Z.ai: GLM 5.3 (batch)
z-ai/glm-5.3:batch
Pesos del modeloGLM-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.
Proveedores
Distintas empresas alojan el mismo modelo. OpenRouter enruta su solicitud a una de ellas según el modo de enrutamiento que elija: Balanced (precio + velocidad), Nitro (el más rápido) o Floor (el más económico).
| 0,72 US$0,450 US$ | 3,20 US$2,000 US$ | 0,16 US$0,10 US$ | -- | -- | ||
| 0,563 US$ | 1,732 US$ | 0,19 US$ | -- | -- | ||
| 0,700 US$ | 2,200 US$ | 0,13 US$ | -- | -- |
Entrada 0,45 US$ / Salida 2,00 US$38% off-- tok/s-- de tiempo de actividad- Entrada 0,563 US$ / Salida 1,732 US$-- tok/s-- de tiempo de actividad
- Entrada 0,70 US$ / Salida 2,20 US$-- tok/s-- de tiempo de actividad
Precios
El precio medio que los clientes pagan realmente por este modelo, junto a los precios que publican los proveedores. El uso de caché y los descuentos hacen que el precio realmente pagado a menudo sea muy inferior al publicado.
Media ponderada
GLM 5.3 (batch) — Historial de precios
| 0,00 US$ | 0,00 US$ | 30,9 % | 100,0 % | ||
| — | — | — | — | ||
| — | — | — | — |
- En vigor en 0,00 US$ / Salida efectiva 0,00 US$Proporción de tókenes100,0 %
- En vigor en — / Salida efectiva —Proporción de tókenes —
- En vigor en — / Salida efectiva —Proporción de tókenes —
Rendimiento
La velocidad de generación indica lo rápido que escribe el modelo (tokens por segundo: cuanto mayor, mejor). La latencia es el tiempo total de ida y vuelta (cuanto menor, mejor). TTFT es el tiempo hasta el primer token: cuánto tarda en aparecer algo en pantalla (cuanto menor, mejor).
Tiempo de actividad
El tiempo de actividad es el porcentaje de los últimos 3 días en que al menos un proveedor respondía a las solicitudes. La disponibilidad es el porcentaje de tiempo en que la inferencia se sirvió correctamente. OpenRouter supervisa continuamente y utiliza el siguiente mejor proveedor cuando uno devuelve un error.
Aún no hay suficientes datos de tiempo de actividad para mostrar.
Cuando se produce un error en un proveedor ascendente, podemos recuperarnos enrutando la solicitud a otro proveedor que funcione correctamente, si los filtros de su solicitud lo permiten. Puede acceder mediante programación a los datos de tiempo de actividad de cada proveedor a través de la API de endpoints. Obtenga más información sobre nuestras opciones de equilibrio de carga y enrutamiento de proveedores.
Pruebas de rendimiento
Puntuaciones en evaluaciones estandarizadas y respuestas de este modelo a instrucciones compartidas de las pruebas de referencia. Los porcentajes más altos son mejores, y cada posición indica dónde se sitúa este modelo entre los modelos evaluados en esa fuente.
| Fuente | Prueba de rendimiento | Puntuación |
|---|---|---|
| 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% |
Aplicaciones
Aplicaciones públicas que envían más tráfico a este modelo. Una buena señal de cómo son las cargas de trabajo reales en producción, y una pista sobre los casos de uso para los que este modelo es más adecuado.
Aún no hay suficientes datos sobre las aplicaciones que usan este modelo.
Actividad
Volumen de tokens y tráfico de solicitudes a este modelo a lo largo del tiempo.
API
Código listo para usar para llamar a este modelo. La API de OpenRouter es compatible con OpenAI: la mayoría de los SDK funcionan con solo cambiar la URL base. Lo único que cambia entre modelos es el identificador del modelo que aparece a continuación.
Actualmente no está disponible mediante el enrutamiento dentro de la región de la UE. Documentación de enrutamiento dentro de la región
Documentación
Guías, recetarios, artículos de blog y herramientas para desarrollar con Z.ai: GLM 5.3 (batch) en OpenRouter.
Preguntas frecuentes
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.
La documentación de GLM 5.3 (batch) en OpenRouter incluye la publicación del blog Self-Hosted LLM vs API: When Does Self-Hosting Pay Off y la publicación del blog How to Benchmark LLMs. La guía de inicio rápido cubre las claves de API y su primera solicitud, y la referencia de la API enumera todos los parámetros.
GLM 5.3 (batch) cuesta 0,45 US$/M de tokens de entrada y 2,00 US$/M de tókenes de salida, con tarifas independientes para Cache Read a 0,10 US$/M tokens.
GLM 5.3 (batch) tiene una ventana de contexto de 1.048.576 tókenes. Admite hasta 131.072 tókenes de respuesta.
Sí. GLM 5.3 (batch) admite tools y tool_choice para llamadas a funciones. También admite salidas estructuradas mediante un esquema JSON en response_format.
GLM 5.3 (batch) está disponible a través de 3 proveedores en OpenRouter: DeepInfra, Morph y Together. Las solicitudes se enrutan al mejor proveedor disponible, con conmutación automática a los demás en caso de fallo, y puede fijar o excluir proveedores mediante el enrutamiento de proveedores.
GLM 5.3 (batch) se lanzó el 18 de agosto de 2026.