GLM 5.3 API
GLM-5.3 is Z.ai's krachtigste open-weights model voor code, met een context van 1 miljoen tokens en instelbare denkmodi voor langdurige agenttaken.
GLM-5.3 is het meest capabele open-weights model van Z.ai voor codering, gebaseerd op dezelfde 743 miljard parameter grote Mixture-of-Experts-architectuur als GLM-5.2. Alle verbeteringen komen volledig uit post-training, niet uit architectuurwijzigingen. Het model ondersteunt een context van 1 miljoen tokens, streaming antwoorden, functieaanroepen, context-caching en gestructureerde uitvoer zoals JSON. Het is een zusmodel van GLM-5.2, geen opvolger met een nieuwe architectuur.
Het model is bijzonder geschikt voor langdurige coding-agents, complexe software-engineeringtaken, meerstaps CLI-werk zoals refactors en CI-triage, en repo-brede werkzaamheden. Ook voor het diagnosticeren en optimaliseren van ML-infrastructuur en bredere agenttaken buiten coding biedt het voordelen. De winst ten opzichte van GLM-5.2 zit vooral in meerstaps werk, niet in eenmalige completions, en het model kan vergelijkbaar werk leveren met ongeveer 50.000 tokens in plaats van 120.000.
Er zijn ook beperkingen. Denken kan niet meer worden uitgeschakeld, wat een breaking change is voor toepassingen die met uitgeschakeld denken draaiden. De door de leverancier gerapporteerde cijfers zijn nog niet onafhankelijk gerepliceerd. Het voordeel concentreert zich in het begin van de exploitatieketen; diepere exploitatie en volledige offensieve en defensieve workflows behoeven verbetering. De mogelijkheden liggen nog aanzienlijk lager dan die van de huidige gesloten frontiermodellen. Open weights werden ongeveer twee weken na de release vertraagd voor een veiligheidsbeoordeling.
Bijgewerkt:
MODEL-ID
glm-5.3- Context
- 1.049M
- Max. uitvoer
- 943.718K
- Aanbevolen API
- messages
- Invoer
- text
- Uitvoer
- text

Hoogtepunten
- Meest capabele open-weights model voor code volgens Z.ai
- Context tot 1 miljoen tokens
- Denkmodi laag, hoog en maximaal
- Functieaanroepen en JSON-uitvoer
- Verbeteringen volledig uit post-training
- Sterk in meerstaps agenttaken
Aanbieders
Beste prijsVergelijk API-prijzen tussen aanbieders. Kies een aanbieder om alle kosten en voorwaarden te bekijken.
| Beschikbaarheid | ||||
|---|---|---|---|---|
| $1.4 | $4.4 | $0.26 | ||
| $0.7 | $2.2 | $0.13 | ||
| $0.91 | $2.86 | $0.169 | ||
| $1.053 | $2.15 | $0.356 | ||
| $1.19 | $3.74 | $0.238 | ||
| $1.4 | $4.4 | $0.14 | ||
| $1.4 | $4.4 | $0.26 | ||
| $1.4 | $4.4 | $0.26 | ||
| $1.68 | $5.28 | $0.312 |
Historische gegevens zijn geen live statuscontrole. Ontbrekende gegevens betekenen geen storing.
Wat je voor $10 krijgt
- Invoer
- 7,1 mln. tokens
- Uitvoer
- 2,3 mln. tokens
Geschat op basis van de huidige invoer- en uitvoerprijzen, vóór kortingen.
Benchmarks
- 50%
Code Bench
verbetering ten opzichte van GLM-5.2 op een interne benchmark van de leverancier
- 28.3
Terminal Bench 3.0
punten; GLM-5.2 scoorde 4,6, een toename van 23,7 punten
- 66.9
DeepSWE v1.1
punten; gestegen van 46,2 op GLM-5.2, een verbetering van 20,7 punten
- 28.5
Agents' Last Exam CLI
punten; gestegen van 23,8 op GLM-5.2
- 54.4%
ExploitBench
gestegen van 24,4% op GLM-5.2
- 84.5%
CyberGym
benchmark voor het ontdekken van kwetsbaarheden
- 1769
GDPval-AA v2
punten over 44 beroepscategorieën
Scores zoals gepubliceerd door de modelaanbieder.
Redeneervermogen
- Standaardinspanning
- max
- Standaard ingeschakeld
- Ja
- Altijd ingeschakeld
- Ja
- Beschikbare inspanningsniveaus
- max / high / low
Snelstart
Kant-en-klare code om dit model aan te roepen met de compatibele API's van Felo API Platform. Begin in de Playground als je prompts wilt testen voordat je code schrijft.
API-sleutel instellen
Maak een sleutel in je Felo API Platform-account en stel deze in als omgevingsvariabele.
export FELO_API_KEY="YOUR_API_KEY"Je eerste aanvraag doen
Gebruik deze model-ID met het Felo API Platform-endpoint. Optionele requestheaders zoals X-Request-Id helpen bij het oplossen van problemen.
glm-5.3Dit model kan redeneren. Als het gekozen protocol en de modelroute reasoning-besturing bieden, bewaar dan de geretourneerde reasoning-metadata wanneer je het gesprek voortzet.
const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
method: 'POST',
headers: {
Authorization: `Bearer ${process.env.FELO_API_KEY}`,
'Content-Type': 'application/json',
},
body: JSON.stringify({
"model": "glm-5.3",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());SDK's van derden gebruiken
Stel in compatibele SDK's baseURL in op https://openapi.felo.ai/api/v1. Gebruik voor clients in Claude-stijl de Anthropic-compatibele basis-URL. https://openapi.felo.ai/api.
Streaming inschakelen
Voeg stream: true toe om responses als server-sent events te ontvangen.
curl -N https://openapi.felo.ai/api/v1/messages \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.3",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
],
"stream": true
}'Endpoint
Felo API Platform biedt compatibele oppervlakken voor modelaanroepen. Kies het oppervlak dat je app of agent-client al ondersteunt.
Messages
Anthropic-compatibele berichten voor clients in Claude-stijl.
POST
https://openapi.felo.ai/api/v1/messagesParameters
modelstringglm-5.3Openbare model-ID om aan te roepen.max_tokensinteger—Maximaal aantal gegenereerde tokens.messagesarray—Gespreksberichten voor Chat Completions.seed———stop———min_p———toolsarray—Definities voor tool calling volgens het compatibele schema.top_k———top_p———logprobs———reasoning———logit_bias———temperaturenumber—Bepaalt de variatie in antwoorden wanneer ondersteund.tool_choicestring or object—Bepaalt of een tool moet worden aangeroepen.top_logprobs———response_formatobject—Vraagt gestructureerde uitvoer aan wanneer ondersteund.presence_penalty———reasoning_effort———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———parallel_tool_calls———Veelgestelde vragen
Wat is GLM 5.3?
GLM-5.3 is het meest capabele open-weights model van Z.ai voor codering, gebaseerd op dezelfde 743 miljard parameter grote Mixture-of-Experts-architectuur als GLM-5.2. Alle verbeteringen komen volledig uit post-training, niet uit architectuurwijzigingen. Het model ondersteunt een context van 1 miljoen tokens, streaming antwoorden, functieaanroepen, context-caching en gestructureerde uitvoer zoals JSON. Het is een zusmodel van GLM-5.2, geen opvolger met een nieuwe architectuur. Het model is bijzonder geschikt voor langdurige coding-agents, complexe software-engineeringtaken, meerstaps CLI-werk zoals refactors en CI-triage, en repo-brede werkzaamheden. Ook voor het diagnosticeren en optimaliseren van ML-infrastructuur en bredere agenttaken buiten coding biedt het voordelen. De winst ten opzichte van GLM-5.2 zit vooral in meerstaps werk, niet in eenmalige completions, en het model kan vergelijkbaar werk leveren met ongeveer 50.000 tokens in plaats van 120.000. Er zijn ook beperkingen. Denken kan niet meer worden uitgeschakeld, wat een breaking change is voor toepassingen die met uitgeschakeld denken draaiden. De door de leverancier gerapporteerde cijfers zijn nog niet onafhankelijk gerepliceerd. Het voordeel concentreert zich in het begin van de exploitatieketen; diepere exploitatie en volledige offensieve en defensieve workflows behoeven verbetering. De mogelijkheden liggen nog aanzienlijk lager dan die van de huidige gesloten frontiermodellen. Open weights werden ongeveer twee weken na de release vertraagd voor een veiligheidsbeoordeling.
Hoe wordt het gebruik gefactureerd?
Je factuur hangt af van de aanbieder die je gebruikt, de prijzen en je verbruik. Langere invoer of andere voorwaarden kunnen andere prijzen hebben.
Welke invoer en uitvoer ondersteunt GLM-5.3?
Het model accepteert tekstinvoer en levert tekstuitvoer. Het ondersteunt gestructureerde uitvoer in formaten zoals JSON.
Hoe lang is de context van GLM-5.3?
De context bedraagt tot 1 miljoen tokens. Er is geen afzonderlijke limiet voor de uitvoerlengte vermeld.
Waarvoor is GLM-5.3 het beste geschikt?
Het is het meest geschikt voor langdurige coding-agents, complexe software-engineeringtaken, meerstaps CLI-werk en repo-brede werkzaamheden. Ook bredere agenttaken en ML-infrastructuurdiagnose behoren tot de toepassingen.
Wat is het verschil tussen GLM-5.3 en GLM-5.2?
GLM-5.3 gebruikt exact hetzelfde basismodel als GLM-5.2, maar alle verbeteringen komen uit post-training. De winst zit vooral in meerstaps werk, en het model kan vergelijkbaar werk leveren met ongeveer 50.000 tokens in plaats van 120.000.
Kan ik het denken bij GLM-5.3 uitschakelen?
Nee. GLM-5.3 biedt drie denkniveaus: laag, hoog en maximaal, maar denken kan niet meer worden uitgeschakeld. Dit is een breaking change voor toepassingen die met uitgeschakeld denken draaiden.
Hoe verhoudt GLM-5.3 zich tot gesloten frontiermodellen?
De mogelijkheden van GLM-5.3 liggen nog aanzienlijk lager dan die van de huidige gesloten frontiermodellen. Op DeepSWE v1.1 wordt het extern vergeleken met GPT-5.6 Luna Max, dat 67,2 scoort tegenover 66,9 voor GLM-5.3, een verschil van slechts 0,3 punt.
Gerelateerde modellen
GLM 5.3 FlashX Legal
Z.aiglm-5.3-flashx-legalZ.ai's GLM 5.3 FlashX Legal is een multimodaal model voor juridisch werk, met een context van ongeveer een miljoen tokens en 128K output.
Context
1.049M
Max. uitvoer
131.072K
Invoertokens
$0.37 / 1M tokens
Uitvoertokens
$1.25 / 1M tokens
GLM 5.3 Flash
Z.aiglm-5.3-flashZ.ai: GLM 5.3 Flash is een native multimodaal Mixture-of-Experts model met een contextvenster van 1 miljoen tokens, reasoning standaard ingeschakeld en ondersteuning voor tool calling en gestructureerde output.
Context
1.049M
Max. uitvoer
943.717K
Invoertokens
$0.15 / 1M tokens
Uitvoertokens
$0.5 / 1M tokens