不久前，在 OpenCode 和 OpenRouter 上进行了出现了一个名为 Ox-Alpha（中文社区称作牛来）的模型，并迅速成为当周最受欢迎的模型。而就在近日，智谱 AI 出面认领了这个中文名为 " 牛来 " 的模型，就是其最新发布的 GLM-5.3-Flash。值得注意的是，GLM-5.3-Flash 是 GLM-5 系列的首个原生多模态模型。
重新定义模型 " 斩杀线 "
Ox-Alpha 上线首日即冲至 OpenRouter 榜首，并刷新单日 tokens 用量历史纪录，相较 OpenRouter 平台之前最大 tokens 量提升 4 倍。
能力强只是 GLM-5.3-Flash 最不值得一提的一个环节，GLM-5.3-Flash 带来的惊喜之一就是将模型的价格 " 打下来 "。原先，大模型有着参数越大、能力越强、价格越贵的定律，OpenAI 的 GPT-4 系列、Anthropic 的 Claude Opus 系列，无不遵循这一定律。就连智谱自己的 GLM-5.3，上半年提价后输出价格也达到了 28 元。
GLM-5.3-Flash 的出现，打破了这条曲线。GLM-5.3 Flash 的 Artificial Analysis Intelligence 分数为 57 分，超过了上一代旗舰模型 GLM-5.2，也高于 DeepSeek 旗舰模型 V4 Pro 正式版的 53 分。在 Artificial Analysis Intelligence Index 的公开榜单上，GLM-5.3-Flash 的 57 分 " 远高于同类模型的中间值（18 分）"。
而就是这种比肩主流闭源模型的能力，其价格主流模型的四十分之一。官方数据显示，GLM-5.3-Flash 每百万 Token 输入 0.8 元、输出 2.8 元、缓存命中价格 0.23 元。横向对比调价后的 DeepSeek V4 Flash ——其谷时价格分别为输入 1.5 元、输出 4.5 元。综合输入和输出成本，GLM-5.3-Flash 在绝大多数常规调用场景下比 DeepSeek V4 Flash 更便宜。
而对比 Claude Opus 4.8，差距更加悬殊。按当时汇率折算，Opus 4.8 每百万 Token 输入约 35 元、输出约 175 元。GLM-5.3-Flash 的价格仅为对方的四十分之一左右。
" 同样智力，1/40 价格，前沿智能，第一次不需要省着用。" 智谱在发布公告中这样写道。
8 月，DeepSeek V4 Flash 已经完成了一轮提价。涨价说明市场有强劲需求——也说明 " 便宜 " 这件事，在商业上不可持续太久。而智谱在 GLM-5.3-Flash 上选择的路径恰恰相反：用更低的成本结构，支撑更低的价格，同时不牺牲模型能力。这不再是一个单纯的市场营销动作，而是一次工程能力的验证。
多模态终于来了
此前，智谱首席科学家唐杰在社交平台上发起全球意见征集，为 GLM-5.3 收集功能建议，浏览量超过 40 万。评论区被一个词刷屏了：视觉。
GLM-5.3-Flash 是 GLM-5 系列的首个原生多模态模型。视觉编码（Visual Coding）并不只是处理图像，它拓展编程所能触及的边界。对于前端开发、游戏开发、3D 仿真等任务而言，最终产物包括用户能够感知的界面、交互或虚拟世界，视觉能力被原生集成进模型中，使其能够自主判断何时需要 " 观察 "，并利用视觉反馈来指导下一步行动。
GLM-5.3-Flash 的多模态能力，最直接的落点是 Coding。
传统编程模型的工作方式是：你给它需求，它输出代码，然后你拿去跑、去看效果、发现问题、再把问题喂回给它。这是一个 " 人 " 在闭环里当裁判的流程。GLM-5.3-Flash 把裁判也交给了模型自己——视觉能力被原生融入 Coding 循环，使模型能够主动观察界面、渲染结果与交互反馈，并据此持续测试和改进。
这意味着什么？模型写完前端代码，可以自己 " 看 " 一下渲染出来的页面长什么样；做完一个游戏功能，可以自己 " 玩 " 一下看看有没有 bug；搭完一个 3D 场景，可以自己 " 转 " 一圈检查各个视角是否协调。
智谱针对视觉编码开发了专门的数据合成流水线，重点训练模型的自我视觉判断与测试时改进能力。最终生成的轨迹要求模型与环境交互、检视自身输出，并进行迭代式改进。这不再是 " 生成代码 " 的单向输出，而是一个 " 生成 - 观察 - 修正 " 的闭环。
智谱官方展示：GLM-5.3-Flash 在 Blender 中自主运行了 16 个小时，没有任何外部素材，从零搭建了一套约 400 平方米的专业主厨自宅与测试厨房。
这个任务远不止 " 写代码 " 那么简单。在 Blender 中构建一个连贯的 3D 场景，需要把几何、材质、光照与空间等知识转化为一个在不同视角下都保持一致的 3D 结构。模型需要判断什么时候该 " 看一眼 " 渲染结果，再用看到的结果决定下一步该做什么。它要自己决定墙怎么砌、光怎么打、厨房动线怎么规划——然后看到效果，再调整，再看到效果，再调整。16 个小时，一个模型在虚拟世界里当了一次建筑师兼室内设计师兼施工队。
另一个官方展示的案例是复刻游戏《泰拉瑞亚》。从图像到可运行工程，从两小时电影到 8 分钟成片，这些实测合集展示的，是一个不仅能写代码、还能 " 看懂 " 自己写了什么的模型。
跑在国产卡上
GLM-5.3-Flash 最不寻常的地方，或许不在模型本身，而在它跑在什么上面。
过去一周，智谱首次尝试用一个大规目国产芯片集群，直接承载来自全球开发者的真实线上负载。据了解，官方没有确认具体供应商，也没有公布具体芯片数量，但据某些媒体报道，其调用超过 10 万张国产芯片，算力供应商或来自华为、摩尔线程与海光，有知情人士透露，训练或由海光 DCU 等国产芯片支持。
但可以确认的是：Ox-Alpha 在 OpenCode 和 OpenRouter 上的所有请求流量，全部由国产芯片提供算力支持。这是一次真实的、持续的压力测试——不是在实验室里跑几个峰值数据，而是让全球开发者用脚投票。用户不知道模型背后是谁、用的是什么芯片，只根据速度、稳定性和效果决定是否继续调用。
结果，Ox-Alpha 成了当周最受欢迎的两个平台上的调用冠军。
国产芯片跑前沿大模型，这件事本身就很有挑战性。单张国产芯片当前面对的主要瓶颈是内存容量和带宽，而 GLM-5.3-Flash 又原生支持最长 1M 上下文，对显存和通信提出了更高要求。
智谱的解法是在 SGLang 基础上构建专用推理引擎，并做了一系列激进的内存优化。包括节点内张量并行、ReplaySSM、W8A8 量化、INT8/FP8/BF16 混合缓存量化以及 Layer Split 等技术。核心思路是 " 以算力换带宽、以通信换显存 " ——用国产芯片相对充裕的算力，去弥补内存上的短板。
在集群层面，智谱采用了 Encode-Prefill-Decode（EPD）分离式架构。多模态编码、Prompt 预填充和逐 Token 解码被拆分为三个可以独立调度和扩缩容的工作池，让不同阶段按照各自的算力特征运行。
这套方案的效果是：与同一批硬件上的初始基线相比，端到端服务性能提升了 3 倍。智谱称，最终硬件效率和单 Token 成本已经达到与主流英伟达 GPU 相当的水平。
这里需要做一个重要区分。所谓 "1/40"，并不是说国产芯片的硬件推理成本只有海外 GPU 的 1/40。目前并没有公开数据支持这样的比较。更准确的理解是：一款全部由国产芯片集群承载的前沿模型服务，把面向用户的价格压到了 Claude Opus 4.8 的大约 1/40。
但这已经足够说明问题。国产芯片不仅可以跑前沿大模型，而且可以在大规模真实流量下跑得稳定、跑得经济。
更值得关注的是智谱形成的一个正向循环。整个推理引擎的构建工作，由 GLM-5.3 驱动的 infra agent 大大加速——它协助工程师开发与优化算子、诊断性能瓶颈、改进部署服务栈。" 模型优化系统，系统承载模型 "，这句话不再是一个愿景，而是已经跑通的现实。
过去一年，中国大模型公司一直在做两件事：把模型能力往前推，把推理成本往下压。GLM-5.3-Flash 在这两个方向上都迈出了一步——用更少的参数激活、更低的计算量、更高效的注意力机制，实现了与 Claude Opus 4.8 持平的综合智能评分；然后用国产芯片集群承接大规模真实流量，把价格压到了对方的四十分之一。
这不再是一个 " 追赶 " 的故事。当一款开源、原生多模态、全部跑在国产芯片上的模型，在第三方综合评测中与全球最受欢迎的闭源旗舰得分持平，而价格只有对方的四十分之一——行业竞争的规则，正在被重新书写。
GLM-5.3-Flash 的模型权重已通过 MIT 许可证在 Hugging Face 等平台开源，API 同步开放。任何人都可以下载、使用、二次开发。（本文首发于钛媒体 APP，文｜Leo 张 ToB 杂谈，作者｜张申宇，编辑丨盖虹达）
