Z.ai: GLM 5.3 (batch)
z-ai/glm-5.3:batch
ModellgewichteGLM-5.3 is a large-scale reasoning model from Z.ai, built for complex software engineering and long-horizon agent tasks. It supports text input and output with a 1M-token context window, and improves on GLM-5.2 in coding and in the balance between performance and token efficiency.
Reasoning is always on and cannot be disabled. Reasoning efforts low, high, and max are supported; max is the default.
Anbieter
Verschiedene Unternehmen hosten dasselbe Modell. OpenRouter leitet Ihre Anfrage je nach gewähltem Routing-Modus an eines davon weiter: Ausgewogen (Preis + Geschwindigkeit), Nitro (am schnellsten) oder Floor (am günstigsten).
| 0,72 $0,450 $ | 3,20 $2,000 $ | 0,16 $0,100 $ | -- | -- | ||
| 0,605 $ | 1,861 $ | 0,204 $ | -- | -- | ||
| 0,700 $ | 2,200 $ | 0,130 $ | -- | -- |
Eingabe 0,45 $ / Ausgabe 2,00 $38% off-- tok/s-- Verfügbarkeit- Eingabe 0,605 $ / Ausgabe 1,861 $-- tok/s-- Verfügbarkeit
- Eingabe 0,70 $ / Ausgabe 2,20 $-- tok/s-- Verfügbarkeit
Preise
Der durchschnittliche Preis, den Kunden tatsächlich für dieses Modell zahlen, neben den von Anbietern veröffentlichten Preisen. Durch Caching und Rabatte liegt der tatsächlich gezahlte Preis oft deutlich unter dem Listenpreis.
Gewichteter Durchschnitt
GLM 5.3 (batch) — Preisverlauf
| 0,00 $ | 0,00 $ | 23,4 % | 100,0 % | ||
| — | — | — | — | ||
| — | — | — | — |
- Wirksam in 0,00 $ / Effektive Ausgabekosten 0,00 $Token-Anteil100,0 %
- Wirksam in — / Effektive Ausgabekosten —Token-Anteil —
- Wirksam in — / Effektive Ausgabekosten —Token-Anteil —
Leistung
Der Durchsatz gibt an, wie schnell das Modell schreibt (Token pro Sekunde – höher ist besser). Die Latenz ist die gesamte Umlaufzeit (niedriger ist besser). TTFT ist die Zeit bis zum ersten Token – also die Wartezeit, bis etwas angezeigt wird (niedriger ist besser).
Verfügbarkeit
Verfügbarkeit ist der prozentuale Anteil der letzten 3 Tage, in dem mindestens ein Anbieter auf Anfragen reagiert hat. Die Verfügbarkeit der Inferenz ist der prozentuale Anteil der Zeit, in der Inferenz erfolgreich bereitgestellt wurde. OpenRouter überwacht dies kontinuierlich und verwendet den nächstbesten Anbieter, wenn ein Anbieter einen Fehler zurückgibt.
Noch nicht genügend Daten zur Verfügbarkeit für eine Anzeige vorhanden.
Wenn bei einem vorgelagerten Anbieter ein Fehler auftritt, können wir diesen durch die Weiterleitung an einen anderen funktionsfähigen Anbieter beheben, sofern Ihre Anfragefilter dies zulassen. Sie können programmgesteuert auf die Verfügbarkeitsdaten pro Anbieter zugreifen, und zwar über die Endpunkt-API. Erfahren Sie mehr über unsere Optionen für Lastverteilung und Anbieter-Routing.
Leistungsvergleiche
Ergebnisse standardisierter Bewertungen und eigene Ausgaben dieses Modells zu gemeinsamen Vergleichstest-Prompts. Höhere Prozentwerte sind besser – und jeder Rang zeigt, wo dieses Modell unter den anhand dieser Quelle bewerteten Modellen liegt.
| Quelle | Benchmark | Ergebnis |
|---|---|---|
| Artificial Analysis | GLM-5.3 (Max) Intelligence Index | 31,7 |
| Artificial Analysis | GLM-5.3 (Max) Coding Index | 74,8 |
| Artificial Analysis | GLM-5.3 (Max) Agentic Index | 53,1 |
| Artificial Analysis | GLM-5.3 (Max) GPQA Diamond | 91.7% |
| Artificial Analysis | GLM-5.3 (Max) HLE | 42.3% |
| Artificial Analysis | GLM-5.3 (Max) AA-LCR | 79.7% |
| Artificial Analysis | GLM-5.3 (Max) τ-Bench Banking | 50.3% |
| Artificial Analysis | GLM-5.3 (Max) GDPval-AA | 57.7% |
| Artificial Analysis | GLM-5.3 (Max) CritPt | 19.1% |
| Artificial Analysis | GLM-5.3 (Max) SciCode | 59.0% |
| Artificial Analysis | GLM-5.3 (Max) Terminal-Bench 4.0 | 41.9% |
| Artificial Analysis | GLM-5.3 (Max) Terminal-Bench 2.1 | 83.9% |
| Artificial Analysis | GLM-5.3 (Max) AA-Omniscience Accuracy | 32.3% |
| Artificial Analysis | GLM-5.3 (Max) AA-Omniscience Non-Hallucination Rate | 61.1% |
| Artificial Analysis | GLM-5.3 (Low) Intelligence Index | 23,1 |
| Artificial Analysis | GLM-5.3 (Low) HLE | 36.6% |
| Artificial Analysis | GLM-5.3 (Low) AA-LCR | 72.7% |
| Artificial Analysis | GLM-5.3 (Low) GDPval-AA | 41.6% |
| Artificial Analysis | GLM-5.3 (Low) CritPt | 14.6% |
| Artificial Analysis | GLM-5.3 (Low) SciCode | 42.0% |
| Artificial Analysis | GLM-5.3 (Low) Terminal-Bench 4.0 | 34.8% |
| Artificial Analysis | GLM-5.3 (Low) AA-Omniscience Accuracy | 31.9% |
| Artificial Analysis | GLM-5.3 (Low) AA-Omniscience Non-Hallucination Rate | 36.8% |
| Design Arena | GLM-5.3 Models Arena 3D Elo | 1294 |
| Design Arena | GLM-5.3 Models Arena Asciiart Elo | 1193 |
| Design Arena | GLM-5.3 Models Arena Code Categories Elo | 1284 |
| Design Arena | GLM-5.3 Models Arena Data Visualization Elo | 1251 |
| Design Arena | GLM-5.3 Models Arena Game Development Elo | 1288 |
| Design Arena | GLM-5.3 Models Arena SVG Elo | 1245 |
| Design Arena | GLM-5.3 Models Arena UI Component Elo | 1285 |
| Design Arena | GLM-5.3 Models Arena Website Elo | 1279 |
| Design Arena | GLM-5.3 Agents Arena Htmlslides Elo | 1189 |
| Design Arena | GLM-5.3 Agents Arena Mobile Apps Elo | 1184 |
| Design Arena | GLM-5.3 Agents Arena Python-Pptxslides Elo | 1216 |
| Design Arena | GLM-5.3 Agents Arena Webapps Elo | 1270 |
| Vals AI | GLM 5.3 Access to Justice Benchmark | 73.7% |
| Vals AI | GLM 5.3 Code Migration v1.1 | 55.1% |
| Vals AI | GLM 5.3 CyberBench v1.1 | 72.1% |
| Vals AI | GLM 5.3 EMB v1.1 | 69.1% |
| Vals AI | GLM 5.3 Finance Agent v2.1 | 65.0% |
| Vals AI | GLM 5.3 Vals Finance Index | 61.4% |
| Vals AI | GLM 5.3 Financial Coaching Bench | 74.1% |
| Vals AI | GLM 5.3 GPQA Diamond | 88.1% |
| Vals AI | GLM 5.3 HLAB-Vals-1.1 | 14.6% |
| Vals AI | GLM 5.3 Immigration | 66.7% |
| Vals AI | GLM 5.3 IOI | 68.4% |
| Vals AI | GLM 5.3 LiveCodeBench | 80.5% |
| Vals AI | GLM 5.3 LegalBench | 84.8% |
| Vals AI | GLM 5.3 Vals Legal Index | 74.6% |
| Vals AI | GLM 5.3 Legal Research Bench | 49.0% |
| Vals AI | GLM 5.3 MedCode | 42.9% |
| Vals AI | GLM 5.3 MedScribe | 88.8% |
| Vals AI | GLM 5.3 MMLU Pro | 86.8% |
| Vals AI | GLM 5.3 MysteryMechanism | 23.0% |
| Vals AI | GLM 5.3 ProgramBench | 1.5% |
| Vals AI | GLM 5.3 ProofBench v1.1 | 49.0% |
| Vals AI | GLM 5.3 Public Benefits Bench v1.1 | 68.5% |
| Vals AI | GLM 5.3 Vals RSI Index | 22.9% |
| Vals AI | GLM 5.3 SkillsBench | 47.5% |
| Vals AI | GLM 5.3 SRE Bench | 9.2% |
| Vals AI | GLM 5.3 SWE-bench | 95.4% |
| Vals AI | GLM 5.3 Tax Agent Bench | 43.3% |
| Vals AI | GLM 5.3 TaxEval v2 | 72.4% |
| Vals AI | GLM 5.3 Terminal-Bench 4.0 | 38.9% |
| Vals AI | GLM 5.3 Terminal-Bench-Science | 5.7% |
| Vals AI | GLM 5.3 Vals Index | 59.8% |
| Vals AI | GLM 5.3 Vibe Code Bench 1-100 v1.1 | 29.8% |
| Vals AI | GLM 5.3 Vibe Code Bench v1.1 | 78.1% |
Apps
Öffentliche Apps, die den meisten Datenverkehr an dieses Modell senden. Ein guter Anhaltspunkt dafür, wie echte Produktionsworkloads aussehen – und ein Hinweis darauf, für welche Anwendungsfälle dieses Modell am besten geeignet ist.
Für Apps, die dieses Modell verwenden, liegen noch nicht genügend Daten vor.
Aktivität
Token-Volumen und Anfrageaufkommen für dieses Modell im Zeitverlauf.
API
Direkt einsetzbarer Code zum Aufrufen dieses Modells. Die API von OpenRouter ist OpenAI-kompatibel – bei den meisten SDKs genügt es, die Basis-URL auszutauschen. Zwischen den Modellen ändert sich nur der unten stehende Modell-Slug.
Derzeit nicht über EU-regionales Routing verfügbar. Dokumentation zum regionsinternen Routing
Dokumentation
Anleitungen, Rezeptsammlungen, Blogbeiträge und Tools für die Entwicklung mit Z.ai: GLM 5.3 (batch) auf OpenRouter.
Häufig gestellte Fragen
GLM-5.3 is a large-scale reasoning model from Z.ai, built for complex software engineering and long-horizon agent tasks. It supports text input and output with a 1M-token context window, and improves on GLM-5.2 in coding and in the balance between performance and token efficiency. Reasoning is always on and cannot be disabled. Reasoning efforts low, high, and max are supported; max is the default.
Die Dokumentation zu GLM 5.3 (batch) auf OpenRouter umfasst der Blogbeitrag Self-Hosted LLM vs API: When Does Self-Hosting Pay Off und der Blogbeitrag How to Benchmark LLMs. Der Schnellstart behandelt API-Schlüssel und Ihre erste Anfrage, und die API-Referenz listet alle Parameter auf.
GLM 5.3 (batch) kostet 0,45 $/M Eingabe-Token und 2,00 $/M Ausgabe-Token, mit separaten Tarifen für Cache Read für 0,10 $/M tokens.
GLM 5.3 (batch) hat ein Kontextfenster von 1.048.576 Token. Es unterstützt bis zu 131.072 Completion-Token.
Ja. GLM 5.3 (batch) akzeptiert tools und tool_choice für Funktionsaufrufe. Es unterstützt auch strukturierte Ausgaben über ein JSON-Schema in response_format.
GLM 5.3 (batch) wird auf OpenRouter von 3 Anbietern bereitgestellt: DeepInfra, Morph und Together. Anfragen werden an den besten verfügbaren Anbieter weitergeleitet, mit automatischem Failover zu den anderen Anbietern, und Sie können Anbieter über Anbieter-Routing festlegen oder ausschließen.
GLM 5.3 (batch) wurde am 18. August 2026 veröffentlicht.