Seguindo uma consistência impressionante, a Z.ai não deu tempo nem para a poeira do GLM-5.3 baixar antes de anunciar seu próximo modelo. Esta semana, a gigante chinesa lançou o GLM-5.3-Flash, a versão compacta e de custo-benefício da família GLM-5. O destaque do comunicado oficial: o modelo não só herda a arquitetura da geração atual como supera o GLM-5.2, o modelo anterior da empresa, em praticamente todos os benchmarks.
Tipo do modelo
O GLM-5.3-Flash é um modelo do tipo MoE (Mixture of Experts), com 320 bilhões de parâmetros totais, mas apenas 18 bilhões ativos por token durante a inferência. Para ter uma noção, seu antecessor direto, o GLM-5.2, ativava 40 bilhões de parâmetros a cada token processado.
Arquitetura híbrida: menos memória, mais contexto
Uma das novidades técnicas mais relevantes do GLM-5.3-Flash é a combinação de duas arquiteturas de atenção: linear e esparsa. Trocando em miúdos: a atenção linear cuida das dependências locais do texto, enquanto a esparsa garante que o modelo capture conexões relevantes no contexto global.
Para gerenciar contextos tão longos sem explodir os custos de memória, o modelo usa uma técnica chamada IndexPool, que comprime grupos de vetores-chave para reduzir a latência e o uso de memória em tempo de execução. O resultado, segundo a Z.ai, é uma redução de aproximadamente 3x no custo computacional de atenção e um KV cache 4.4x menor em comparação com o GLM-5.3 convencional.
No Artificial Analysis Agentic Index, o GLM-5.3-Flash aparece entre os primeiros colocados, ao lado de Claude Opus 5, GLM-5.3 e Grok 4.6.
Performance: empatando com modelos que custam muito mais
No Artificial Analysis Intelligence Index, referência independente do setor para comparação de modelos por inteligência, o GLM-5.3-Flash marcou 57 pontos — a mesma pontuação do GPT-5.6 Terra, da OpenAI. Enquanto o GPT-5.6 Terra custa cerca de US$ 0,51 por tarefa nesse mesmo índice, o GLM-5.3-Flash faz o mesmo trabalho por US$ 0,09.
Para colocar em perspectiva: o modelo também supera em inteligência o Gemini 3.7 Flash (56 pontos) e o DeepSeek V4 Pro (~53 pontos), modelos amplamente usados no mercado como referência de custo-benefício.
Nos benchmarks da própria Z.ai, o GLM-5.3-Flash marcou 63,4 pontos no DeepSWE contra 46,2 do GLM-5.2, e 48,8 no AutomationBench contra apenas 26,2 do antecessor. Em tarefas agênticas avaliadas pelo GDPval-AA v2, o modelo alcançou Elo de aproximadamente 1770, empatando com o próprio GLM-5.3 e o Grok 4.6 — ficando atrás apenas do Claude Opus 5.
No Z.ai Code Bench v1.0, avaliado no Claude Code 2.1.207, o GLM-5.3-Flash (roxo) supera o GLM-5.2 em todos os níveis de esforço, consumindo menos tokens por tarefa.
Custo: mais barato do que o modelo “básico” da Anthropic
O GLM-5.3-Flash custa US$ 0,15 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída na API da Z.ai. Para comparar: o Claude Haiku 4.5, o modelo mais acessível da linha Anthropic, custa US$ 1,00 por milhão de tokens de entrada e US$ 5,00 por milhão de tokens de saída, ou seja, respectivamente 6,7x e 10x mais caro por token.
A identidade secreta: “Ox Alpha”
Antes do lançamento oficial, o GLM-5.3-Flash passou uma semana inteira rodando de forma completamente anônima no OpenCode e no OpenRouter, sob o codinome “Ox Alpha”. Mesmo sem saber que modelo era, a comunidade o adotou rapidamente e ele se tornou o modelo mais utilizado da semana nas duas plataformas. Só então a Z.ai confirmou a identidade e anunciou o lançamento oficial. Uma forma bem elegante de fazer um teste cego de mercado em escala real.
Sob o codinome “ox-alpha”, o modelo processou 23,2 trilhões de tokens em seis dias no OpenRouter — 2,3x mais que o segundo colocado.
Servido inteiramente com chips chineses
Todos esses resultados foram entregues em infraestrutura composta exclusivamente por chips de fabricação chinesa, em um cluster de larga escala. A Z.ai construiu uma stack própria baseada no SGLang, separando as etapas de encoding, prefill e decoding para extrair o máximo de eficiência dos aceleradores domésticos. O resultado foi um ganho de 3x em performance de serving em dezenas de milhares de aceleradores.
Nas próprias palavras da documentação oficial da empresa:
“This demonstrates that Chinese chips can support frontier-model inference efficiently and economically at scale.”
No comparativo de custo por tarefa do Artificial Analysis, os modelos mais econômicos executam tarefas por centavos de dólar, enquanto configurações com Claude Opus 5 ou Fable 5 passam de US$ 8.
Inteligência visual: de verdade, não como add-on
Algo que tem chamado cada vez mais atenção nos últimos lançamentos de forma geral é a inteligência visual integrada. O GLM-5.3-Flash representa um passo relevante nessa direção. Diferente de modelos que “acoplam” visão como uma capacidade adicional, aqui a visão é nativa desde o pré-treino, parte do mesmo stack que processa texto.
Isso importa especialmente para quem trabalha com desenvolvimento de interfaces, edição de slides ou debugging visual: o modelo consegue, de fato, “olhar” para um screenshot e raciocinar sobre ele como um humano faria: identificar erros de layout, entender hierarquia de componentes, comparar estados de uma UI antes e depois. A documentação da Z.ai destaca que o modelo é capaz de transformar screenshots, gravações de tela e URLs de sites em aplicações front-end funcionais, indo além da simples reprodução visual para entender sistemas de design, estados de interação e lógica de animação.
Exemplo da documentação oficial: à esquerda, a versão inicial de um slide com problemas de layout; à direita, o resultado após a autoverificação visual do modelo.
Disponibilidade
O GLM-5.3-Flash está disponível agora para todos os usuários do GLM Coding Plan da Z.ai, com 3x a cota do GLM-5.3. O modelo também está no chat.z.ai, no ZCode e no AutoClaw.
Para quem quiser hospedar por conta própria, os pesos estão disponíveis no Hugging Face sob licença MIT: uso comercial liberado para quem tiver a infraestrutura necessária (aproximadamente 306 GB em FP8 com GPUs Hopper ou mais novas).
