAI 兼容接口，按用量计费、没有最低消费；平台采用零保留策略，持有 SOC 2 和 ISO 27001 认证。需要独占算力的团队可以把 GLM-5.3 部署为私有端点，负载更轻的场景则可以换用价格更低的 GLM-5.3-Flash。

评测方法，与仍未公开的 2,383 个发现

模型页的脚注记录了这些基准的评测方法。ExploitGym 的两个时间预算，是把 API 推理时间按各模型的每秒 token 数重新缩放后得到的：GLM-5.3 按 115 TPS、Kimi K3 按 40 TPS、Qwen3.8 Max 按 47 TPS，再加上非 API 开销；评测对所有模型施加域名白名单，只放开 pypi.org、deb.debian.org 这类基础安装域名，结果是在 869 个任务上的单次 Pass@1（单次运行的任务通过率）。Terminal Bench 3.0 则跑在 Claude Code 2.1.207 harness（评测框架）上，每个任务 3 次 rollout（完整运行）取平均，单次最多 600 个 agent 回合、10 小时超时，产物交由任务官方的独立验证器评分。

漏洞侧同样是进行中的账本。公告称发布时 2,436 个发现中只有 53 个公开并分配了 CVE，其余 2,383 个仍在禁发期；公告指向的公开披露账本当前页面写明，由模型挖掘到的漏洞将统一迁移至 CNVD、CNNVD 与 NVDB 平台公示，该站点不再展示具体漏洞细节。