GLM-5.3 uses the same base model as GLM-5.2 — every gain comes from post-training. Compared with GLM-5.2, it is much better at complex coding and long-horizon tasks:

Commencer gratuitement ← Tous les modèles

zai-org/GLM-5.3

text->text · zai-org · sovereign EU

Runs on EU infrastructure operated by European companies; US marketplace capacity is never part of this chain. Full chain

753B

Paramètres

1,049K

Fenêtre de contexte

907GB

VRAM minimale

POST /api/v1/chat/completions 200 OK

Caractéristiques

Paramètres 753B

Fenêtre de contexte 1,048,576 tokens

Contexte sur chaque source 524,288 tokens · Le Router envoie les requêtes plus longues vers une source qui peut les traiter.

VRAM minimale 907 GB

Architecture GlmMoeDsaForCausalLM (vLLM)

Licence other

Modalité text->text

Date de sortie August 2026

Éditeur zai-org ↗

Tarifs

Router partagé · par token

€2.01

Entrée (par 1M de tokens)

€5.18

Sortie (par 1M de tokens)

0,51 € par million de tokens d'entrée en cache

GPU dédié · par heure

à partir de 49,52 € par heure

Votre propre instance vLLM sur un cloud européen (907 Go de VRAM), facturée à l'heure.

Router européen partagé, paiement au token, scale-to-zero. Les déploiements GPU dédiés sont facturés à l'heure, voir tarifs.

Indice Bench

Bench est notre indice de qualité pour chaque modèle, de 0 à 100. Il s'appuie sur des mesures publiques (Epoch AI avec une quarantaine de benchmarks, LiveBench, LMArena et d'autres) et est actualisé chaque matin. Là où personne ne mesure, il affiche une estimation avec une fourchette.

82,4 / 100 · Mesuré

Mesuré par Epoch AI sur 15 benchmarks, avec une fourchette.

Fourchette de 80,1 à 85,5 · Rang 30 sur 277 chez Epoch AI

Sources: Epoch AI ↗ · LiveBench ↗ · LMArena ↗ · Mis à jour chaque jour, dernière fois le 19-10-2026

LiveBench · 76,1 · Rang 33 sur 70

Raisonnement 85,8

Code 79,0

Code agentique 60,9

Mathématiques 87,9

Analyse de données 70,2

Langue 79,9

Respect des consignes 69,3

Tous les benchmarks (15)

OTIS Mock AIME 2024-2025 91,1

GPQA diamond 87,9

DTBench 79,5

WeirdML 75,4

DeepSWE 69,0

FrontierMath-Tiers-1-3-v2-Private 68,8

LMCA 65,3

APEX-Agents 56,6

ProofBench 49,0

SimpleQA Verified 41,0

FrontierCode 40,1

Chess Puzzles 33,7

FrontierSWE 30,2

FrontierMath-Tier-4-v2-Private 29,3

Mystery Game Puzzles 26,2

LiveBench · Toutes les tâches

Raisonnement

theory of mind 88,5

zebra puzzle 88,8

spatial 96,0

logic with navigation 70,0

Code

code generation 77,5

code completion 80,4

Code agentique

javascript 72,7

typescript 50,0

python 60,0

Mathématiques

AMPS Hard 99,0

integrals with game 69,0

math comp 96,1

olympiad 87,5

Analyse de données

consecutive events 72,3

tablejoin 42,4

tablereformat 96,1

Langue

connections 95,3

plot unscrambling 60,2

typos 84,0

Respect des consignes

paraphrase 64,7

simplify 65,9

story generation 72,1

summarize 74,6

Appelez-le dès maintenant

Remplacement direct d'OpenAI : changez uniquement l'URL de base et la clé API. Le format Anthropic (/v1/messages) est également pris en charge.

curl https://hostyourai.com/api/v1/chat/completions \
  -H "Authorization: Bearer hyai-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "zai-org/GLM-5.3",
    "messages": [{"role": "user", "content": "Hello!"}]
  }'

Questions fréquentes

Puis-je exécuter GLM 5.3 dans l'UE ?

Oui. HostYourAI exécute GLM 5.3 sur des GPU situés dans des centres de données européens via vLLM. Les prompts et les réponses ne quittent jamais l'UE, et aucun fournisseur de cloud américain n'intervient dans la chaîne.

L'hébergement de GLM 5.3 est-il conforme au RGPD ?

Oui. Tout le traitement a lieu au sein de l'UE, un accord de traitement des données (DPA) est disponible et la liste des sous-traitants est publique. Des poids open source signifient aussi : aucun entraînement sur vos données.

Combien coûte GLM 5.3 ?

Via le Router européen partagé, vous payez 2.01 € par million de tokens d'entrée et 5.18 € par million de tokens de sortie, sans coûts fixes. Pour de gros volumes ou pour l'isolation, vous pouvez aussi exécuter GLM 5.3 sur une instance GPU dédiée facturée à l'heure.

L'API est-elle compatible avec OpenAI ?

Oui. Vous utilisez les SDK OpenAI standard avec une URL de base personnalisée (https://hostyourai.com/api/v1). L'API Anthropic Messages est également prise en charge en remplacement direct.

Autres modèles de Z.AI

GLM 5.3 Flash

We introduce GLM-5.3-Flash, the first natively multimodal model in the GLM-5 series. With 320B total parameters and just 18B active parameters, it outperforms GLM-5.2 across benchmarks and real-world workloads at one-tenth the price, while approaching Claude Opus 4.8 on coding and agentic benchmarks.

321B 1M contexte Voir le modèle →

GLM 5.2

We're introducing GLM-5.2, our latest flagship model for long-horizon tasks. It marks a substantial leap in long-horizon task capability over its predecessor GLM-5.1 and, for the first time, delivers that capability on a solid 1M-token context. GLM-5.2's new capabilities include: - Solid 1M Context: A solid 1M-token context that stably sustains long-horizon work - Advanced Coding with Flexible Effort: Stronger coding capabilities with multiple thinking effort levels to balance performance and latency - Improved Architecture: We propose IndexShare, which reuses the same indexer across every fou

753B 1M contexte Voir le modèle →

GLM 5.1

GLM-5.1 is our next-generation flagship model for agentic engineering, with significantly stronger coding capabilities than its predecessor. It achieves state-of-the-art performance on SWE-Bench Pro and leads GLM-5 by a wide margin on NL2Repo (repo generation) and Terminal-Bench 2.0 (real-world terminal tasks).

754B 203K contexte Voir le modèle →

GLM 5

We are launching GLM-5, targeting complex systems engineering and long-horizon agentic tasks. Scaling is still one of the most important ways to improve the intelligence efficiency of Artificial General Intelligence (AGI). Compared to GLM-4.5, GLM-5 scales from 355B parameters (32B active) to 744B parameters (40B active), and increases pre-training data from 23T to 28.5T tokens. GLM-5 also integrates DeepSeek Sparse Attention (DSA), largely reducing deployment cost while preserving long-context capacity.

754B 203K contexte Voir le modèle →

GLM 4.7 Flash

GLM-4.7-Flash is a 30B-A3B MoE model. As the strongest model in the 30B class, GLM-4.7-Flash offers a new option for lightweight deployment that balances performance and efficiency.

31B 203K contexte Voir le modèle →

GLM Image

GLM-Image is an image generation model adopts a hybrid autoregressive + diffusion decoder architecture. In general image generation quality, GLM‑Image aligns with mainstream latent diffusion approaches, but it shows significant advantages in text-rendering and knowledge‑intensive generation scenarios. It performs especially well in tasks requiring precise semantic understanding and complex information expression, while maintaining strong capabilities in high‑fidelity and fine‑grained detail generation. In addition to text‑to‑image generation, GLM‑Image also supports a rich set of image‑to‑imag

6.9B Voir le modèle →

Essayez GLM 5.3 gratuitement

La création d'un compte prend une minute. Testez GLM 5.3 tout de suite dans le Playground.

Commencer gratuitement