Z.ai: GLM 5.3 (batch)
z-ai/glm-5.3:batch
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.
Fournisseurs
Différentes entreprises hébergent le même modèle. OpenRouter achemine votre requête vers l’une d’elles selon le mode de routage que vous choisissez : Équilibré (prix + vitesse), Nitro (le plus rapide) ou Floor (le moins cher).
| 0,281 $US | 1,25 $US | 0,062 $US | -- | -- | ||
| 0,72 $US0,450 $US | 3,20 $US2,00 $US | 0,16 $US0,100 $US | -- | -- | ||
| 0,700 $US | 2,20 $US | 0,130 $US | -- | -- |
- Entrée 0,281 $US / Sortie 1,25 $US-- tok/s-- de disponibilité
Entrée 0,45 $US / Sortie 2,00 $US38% off-- tok/s-- de disponibilité- Entrée 0,70 $US / Sortie 2,20 $US-- tok/s-- de disponibilité
Tarification
Le prix moyen que les clients paient réellement pour ce modèle, à côté des prix affichés par les fournisseurs. Grâce à la mise en cache et aux remises, le prix réellement payé est souvent bien inférieur au prix affiché.
Moyenne pondérée
GLM 5.3 (batch) — Historique des prix
| 0,00 $US | 0,00 $US | 0,5 % | 1,3 % | ||
| 0,00 $US | 0,00 $US | 15,5 % | 98,7 % | ||
| — | — | — | — |
- Prix effectif en entrée 0,00 $US / Sortie effective 0,00 $USPart des jetons1,3 %
- Prix effectif en entrée 0,00 $US / Sortie effective 0,00 $USPart des jetons98,7 %
- Prix effectif en entrée — / Sortie effective —Part des jetons —
Performances
Le débit est la vitesse à laquelle le modèle écrit (jetons par seconde — plus il est élevé, mieux c’est). La latence est le temps total d’aller-retour (plus il est faible, mieux c’est). Le TTFT est le délai avant le premier jeton — le temps avant de voir quelque chose apparaître (plus il est faible, mieux c’est).
Disponibilité
La disponibilité correspond au pourcentage des 3 derniers jours pendant lequel au moins un fournisseur répondait aux requêtes. La disponibilité du service correspond au pourcentage de temps pendant lequel l’inférence a été assurée avec succès. OpenRouter surveille en continu les fournisseurs et utilise le meilleur fournisseur suivant lorsque l’un d’eux renvoie une erreur.
Les données de disponibilité sont encore insuffisantes pour être affichées.
Lorsqu’une erreur survient chez un fournisseur en amont, nous pouvons rétablir le service en routant la requête vers un autre fournisseur opérationnel, si les filtres de votre requête le permettent. Vous pouvez accéder par programmation aux données de disponibilité de chaque fournisseur via l’ API des points de terminaison. Découvrez nos options d’ équilibrage de charge et de routage des fournisseurs.
Évaluations comparatives
Scores aux évaluations standardisées et réponses de ce modèle aux prompts communs des tests de référence. Des pourcentages plus élevés sont meilleurs — et chaque rang indique la position de ce modèle parmi les modèles évalués sur cette source.
| Source | Test de performance | Score |
|---|---|---|
| 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 | 1183 |
| Design Arena | GLM-5.3 Models Arena Code Categories Elo | 1282 |
| Design Arena | GLM-5.3 Models Arena Data Visualization Elo | 1251 |
| Design Arena | GLM-5.3 Models Arena Game Development Elo | 1287 |
| Design Arena | GLM-5.3 Models Arena SVG Elo | 1244 |
| Design Arena | GLM-5.3 Models Arena UI Component Elo | 1283 |
| Design Arena | GLM-5.3 Models Arena Website Elo | 1278 |
| 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 | 1217 |
| 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% |
Applications
Applications publiques qui envoient le plus de trafic à ce modèle. Un bon indicateur des charges de travail réelles en production — et un aperçu des cas d’usage auxquels ce modèle convient le mieux.
Pas encore assez de données sur les applications utilisant ce modèle.
Activité
Volume de jetons et trafic des requêtes vers ce modèle au fil du temps.
API
Code prêt à l’emploi pour appeler ce modèle. L’API d’OpenRouter est compatible avec OpenAI — la plupart des SDK fonctionnent en remplaçant simplement l’URL de base. Seul le slug du modèle ci-dessous change d’un modèle à l’autre.
Actuellement indisponible via le routage dans la région UE. Documentation sur le routage intrarégional
Documentation
Guides, recueils de recettes, articles de blog et outils pour développer avec Z.ai: GLM 5.3 (batch) sur OpenRouter.
Questions fréquentes
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 documentation de GLM 5.3 (batch) sur OpenRouter comprend l’article de blog Self-Hosted LLM vs API: When Does Self-Hosting Pay Off et l’article de blog How to Benchmark LLMs. Le guide de démarrage rapide présente les clés API et votre première requête, et la référence API répertorie tous les paramètres.
GLM 5.3 (batch) coûte 0,281 $US/M de jetons d’entrée et 1,25 $US/M de jetons de sortie, avec des tarifs distincts pour Cache Read à 0,062 $US/M tokens.
GLM 5.3 (batch) dispose d’une fenêtre de contexte de 1 048 576 jetons. Il prend en charge jusqu’à 1 048 576 jetons de complétion.
Oui. GLM 5.3 (batch) accepte tools et tool_choice pour l’appel de fonctions. Il prend également en charge les sorties structurées via un schéma JSON dans response_format.
GLM 5.3 (batch) est servi par 3 fournisseurs sur OpenRouter : Morph, DeepInfra et Together. Les requêtes sont acheminées vers le meilleur fournisseur disponible, avec un basculement automatique vers les autres, et vous pouvez épingler ou exclure des fournisseurs grâce au routage des fournisseurs.
GLM 5.3 (batch) est sorti le 18 août 2026.