GLM-5.3-FlashX : ce que c'est, sa vitesse d'exécution et son coût

Qu'est-ce que GLM-5.3-FlashX ?

GLM-5.3-FlashX est le point de terminaison optimisé pour la vitesse de la famille GLM-5.3-Flash. Zhipu l'a annoncé le 18 septembre 2026, le présentant comme plus rapide et plus fluide pour les entreprises et les développeurs, avec l'API et le centre d'expérience officiel tous deux ouverts au lancement.

Deux choses méritent d'être distinguées :

• Le modèle — GLM-5.3-Flash, un modèle multimodal natif 320B-A18B que Zhipu a open-sourcé le 26 août 2026. L'architecture, les poids, la longueur de contexte et les capacités sont partagés.
• Le palier de service — FlashX, une configuration d'inférence optimisée pour le débit. Zhipu rapporte des vitesses allant jusqu'à 200 tokens/s et attribue ce gain à un travail d'infrastructure plutôt qu'à un checkpoint différent.

Cette distinction compte lorsque vous l'évaluez. Les benchmarks, les limites de contexte et le comportement multimodal décrits pour GLM-5.3-Flash s'appliquent à FlashX parce qu'il s'agit du même modèle. La latence et le prix, non : ceux-ci changent avec le palier de service.

Spécifications du modèle en un coup d'œil

Spécification	GLM-5.3-FlashX
ID de modèle API	glm-5.3-flashx
ID du modèle frère	glm-5.3-flash
Date de sortie	18 septembre 2026
Paramètres totaux / activés	320B / 18B
Couches	45
Fenêtre de contexte	1M de tokens
Tokens de sortie maximum	128K
Modalités d'entrée	Vidéo, image, texte, fichier
Modalité de sortie	Texte
Vitesse de pointe annoncée	200 tokens/s
Mode de réflexion	thinking.type: enabled uniquement ; il ne peut pas être désactivé
Fonctionnalités API principales	Streaming, appel de fonctions, mise en cache du contexte, sortie structurée, streaming d'outils

Zhipu recommande temperature: 1, top_p: 0.95 et reasoning_effort: max. Pour le travail multi-tours, il recommande de conserver l'historique de réflexion plutôt que de l'effacer (clear_thinking: false), et pour les requêtes en streaming, il recommande d'activer à la fois stream: true et tool_stream: true.

GLM-5.3-FlashX vs GLM-5.3-Flash

Dimension	GLM-5.3-Flash	GLM-5.3-FlashX
Modèle sous-jacent	GLM-5.3-Flash	GLM-5.3-Flash
Vitesse de pointe annoncée	Palier standard	Jusqu'à 200 tokens/s
Prix d'entrée catalogue / 1M	0,15 $	0,37 $
Prix de sortie catalogue / 1M	0,50 $	1,25 $
Limites de contexte et de sortie	1M / 128K	1M / 128K
Entrée multimodale	Oui	Oui
Poids ouverts	Oui, depuis le 26 août 2026	Même modèle de base
GLM Coding Plan	Inclus, avec un quota 3× celui de GLM-5.3	Non inclus au lancement

Le format de requête est identique. Passer d'un palier à l'autre consiste à modifier le champ model, et non à réécrire votre intégration — ce qui fait de FlashX un candidat raisonnable pour un A/B test sur les charges de travail où le temps par tour est le goulot d'étranglement.

Ce que « 200 tokens/s » dit et ne dit pas

Zhipu publie 200 tokens/s comme un maximum. Lisez-le comme un plafond de vitesse de génération, et non comme une promesse concernant votre charge de travail :

• C'est un chiffre de pointe. Le débit réel dépend de la longueur du prompt, des hits de cache, de la concurrence et du fournisseur sélectionné.
• Ce n'est pas le temps jusqu'au premier token. Un débit de décodage rapide paraît toujours lent si le modèle réfléchit plusieurs secondes avant d'émettre quoi que ce soit. Pour les produits interactifs, mesurez les deux.
• Ce n'est pas la latence totale de la tâche. Un tour d'agent qui appelle trois outils est borné par l'exécution des outils, pas par le débit de tokens.
• Le contexte long change la donne. À 1M de tokens, le prefill et le comportement du cache KV dominent. C'est exactement ce que cible l'architecture Flash.

La règle pratique : évaluez Flash et FlashX sur vos propres prompts, et comparez le temps jusqu'au premier token, les tokens de sortie par seconde et le coût par tâche accomplie plutôt qu'un seul chiffre de vitesse.

D'où vient la vitesse

Zhipu attribue l'accélération de FlashX à un investissement en infrastructure plutôt qu'à une nouvelle architecture, bâti sur les 100 000 accélérateurs d'IA nationaux qui servent déjà le trafic de GLM-5.3-Flash.

• Un moteur d'inférence dédié sur SGLang, écrit pour cette architecture plutôt qu'adapté depuis une pile généraliste.
• Une optimisation mémoire pour les contextes de 1M de tokens, incluant ReplaySSM, la quantification W8A8, la quantification de cache hybride INT8/FP8/BF16 et le Layer Split.
• Une architecture de service désagrégée Encode–Prefill–Decode (EPD) qui sépare l'encodage multimodal, le prefill du prompt et le décodage token par token en pools de workers planifiés indépendamment, afin que chaque étape monte en charge de son côté.
• Une amélioration de bout en bout du service de 3× par rapport à la ligne de base initiale sur le même matériel, ce qui, selon Zhipu, ramène le coût par token à un niveau comparable à celui des GPU NVIDIA grand public.

Un détail de ce travail mérite d'être relevé à part : Zhipu indique qu'un agent d'infrastructure propulsé par GLM-5.3 a aidé les ingénieurs à optimiser les kernels, diagnostiquer les goulots d'étranglement et améliorer la pile de service — le modèle participant au système qui le sert.

Benchmarks : ce que Zhipu rapporte pour le modèle de base

Tous les chiffres suivants sont publiés par Zhipu pour GLM-5.3-Flash et s'appliquent à FlashX puisque le modèle est le même. Ce sont des résultats rapportés par le fournisseur, et non des reproductions indépendantes.

Benchmark	GLM-5.3-Flash	GLM-5.2
DeepSWE v1.1	63,4	46,2
AutomationBench	48,8	26,2
Z.ai Code Bench v1.0, effort max	29,0	Claude Opus 4.8 : 29,5

Zhipu rapporte également que GLM-5.3-Flash obtient 57 sur l'Artificial Analysis Intelligence Index v4.1.1 à 0,045 $ par tâche dans le cadre de sa tarification réduite — un niveau qui, selon lui, n'était auparavant disponible qu'à environ 10× le coût — et que ses performances en codage sont comparables à Claude Opus 4.8 sur le Z.ai Code Bench interne de l'entreprise.

Considérez ces éléments comme une orientation, non comme une garantie. Les benchmarks des fournisseurs sont généralement exécutés sur des versions de harnais favorables au fournisseur ; la ligne Z.ai Code Bench ci-dessus a été mesurée sur Claude Code 2.1.207. Relancez votre propre évaluation avant de basculer du trafic de production.

Architecture : pourquoi le palier Flash est peu coûteux à exécuter

FlashX hérite de la conception qui a rendu Flash peu coûteux à servir, ce qui explique pourquoi un palier plus rapide peut exister sans bond de prix vers les niveaux phares.

• Attention hybride sparse et linéaire. Zhipu le décrit comme le premier modèle frontière open-source à combiner les deux. L'attention linéaire capture les dépendances locales par modélisation d'état ; l'attention sparse récupère le contexte global pertinent via un indexeur léger.
• IndexPool. Quatre vecteurs de clé d'indexeur sont compressés en un seul par pooling pondéré, réduisant la latence et la surcharge mémoire de l'indexeur à un contexte de 1M de tokens.
• Manifold-Constrained Hyper-Connections (mHC) pour une meilleure efficacité de mise à l'échelle.
• Un coût par token inférieur à GLM-5.3. Zhipu rapporte 3,01× moins de calcul d'attention et un cache KV 4,44× plus petit que GLM-5.3. Par rapport à GLM-5.3, le nombre de paramètres activés passe de 32B à 18B et les couches de 92 à 45.
• Un corpus de pré-entraînement multimodal de 30 000 milliards de tokens.

Zhipu reconnaît franchement que le cache KV reste légèrement plus volumineux que celui de Kimi-K3 et de DeepSeek-V4-Flash et qualifie cela de piste de travail future — un rappel utile que les comparaisons d'architecture se font par dimension, et non selon un classement unique.

Ox-Alpha : le modèle anonyme testé en public

Avant le lancement de Flash, Zhipu a fait tourner GLM-5.3-Flash de manière anonyme sous le nom Ox-Alpha sur OpenCode et OpenRouter. Selon Zhipu, il est devenu le modèle le plus populaire de la semaine et a établi des records d'utilisation sur les deux plateformes, tout ce trafic étant servi sur des puces d'IA chinoises.

Pour les développeurs, l'intérêt ne réside pas dans la position au classement mais dans la méthode de validation : du trafic réel, de vrais agents de codage, un nom de modèle inconnu et aucune force de marque. C'est un signal plus fort qu'un tableau de benchmarks, bien qu'il s'agisse toujours d'un déploiement contrôlé par le fournisseur, sans méthodologie publiée.

Multimodal natif et codage visuel

GLM-5.3-Flash est le premier modèle de la série GLM-5 conçu comme multimodal dès le départ, et FlashX conserve cette caractéristique. Les images sont transmises sous forme de bloc de contenu avec type: image_url à l'intérieur de messages[].content[], en utilisant soit une URL, soit une URL de données Base64, et plusieurs blocs peuvent être combinés dans un même message. Les entrées vidéo et fichier sont documentées aux côtés de l'image et du texte.

La capacité qui compte le plus en pratique est le codage visuel : le modèle inspecte une interface rendue, la compare à la cible et itère. Zhipu documente des workflows pour reconstruire une application à partir de captures d'écran ou d'enregistrements, construire des scènes Blender, produire des prototypes de jeux Godot, exécuter des agents de navigateur et d'utilisation d'ordinateur, et reproduire des pièces de CAO — chacun avec le modèle vérifiant sa propre sortie rendue plutôt que de simplement générer du code.

La même boucle s'étend au travail documentaire. Zhipu démontre des livrables PPTX, PDF, DOCX et XLSX, de la recherche financière avec traçabilité des sources, de la revue de contrats avec annotations suivies, et de la rédaction juridique, le modèle rendant et inspectant visuellement sa propre sortie pour détecter les débordements, les désalignements et les styles incohérents.

Un exemple donné par Zhipu est inhabituellement concret : sans ressources externes, GLM-5.3-Flash a fonctionné de manière autonome pendant 16 heures pour construire une résidence de chef et une cuisine d'essai d'environ 400 m² sous forme de scène Blender.

Tarification : combien coûte FlashX

Prix catalogue officiels par 1M de tokens, issus des pages de tarification de Zhipu (vérifiés le 18 septembre 2026) :

Type de token	GLM-5.3-FlashX	GLM-5.3-Flash	GLM-5.3
Entrée (USD)	0,37 $	0,15 $	1,40 $
Entrée en cache (USD)	0,075 $	0,03 $	0,26 $
Sortie (USD)	1,25 $	0,50 $	4,40 $

Le stockage de l'entrée en cache est indiqué comme gratuit à durée limitée sur les trois paliers.

Exemple de coût. Pour 10M de tokens d'entrée non mis en cache et 1M de tokens de sortie, les prix catalogue donnent :

Charge de travail	GLM-5.3-FlashX	GLM-5.3-Flash	GLM-5.3
10M en entrée + 1M en sortie	4,95 $	2,00 $	18,40 $
Même volume, toute l'entrée depuis le cache	2,00 $	0,80 $	6,60 $

FlashX coûte environ 2,5× Flash en entrée et en sortie, et reste bien en dessous de GLM-5.3. Savoir si cela en vaut la peine dépend entièrement de ce que vous coûte un tour lent — pour un pipeline par lots, c'est rarement le cas, et pour un agent interactif, c'est souvent le cas.

Comment appeler GLM-5.3-FlashX

FlashX utilise la même interface chat-completions que Flash, donc la migration se fait en une seule ligne.

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_APIMASTER_KEY",
    base_url="https://apimaster.ai/v1",
)

response = client.chat.completions.create(
    model="glm-5.3-flashx",
    messages=[
        {
            "role": "user",
            "content": "Refactor this module for testability and show the diff.",
        }
    ],
    temperature=1,
    top_p=0.95,
    extra_body={
        "reasoning_effort": "max",
        "thinking": {"type": "enabled", "clear_thinking": False},
    },
)

print(response.choices[0].message.content)

Pour le streaming, ajoutez stream: true et tool_stream: true comme le recommande Zhipu. Notez que la réflexion ne peut pas être désactivée sur ce modèle, donc prévoyez des tokens de raisonnement dans votre estimation de coût et dans vos délais d'attente côté client.

Une piste de migration pratique : gardez l'ID de modèle configurable, envoyez une tranche représentative du trafic de production à la fois vers glm-5.3-flash et glm-5.3-flashx, et comparez le taux d'achèvement, le temps jusqu'au premier token et le coût par tâche terminée avant de basculer une charge de travail.

Choisir entre FlashX, Flash et GLM-5.3

• Choisissez FlashX pour les produits interactifs, les complétions côté IDE et les boucles d'agents avec de nombreux tours courts, où le temps réel par tour est la contrainte et où la charge de travail reste dans les capacités de la classe Flash.
• Choisissez Flash pour le traitement par lots, la génération hors ligne et les pipelines à fort volume où le coût par tâche importe plus que la latence — et pour les déploiements à poids ouverts ou auto-hébergés, puisque Flash est le palier dont les poids sont publiés.
• Choisissez GLM-5.3 lorsque vous avez besoin du plafond du modèle phare plutôt que du profil de coût du palier Flash.
• Ne supposez pas que le gain de vitesse s'applique uniformément. Les requêtes à contexte long et à forte composante de prefill et les tours d'agent liés aux outils peuvent bénéficier de beaucoup moins que les tâches de génération courte. Mesurez la charge de travail que vous exécutez réellement.

Commencez avec la famille GLM sur APIMaster.ai

APIMaster vous donne une clé compatible OpenAI pour la famille GLM aux côtés de Claude, GPT, DeepSeek, Qwen, Gemini, Kimi et d'autres modèles — avec une tarification à l'usage à partir de 1 $ et jusqu'à 70 % de réduction sur les tarifs officiels sur certaines routes.

Parce que FlashX conserve le même format de requête que Flash, les équipes qui appellent déjà GLM via APIMaster peuvent évaluer le palier plus rapide sans toucher à leur intégration au-delà de l'ID de modèle.

1. Créez un compte APIMaster.
2. Ajoutez du crédit à l'usage, à partir de 1 $.
3. Créez une clé API dans la console APIMaster.
4. Pointez votre client compatible OpenAI vers https://apimaster.ai/v1 et définissez l'ID de modèle que vous souhaitez évaluer.

S'inscrire sur APIMaster · Explorer la place de marché des modèles · Tester l'identité d'un modèle

FAQ

GLM-5.3-FlashX est-il un nouveau modèle ? Non. C'est le palier de service haute vitesse de GLM-5.3-Flash. Même modèle, même fenêtre de contexte, même entrée multimodale — une configuration d'inférence plus rapide et un prix différent.

Quel est l'ID de modèle de GLM-5.3-FlashX ? glm-5.3-flashx. Le palier standard est glm-5.3-flash.

Quelle est la vitesse de GLM-5.3-FlashX ? Zhipu publie un maximum de 200 tokens/s. C'est un chiffre de pointe ; mesurez le temps jusqu'au premier token et le débit soutenu sur vos propres prompts.

Combien coûte GLM-5.3-FlashX ? Zhipu affiche 0,37 $ par 1M de tokens d'entrée, 1,25 $ par 1M de tokens de sortie et 0,075 $ par 1M de tokens d'entrée en cache — environ 2,5× le prix de GLM-5.3-Flash en entrée et en sortie.

Quelle est la fenêtre de contexte ? 1M de tokens, avec jusqu'à 128 000 tokens de sortie, comme GLM-5.3-Flash.

GLM-5.3-FlashX peut-il accepter des images et de la vidéo ? Oui. Il accepte les entrées vidéo, image, texte et fichier et renvoie du texte. Les images sont envoyées sous forme de bloc de contenu image_url, par URL ou URL de données Base64.

GLM-5.3-FlashX est-il inclus dans le GLM Coding Plan ? Pas au lancement. GLM-5.3-Flash est entièrement disponible sur le plan avec un quota 3× celui de GLM-5.3, et les appels hors pointe, y compris tout le week-end, consomment 50 % des points standard.

Puis-je désactiver la réflexion pour économiser des tokens ? Non. thinking.type ne prend en charge que enabled. Zhipu recommande de conserver l'historique de réflexion (clear_thinking: false) pour le travail multi-tours.

Les chiffres de benchmark sont-ils indépendants ? Non. Ils sont publiés par Zhipu. Considérez-les comme indicatifs et relancez votre propre évaluation avant d'engager du trafic de production.

Sources et lectures complémentaires

• Z.ai — Documentation du modèle GLM-5.3-Flash/FlashX — ID de modèles, paramètres, capacités, réglages recommandés, benchmarks et détails de service
• Z.ai — Tarification — prix catalogue officiels par 1M de tokens
• Z.ai — Blog technique GLM-5.3-Flash — architecture, comparaisons d'efficacité et tableaux d'évaluation
• Hugging Face — zai-org/GLM-5.3-Flash — poids ouverts du modèle de base
• PANews — Zhipu lance GLM-5.3-FlashX — rapport de lancement et contexte Ox-Alpha

Toutes les sources ont été vérifiées le 18 septembre 2026. Les prix et la disponibilité changent ; vérifiez les conditions actuelles avant d'engager une charge de travail importante.