Z.ai: GLM 5.3 (batch)
z-ai/glm-5.3:batch
Pesos do 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.
Provedores
Diferentes empresas hospedam o mesmo modelo. O OpenRouter roteia sua solicitação para uma delas com base no modo de roteamento escolhido: Balanced (preço + velocidade), Nitro (mais rápido) ou Floor (mais barato).
| US$ 0,72US$ 0,450 | US$ 3,20US$ 2,000 | US$ 0,16US$ 0,100 | -- | -- | ||
| US$ 0,609 | US$ 1,873 | US$ 0,206 | -- | -- | ||
| US$ 0,700 | US$ 2,200 | US$ 0,130 | -- | -- |
Entrada US$ 0,45 / Saída US$ 2,0038% off-- tok/s-- de disponibilidade- Entrada US$ 0,609 / Saída US$ 1,873-- tok/s-- de disponibilidade
- Entrada US$ 0,70 / Saída US$ 2,20-- tok/s-- de disponibilidade
Preços
O preço médio que os clientes realmente pagam por este modelo, ao lado dos preços publicados pelos provedores. O cache e os descontos fazem com que o preço efetivamente pago seja frequentemente bem inferior ao preço anunciado.
Média ponderada
GLM 5.3 (batch) — Histórico de preços
| US$ 0,00 | US$ 0,00 | 30,4% | 100,0% | ||
| — | — | — | — | ||
| — | — | — | — |
- Em vigor em US$ 0,00 / Saída efetiva US$ 0,00Participação em tokens100,0%
- Em vigor em — / Saída efetiva —Participação em tokens —
- Em vigor em — / Saída efetiva —Participação em tokens —
Desempenho
A vazão indica a velocidade com que o modelo escreve (tokens por segundo — quanto maior, melhor). A latência é o tempo total de ida e volta (quanto menor, melhor). TTFT é o tempo até o primeiro token — quanto tempo leva para você ver algo aparecer (quanto menor, melhor).
Disponibilidade
A disponibilidade é a porcentagem dos últimos 3 dias em que pelo menos um provedor estava respondendo às solicitações. A disponibilidade é a porcentagem de tempo em que a inferência foi realizada com sucesso. O OpenRouter monitora continuamente e usa o próximo melhor provedor quando um deles retorna um erro.
Ainda não há dados de disponibilidade suficientes para exibição.
Quando ocorre um erro em um provedor upstream, podemos nos recuperar roteando para outro provedor saudável, se os filtros da sua solicitação permitirem. Você pode acessar os dados de disponibilidade por provedor de forma programática pela API de endpoints. Saiba mais sobre nossas opções de balanceamento de carga e roteamento de provedores.
Avaliações de desempenho
Pontuações em avaliações padronizadas e as próprias saídas deste modelo para prompts compartilhados de testes de desempenho. Porcentagens maiores são melhores — e cada posição mostra onde este modelo fica entre os modelos avaliados naquela fonte.
| Fonte | Avaliação comparativa | Pontuação |
|---|---|---|
| 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% |
Aplicativos
Aplicativos públicos que enviam mais tráfego para este modelo. Um bom indicador de como são as cargas de trabalho reais em produção — e uma pista sobre os casos de uso para os quais este modelo é mais adequado.
Ainda não há dados suficientes sobre aplicativos que usam este modelo.
Atividade
Volume de tokens e tráfego de requisições para este modelo ao longo do tempo.
API
Código pronto para chamar este modelo. A API do OpenRouter é compatível com a OpenAI — a maioria dos SDKs funciona apenas trocando a URL base. A única coisa que muda entre os modelos é o slug do modelo abaixo.
Atualmente indisponível por meio do roteamento intrarregional da UE. Documentação de roteamento na região
Documentação
Guias, receitas práticas, publicações de blog e ferramentas para desenvolver com Z.ai: GLM 5.3 (batch) na OpenRouter.
Perguntas frequentes
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.
A documentação de GLM 5.3 (batch) no OpenRouter inclui a publicação Self-Hosted LLM vs API: When Does Self-Hosting Pay Off no blog e a publicação How to Benchmark LLMs no blog. O guia de início rápido aborda chaves de API e sua primeira requisição, e a referência da API lista todos os parâmetros.
GLM 5.3 (batch) custa US$ 0,45/M de tokens de entrada e US$ 2,00/M de tokens de saída, com taxas separadas para Cache Read por US$ 0,10/M tokens.
GLM 5.3 (batch) tem uma janela de contexto de 1.048.576 tokens. Ele aceita até 131.072 tokens de conclusão.
Sim. GLM 5.3 (batch) aceita tools e tool_choice para chamadas de função. Também oferece suporte a saídas estruturadas por meio de um esquema JSON em response_format.
GLM 5.3 (batch) é servido por 3 provedores no OpenRouter: DeepInfra, Morph e Together. As solicitações são roteadas para o melhor provedor disponível, com failover automático para os demais, e você pode fixar ou excluir provedores com o roteamento de provedores.
GLM 5.3 (batch) foi lançado em 18 de agosto de 2026.