GLM-5.3 Flash 拿下 20% 流量，跑分只是第二战场

一个没有名字、没有公司标识、甚至没有正式价签的模型，先在 OpenRouter 跑了一周，拿到接近 20% 的周 token 份额，然后才公布自己是谁。

发布会的顺序，被倒了过来。

8 月 26 日，智谱揭晓匿名模型 ox-alpha，它就是新发布并开放权重的 GLM-5.3-Flash。总参数 320B，每个 token 只激活 18B，原生支持多模态，采用 MIT 协议。智谱首席科学家唐杰随后在公开声明里给出一组更扎眼的数据，Artificial Analysis 得分 57，价格约为前沿模型的百分之一，推理由国产芯片承载，OpenRouter 周 token 份额接近 20%，排名第一。

好家伙，身份还没亮，真实用户先替它投了票。

但我不太想把这篇写成又一篇「国产模型跑分追平 Opus」的喜报。跑分当然重要，低价也很香，可如果你真的在给 Agent 选模型，决定它能不能进生产的从来不是一张榜。

我更在意三道门。

陌生用户愿不愿意真用，完成一次任务到底花多少钱，服务栈能不能在大规模流量下稳住。

GLM-5.3-Flash 有意思的地方，是它同时把脚迈进了这三道门。至于有没有完全跨过去，还得把热闹拆开看。

匿名上线，测到的是选择，不是品牌

大模型发布通常有一套熟悉流程。先发博客，再贴基准图，然后让开发者带着品牌预期去试。

这次正好反着来。

智谱先把模型以 ox-alpha 的名字放到 OpenCode 和 OpenRouter，不说开发商，不讲架构，也不靠品牌把流量推过去。官方称，它很快成为当周最受欢迎的模型。唐杰公布的口径是接近 20% 周 token 份额，排在第一。

官方发布中的 OpenRouter 流量图。匿名模型拿到的是真实调用，不是固定题库里的选择题。

这个实验比普通盲测更接近真实选型。开发者不是在固定题库里点 A 或 B，而是把自己的代码、工具调用、长上下文和各种奇怪任务塞进去。模型如果老超时、工具参数写不对、改坏仓库，免费也很难让人持续调用。

所以，真实流量给了 GLM-5.3-Flash 一个挺硬的正面信号。它至少没有在陌生用户的杂乱任务里当场露馅。

可这份成绩也不能吹得太满。

匿名测试期间有免费流量和新模型猎奇加成，token 份额不等于付费留存，更不等于企业采购。一个模型被大量调用，可能是因为它效果好，也可能是因为它免费、上下文长、刚好被默认路由选中。很多朋友可能不知道，聚合平台上的 token 份额还会被输出长度放大，同样完成一个任务，话多的模型天然吃掉更多 token。

这一点刚好能在 Artificial Analysis 的独立页面上看到。GLM-5.3-Flash 的 Intelligence Index 是 57，但完成整套评测用了约 1.5 亿输出 token，高于同类模型约 1.1 亿的中位数。它很聪明，也确实偏能说。

因此我会把 20% 当成「真实需求验证通过」，不会把它当成「商业胜负已定」。下一轮更难，折扣结束后还有多少请求愿意留下，路由器会不会继续把高价值任务交给它。

这才是身份揭晓后的考试。

每 token 便宜，不等于每个任务便宜

模型价格最容易把人带沟里。

大家习惯盯输入、输出每百万 token 的单价，然后拿计算器一除，得出它比某个前沿模型便宜几十倍。这个数字很适合做海报，却不一定适合做预算。

Agent 账单真正该看的，是完成一个任务的总成本。

总成本里有输入 token、输出 token、缓存命中、工具调用次数、失败重试、推理时长，还有最贵的一项，人来收拾残局的时间。一个模型单价只有另一个的五分之一，但它每次要多写两倍 token，再多重试一次，省下来的钱很可能当场蒸发。

智谱官方给出的折扣口径是每项任务 0.045 美元，约为同等智能水平模型的十分之一。Artificial Analysis 当前页面给出的观测略保守，输入每百万 token 0.15 美元，输出 0.50 美元，综合每项任务约 0.09 美元。两套数字来自不同折扣和测试时点，不能硬凑成同一个结论。

官方引用的 Artificial Analysis 帕累托图。横轴是每任务成本，不是单看 token 价。

不过方向很清楚，GLM-5.3-Flash 确实把能力成本曲线往下压了一截。

代价也写在同一页上。它当前输出速度大约 50 tok/s，低于相近开放权重模型约 67 tok/s 的中位数。首 token 延迟不错，长回答的尾部却可能拖。你做离线代码审查，慢一点也许无所谓。你做浏览器操作、客服协作或人机实时结对，模型每一步都多等几秒，整个 Agent 就会像网速不好的远程桌面。

厉害了，低价模型又把老问题送回来了。

成本、速度、输出长度，得一起看。

如果团队真想试，我建议别先跑一百道通用题，直接从生产流量里抽一小批可回放任务。记录每个任务的成功率、总 token、墙钟时间、重试次数和人工接管率。再用「成功任务总成本」排序，而不是用输入单价排序。

公式不复杂。

成功任务总成本 = 模型费用 + 重试费用 + 工具费用 + 人工接管时间

这张表一跑，很多宣传里的百分之一价格会缩水，也可能反过来证明 GLM-5.3-Flash 真省。无论是哪种结果，都比盯着价签猜靠谱。

18B 激活参数背后，是一场内存战争

为什么它能便宜到这个位置？

官方给的答案不是一个魔法技巧，而是模型架构和推理系统一起改。

GLM-5.3-Flash 有 320B 总参数，单个 token 只激活 18B。跟 GLM-4.5 系列相比，总参数规模接近，激活参数从 32B 降到 18B，网络层数从 92 层降到 45 层。MoE（Mixture of Experts，混合专家）可以把它理解成一个很大的专家团队，每次任务只叫少数人进会议室，不让 320B 参数全部开工。

长上下文又用了线性注意力和稀疏注意力的混合结构。线性注意力负责压缩局部历史，稀疏注意力通过轻量索引器找回重要的全局信息。到了 1M token 上下文，IndexPool 再把四个索引器 key 向量压成一个。

官方对比显示，相对 GLM-5.3，注意力计算量降低 3 倍，KV cache 缩小 4.4 倍。KV cache 是模型生成时保存历史注意力状态的缓存，上下文越长，它越像一只不停膨胀的行李箱。能缩 4.4 倍，不只是省显存，也会改变并发量和每个请求的部署成本。

左侧是模型主干与稀疏索引流程，右侧两张曲线分别展示 KV cache 和注意力计算量。

不过这里有个很诚实的细节。GLM-5.3-Flash 的 KV cache 仍比 Kimi-K3 和 DeepSeek-V4-Flash 略大，官方原文直接写了「还有进一步改进空间」。我很喜欢这种句子。跑分图负责展示赢了什么，这一行小字告诉工程师还会在哪儿疼。

模型架构之外，GLM-5 技术报告和新的模型卡也把部署入口摆了出来。权重已经放到 Hugging Face，当前支持 SGLang、vLLM等推理框架。

但 320B 总参数不会因为只激活 18B 就凭空消失。本地部署仍要面对权重存储、跨卡通信、量化精度、预填充峰值和长上下文缓存。普通开发者看到「18B 激活」别直接脑补成一张消费级显卡轻松带走，参数要放得下，数据还得搬得动。

有点子牛逼，但不是桌面魔法。

国产卡真正过的，是持续服务这关

这次最容易被一句「国产芯片承载」带过去的部分，恰恰是整件事最难的部分。

模型能在某张卡上跑起来，和模型能在大规模集群上稳定对外服务，中间隔着一整片海。

智谱称，过去一周的匿名测试流量由国产 AI 芯片集群承载。单卡计算和内存容量有限，他们在 SGLang 上为这套架构做了专用推理引擎，用 W8A8 量化、混合精度 KV cache、张量并行、ReplaySSM 和 Layer Split 等办法抠内存与带宽。

到了集群层，系统把 Encode、Prefill、Decode 拆成独立工作池。Encode 负责多模态编码，Prefill 负责读入整段提示词，Decode 负责逐个生成 token。三种阶段吃资源的方式不同，绑在同一批机器上很容易互相堵。拆开后可以独立排队、独立扩容，像把仓库收货、分拣和配送从一个大屋子拆成三条流水线。

官方称，端到端服务性能相对同硬件初始基线提高 3 倍，每 token 成本已经能和主流 NVIDIA GPU 方案放在同一张表里比较。

这句比「模型能适配国产卡」重得多。

适配只证明能启动。真实流量证明故障恢复、批处理、尾延迟、内存碎片、跨机通信和监控告警至少被一起处理过。一个演示跑通十分钟不难，连续吃掉平台上的海量请求，还没被用户集体切走，才接近生产系统的标准。

当然，目前我们看到的大部分基础设施数据仍来自智谱自己，缺少公开的错误率、P95 延迟、集群利用率和故障统计。坦率讲，我希望下一步不是再多一张峰值吞吐海报，而是把这些难看的数据也放出来。平均值总是很漂亮，生产事故通常住在尾巴上。

真要接入，先给它一个可撤回的位置

模型发布当天，最危险的动作不是完全不试，而是把默认路由一把切过去。

更稳的办法，是给 GLM-5.3-Flash 一个可撤回的位置。

可以从低风险、可自动验收的任务开始，比如生成单元测试、整理代码搜索结果、给已有 PR 做第二意见、把长文档压成结构化字段。不要一上来让它改生产配置、碰支付流程或拿长期凭据。不是说模型一定会出事，而是任何刚上线的模型都不配跳过权限设计。

路由层至少要记五类指标，任务成功率、成功任务总成本、P50 与 P95 延迟、重试率、人工接管率。如果是长上下文任务，再单独看缓存命中和上下文长度分桶。一个平均分会把短请求的轻松和长请求的惨烈搅在一起，到头来谁都看不懂。

还要保留基线模型做影子对比。相同输入同时送两边，GLM-5.3-Flash 的结果先不影响用户，只在后台做验收。跑够一批真实任务，再逐步从 1% 放到 5%、20%。指标坏了能自动退回，不需要开会决定要不要认错。

反正我觉得，模型路由器最重要的能力不是总能选中冠军，而是冠军发挥失常时，业务还能继续走。

如果它在你的任务上真的做到接近前沿能力、显著更低的成功任务成本，并且国产卡服务稳定，那就把更多流量给它。要是长回答太慢、token 用量失控、工具调用频繁重试，也别因为排行榜好看硬撑。

真实生产不会给模型颁忠诚奖。

它只看任务有没有完成，账单有没有守住，凌晨告警有没有少一点。

GLM-5.3-Flash 这次最漂亮的一步，不是 57 分，也不是百分之一的宣传口径。它先摘掉名字，让真实流量把模型推到台前，再用架构和服务栈解释这份流量为什么可能成立。

名字是后来才贴上的。

下一张成绩单，也该由真实任务来写。