目录
- 一、概述
- 二、发布策略：Ox-Alpha 匿名实测
- 三、模型家族与规格概览
- 四、核心技术与新特性
- 五、性能评测：追平 Claude Opus 4.8
- 六、定价分析
- 七、产品生态与市场表现
- 八、国产算力底座：10 万张芯片与 SGLang 定制引擎
- 九、竞争格局
- 十、双轨协同：旗舰探顶与 Flash 落地的战略闭环
- 十一、挑战与隐忧
- 十二、总结与展望
- 参考来源
一、概述
GLM-5.3-Flash（320B-A18B） 是智谱 AI（Z.ai）于 2026 年 8 月 26 日正式上线并开源的多模态模型，也是 GLM-5 系列的首个原生多模态模型。其发布方式十分特殊：正式发布前一周，智谱以匿名模型身份 Ox-Alpha（中文社区称为"牛来"）在 OpenRouter 与 OpenCode 上进行大规模真实流量测试，登顶双平台调用量榜首后才正式揭晓身份——"匿名上线、全网实测、择日揭晓"（据财联社、搜狐/DoNews）。以 GLM-5.3 十分之一的价格，提供与 Claude Opus 4.8 持平的智能水平，且全部跑在国产芯片上。
值得注意的是，这是一次"以紧凑架构对标前沿旗舰"的发布：模型总参数 320B、激活参数仅 18B、层数较 GLM-4.5 减半（92 → 45），在 Artificial Analysis 智能指数上取得 57 分，与 Claude Opus 4.8 持平，全面超越参数量高出一倍的 GLM-5.2；定价则仅为 GLM-5.3 的 1/10（限时折扣内 1/20）、Opus 4.8 的 1/40。开源计划方面，权重以 MIT 协议即刻上线 HuggingFace，已接入 ZCode 等编程平台并纳入 GLM Coding Plan（每天限量 1 万张体验卡），API 同步开放。同时，该模型测试期及发布后的全部线上流量均由 10 万张国产芯片承载——这也是国产算力芯片首次大规模直接服务全球真实负载。
二、发布策略：Ox-Alpha 匿名实测
GLM-5.3-Flash 的发布流程在行业内开创了一种新打法：
- 8 月 20 日 — 模型以 "Ox-Alpha" 匿名身份上线全球最大模型聚合平台 OpenRouter 与 OpenCode：1M token 多模态上下文、131,072 token 最大输出，并以完全免费方式提供当周服务；
- 上线首日 — 调用量登顶并创下单日历史纪录，终结 DeepSeek 在 OpenCode 长达 56 天的霸榜；
- 测试期内 — 单日处理 tokens 达 62T（峰值承载能力约 100 万亿 Token/天），6 天内全球开发者消耗数十万亿 Token，成为双平台当周最受欢迎模型，刷新双平台历史纪录；
- 身份猜测 — 独立研究员发布"技术指纹"报告：分词器在 25 组提示词测试中与 GLM-5.3 的 Token 计数完全一致、11 项探针交叉测试与 GLM 家族全匹配，"99% 把握"指向智谱（亦有观点因 Ox Alpha 的 cl100k_base BPE 分词器猜测其为微软 MAI 2，最终被证伪）；
- 8 月 26 日晚 — 智谱正式揭晓：Ox-Alpha 即 GLM-5.3-Flash，并同步开源权重。
该发布方式的核心价值在于：在正式发布模型前便完成了真实流量压测、收割盲测口碑，一定程度上规避了发布后才发现服务问题的风险，同时为官方后续的性能声明提供市场验证背书。
三、模型家族与规格概览
3.1 版本定位对比
| 维度 | GLM-5.3-Flash | GLM-5.3（旗舰） |
|---|---|---|
| 定位 | 低价多模态走量，性价比标杆 | 前沿编程 + 网安能力旗舰 |
| 参数规模 | 320B-A18B，45 层 | 744B-A40B，78 层 |
| 基座 | 全新训练的基座模型 | 与 GLM-5.2 同基座（纯后训练） |
| 模态 | 原生多模态（图文视频） | 纯文本 |
| 架构 | 稀疏 + 线性注意力混合 | 传统注意力 + IndexShare |
| 开源节奏 | 发布即开源（MIT） | 发布两周后开源 |
| 定价 | GLM-5.3 的 1/10 | 基准 |
3.2 技术规格与参数
| 参数 | 数值 |
|---|---|
| 总参数量 | 321B（官方宣传口径 320B） |
| 激活参数 | 18B（每 token 激活 8/288 个专家） |
| 层数 | 45 层（34 层 KDA + 11 层 NoPE 稀疏 MLA，约 3:1） |
| 架构 | 多模态 MoE + 混合注意力（KDA 线性注意力层 + NoPE 稀疏 MLA 层） |
| 上下文窗口 | 1,048,576（1M）token |
| 最大输出 | 131,072 token |
| 模态 | 文本 + 图像 + 视频 |
| 权重精度 | 原生 FP8（默认）；BF16 变体 |
| KV 缓存 | FP8（Blackwell）；Hopper 需 BF16 |
| 多 token 预测 | MTP 草稿层（num_speculative_tokens=5） |
| 推理框架 | SGLang、vLLM（0.27.0+）、TokenSpeed、KTransformers；FlashInfer 0.6.17+（NoPE 稀疏 MLA 必需） |
| 硬件支持 | NVIDIA Hopper+；AMD Instinct gfx950（ROCm） |
| 权重体积 | FP8 约 306 GiB；BF16 约为其 2 倍 |
| 开源协议 | MIT（HuggingFace：zai-org/GLM-5.3-Flash 与 -BF16） |
3.3 与 GLM-5.3 的关系：同代代号下的两条独立技术线
需要澄清一个容易误解的点：GLM-5.3-Flash 与 GLM-5.3 并非同一基座。官方模型卡明确写道："GLM-5.3-Flash starts from a newly trained base model, with its architecture and training recipe redesigned around capability and efficiency"；而 GLM-5.3 旗舰版官方声明是"It uses the same base model as GLM-5.2 — every gain comes from post-training"。两者对比：
| 维度 | GLM-5.3（旗舰） | GLM-5.3-Flash |
|---|---|---|
| 基座 | 与 GLM-5.2 相同 | 全新训练 |
| 预训练语料 | 沿用 5.2 | 30T Token 多模态语料 |
| 架构 | 与 5.2 相同（IndexShare 稀疏注意力；256 路由专家选 8 + 1 共享） | 全新混合注意力（34 层 KDA + 11 层 NoPE 稀疏 MLA，3:1）、mHC、45 层 |
| 参数规模 | 744B / 40B 激活 / 78 层 | 320B / 18B 激活 / 45 层 |
| 模态 | 纯文本（1M / 128K 输出） | 原生图文视频（1M / 131K 输出） |
| 能力来源 | 后训练规模化 | 架构重建 + 多模态预训练 |
这与 DeepSeek 的命名逻辑（V4-Pro / V4-Flash 同基座、同代不同尺寸）形成鲜明对比：智谱的 "Flash" 不是旗舰的"缩水版"，而是"新架构 + 更小规模 + 多模态"的差异化新线。两条线共享的只有"5.3"世代代号、后训练方法论与产品生态，而非模型权重。这也解释了为何 Flash 的 AA 指数（57）能超过 GLM-5.2（53）——它本质上比 GLM-5.2 更新一整代，而 GLM-5.3 只是同一基座上的后训练加强。
此外，Flash 线本就有自己的谱系：其前代是 GLM-4.7-Flash、GLM-4.6，历来是智谱的独立产品线，本次才升级至 5.x 世代编号并首次多模态化；据华尔街见闻报道，Flash 参数规模约为旗舰的 40%（来源）。
推论：智谱实际上在并行验证两条路线——旗舰线验证"同一基座 + 后训练规模化"（能力上限，如网安涌现），Flash 线验证"架构重建 + 成本极致化"（性价比普适，如多模态）。
四、核心技术与新特性
1. 混合注意力架构：开源前沿模型首次
GLM-5.3-Flash 是首个采用"稀疏注意力 + 线性注意力"混合架构的开源前沿模型，其 45 层语言模型由 KDA 线性注意力层（34 层）与 NoPE 稀疏 MLA 层（11 层）以约 3:1 交错构成（Sebastian Raschka 称此为类似 Kimi Linear 的"超级混合"模式）：
- KDA 线性注意力：通过递归机制捕获局部依赖关系，支持 1M 上下文下的高效解码；
- NoPE 稀疏 MLA：借助轻量级索引器召回全局上下文，无需位置编码（NoPE）；
- IndexPool：通过加权池化将索引器的 4 个缓存向量压缩为 1 个，进一步降低 1M 上下文下索引器的时延与内存开销。
配合流形约束超连接（mHC）提升模型 Scaling 能力，并以智谱最新的 30T Token 多模态预训练语料完成预训练。官方强调，该模型从全新训练的基座起步，架构与训练流程围绕效率与成本重新设计，而非在既有旗舰上做后训练——与 GLM-5.3（和 5.2 同基座）形成两种截然不同的升级路径。
2. 多模态能力：GLM-5 系列首次原生多模态
- 原生支持图像与视频输入，与文本推理在同一参数空间内进行；
- 1M token 上下文 + 131K 输出，适配长视频理解与长文档代理任务。
3. 效率优化：以更少计算实现更强性能
| 指标 | GLM-5.3-Flash 相对 GLM-5.3 |
|---|---|
| 每层注意力计算量 | 降低 3.01 倍 |
| 每层平均 KV 缓存（BF16） | 降低 4.44 倍 |
| ![[Pasted image 20260827110932.png]] | |
| 关键观察：在所有对比基线（含 DeepSeek-V4-Flash、Kimi-K3）中，GLM-5.3-Flash 的注意力计算量最低；但 KV 缓存仍略高于 Kimi-K3 与 DeepSeek-V4-Flash，官方表示这是后续优化的方向。 |
4. 推理系统优化
- 原生 FP8 权重：默认权重即 FP8（约 306 GiB），降低显存与带宽压力；KV 缓存同样支持 FP8（Blackwell 平台）；
- MTP 投机解码：内置 MTP 草稿层，vLLM 侧可用
--speculative-config启用多 token 推理，解码吞吐大幅提升； - Prefill/Decode 分离：支持单节点内编解码池拆分，通过 NIXL KV 传输桥接，KDA 卷积状态与 KV 布局需两侧一致（vLLM 配置中通过
VLLM_SSM_CONV_STATE_LAYOUT=DS、VLLM_KV_CACHE_LAYOUT=HND固定）。
5. 本地部署生态
SGLang（官方 cookbook）、vLLM（recipes + FlashInfer）、TokenSpeed（Lightseek）、KTransformers 均已适配；显存需求 FP8 约 306 GiB（8 卡 80G 可 TP4 部署），BF16 约翻倍。
五、性能评测：追平 Claude Opus 4.8
- AA 智能指数（Artificial Analysis Intelligence Index）：57 分，与 Anthropic 最受欢迎的模型 Claude Opus 4.8 持平；高于 GLM-5.2（53 分）和 DeepSeek V4 Pro 正式版（53 分）。
- 编程能力：在智谱自研 Z.ai Code Bench 体感评估中，编程表现与 Claude Opus 4.8 相当；官方表示其在编码与 Agent 基准上"逼近 Opus 4.8"。
- 综合表现：全面超越参数量高出一倍的 GLM-5.2。
评测口径说明（据官方模型卡）：HLE w/ tools 在 300K 上下文压缩策略下评测（temperature=1.0、top_p=0.95、最大生成 163,840 token，以 GPT-5.6-luna medium 为裁判模型）；NL2Repo 在 1M 上下文下评测（max_new_tokens=64K）。跨模型对比时需注意口径差异。
这说明 GLM-5.3-Flash 已进入全球前沿模型能力区间，且以极低价格实现——"同样智力，1/40 价格"。
六、定价分析
6.1 API 定价（人民币 / 百万 token）
| 计费项 | 价格 |
|---|---|
| 输入 | ¥0.8 |
| 输出 | ¥2.8 |
| 缓存命中 | ¥0.23 |
海外平台报价约 $0.15 / $0.50（每百万 token，据 Wccftech 引述）。
6.2 价格锚定
- 为 GLM-5.3 的 1/10；限时折扣期内低至 1/20；
- 仅为 Claude Opus 4.8 的 1/40。
6.3 市场背景：DeepSeek 涨价之后
GLM-5.3-Flash 发布于 DeepSeek V4 全系涨价（8 月 17 日生效，最高涨幅 1100%）之后。在"用得起的前沿模型"呼声日高的背景下，智谱以"前沿能力 + 1/40 价格 + 国产算力底座"的组合再度击穿前沿模型的价格底线，与 DeepSeek 的涨价形成鲜明对比，被视为对价格敏感市场的精准卡位（据财联社）。
七、产品生态与市场表现
- 开源：权重已上线 HuggingFace（
zai-org/GLM-5.3-Flash、zai-org/GLM-5.3-Flash-BF16），MIT 协议； - 编程工具：已接入 ZCode 等编码平台；
- 订阅计划：纳入 GLM Coding Plan，每天限量发放 10,000 张体验卡；
- API：已同步开放调用；
- 市场表现：测试期（8 月 20–26 日）单日最高 62T tokens、峰值承载约 100 万亿 Token/天，终结 DeepSeek 在 OpenCode 56 天霸榜，双平台当周最受欢迎。
八、国产算力底座：10 万张芯片与 SGLang 定制引擎
GLM-5.3-Flash 发布中最具战略意义的细节在于其推理底座：
- 规模：测试期全部线上流量 + 发布后的线上服务，均由 10 万张国产芯片承载，通过自研高带宽互联网络连接。这是国产算力芯片首次大规模直接服务全球真实负载；
- 芯片来源：据相关人士透露，或来自华为、海光、摩尔线程；
- 工程挑战：国产芯片的主要瓶颈在内存容量与带宽，支撑 1M 上下文极具挑战。智谱为此在 SGLang 基础上构建了专用推理引擎：
- EPD（Encode–Prefill–Decode）分离式架构：将多模态编码、prompt 预填充、逐 token 解码拆分为可独立调度与扩缩容的工作池；
- 激进内存优化：算力换带宽、通信换显存；节点内张量并行、ReplaySSM、W8A8 量化、INT8/FP8/BF16 混合缓存量化、Layer Split 等；
- 成果：与同一硬件上的初始基线相比，端到端服务性能提升 3 倍；硬件效率和单 token 成本已达到与主流英伟达 GPU 相当的水平。
另一个值得注意的细节：整套推理引擎的构建由 GLM-5.3 驱动的 infra agent 大大加速——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，形成"模型优化系统，系统承载模型"的正向循环。海外研究机构 SemiAnalysis 评论称，这一事件意味着"英伟达护城河再受考验"。
九、竞争格局
| 参数 | GLM-5.3-Flash | DeepSeek V4-Flash | Kimi K3 | Claude Opus 4.8 |
|---|---|---|---|---|
| 总参数量 | 321B | 284B | 2.8T | 未公布（闭源） |
| 激活参数 | 18B | 13B | 104B | 未公布 |
| 架构 | MoE + 混合注意力 | MoE（CSA+HCA） | MoE + KDA 混合线性注意力 | 未公布 |
| 模态 | 图文视频 | 纯文本 | 图文视频 | 图文 |
| 上下文 | 1M | 1M | 1M | 未公布 |
| AA 智能指数 | 57 | 未公布 | 57（#3） | 57 |
| 开源 | 已开源（MIT） | 已开源（MIT） | 已开源 | 闭源 |
| 输入/输出定价 | ¥0.8 / ¥2.8 | ¥1.5–3 / ¥4.5–9 | ≈¥20 / ¥100 | $5 / $25 |
关键观察：GLM-5.3-Flash 以不到 Kimi K3 三十分之一的输出价格，取得与其整数级别的智能表现；与 DeepSeek V4-Flash 相比规模略大但价格更低近一半。开源三强中，它目前是唯一"多模态 + 1M 上下文 + 前沿 AA 分数 + 极致低价"四者兼得的模型。
十、双轨协同：旗舰探顶与 Flash 落地的战略闭环
智谱在 2026 年 8 月通过 GLM-5.3（8 月 14 日）与 GLM-5.3-Flash（8 月 26 日）两波密集发布，确立了明确的技术分工与战略闭环：不再沿用"参数越大越好"的粗放迭代，而是转向"旗舰探顶 + Flash 落地"的双轨并行范式。
路线一：旗舰线（GLM-5.3）——「同一基座 + 后训练规模化」
旗舰线的核心使命是不计成本地探索智能上限与能力涌现：
- 基座零变动：GLM-5.3 完全沿用 GLM-5.2 的 744B 总参数 / 40B 激活（MoE，256 个路由专家每 Token 选 8 个 + 1 个共享专家；78 层 + IndexShare 稀疏注意力）预训练权重，未增加预训练 Token，算力重心彻底转向后训练阶段；
- 后训练 Scaling 基础设施：通过 SAO（长时程 RL 策略）、IndexShare 与可交互仿真沙箱环境，配合 slime 框架，让模型在接近专家数天工作量的复杂长程任务中进行强化学习（端到端训练吞吐较前代提升 2.3 倍以上）；
- 网安能力的意外涌现：在 CyberGym（84.5%，SOTA）、ExploitBench（54.4%，较 5.2 翻倍以上）等基准上，模型不仅识别孤立漏洞，还自主涌现出跨阶段多步推理、串联漏洞利用链（Exploitation Chain）的端到端攻防能力，并在真实代码库中发现 2,436 个漏洞（含 1,097 个中高危）——引发全球对开放权重模型自主安全边界的技术讨论。
路线二：Flash 线（GLM-5.3-Flash）——「架构重建 + 成本极致化」
Flash 线的核心使命是重构能效比，让前沿多模态与 Agent 能力走向大规模低成本普及：
- 架构深度瘦身与重构：打破旗舰架构包袱，总参数降至 320B、激活参数压缩至 18B，层数从 92 层削减至 45 层；首创稀疏注意力与线性注意力混合架构（34 层 KDA + 11 层 NoPE 稀疏 MLA），使注意力计算量与 KV 缓存占用分别骤降 3.01 倍与 4.44 倍；
- 原生多模态与 Visual Coding：不同于纯文本旗舰，Flash 原生融入视觉编码能力，将视觉编码并入 Coding 循环，形成"生成 — 观察 — 修正"闭环——官方演示中，模型在 Blender 中自主运行 16 小时，从零搭建出约 400 平方米的专业主厨自宅与测试厨房（前端 UI 渲染验证、游戏构建、3D 视效等场景均属此类）；
- 国产芯片适配与成本下探：将多模态编码、Prefill 预填充、Decode 解码拆为 EPD 三套独立调度池，在 10 万张国产芯片集群上端到端性能较基线提升 3 倍；API 定价仅为 GLM-5.3 的 1/10（限时折扣内 1/20），约为 Claude Opus 4.8 的 1/40。
双轨协同架构对比
| 维度 | 旗舰线（GLM-5.3） | Flash 线（GLM-5.3-Flash） |
|---|---|---|
| 战略定位 | 探索智能上界、突破前沿基准 | 极低成本落地、多模态全场景渗透 |
| 模型结构 | 744B-A40B，78 层 MoE（256 选 8 + 1 共享） | 320B-A18B，45 层混合注意力（34 KDA + 11 稀疏 MLA） |
| 训练重心 | 纯文本后训练 RL Scaling（复杂环境/沙箱） | 30T 多模态全新预训练 + 后训练对齐 |
| 核心突破 | 复杂编程（Coding Agent）、网安攻防链涌现 | 原生 Visual Coding（生成-观察-修正闭环）、超轻 KV 缓存、国产芯片高吞吐 |
| 模态支持 | 纯文本（1M Context / 128K 输出） | 原生图文多模态（1M Context / 131K 输出） |
| 定价与门槛 | 旗舰标准计费（输出约 ¥28/百万） | 价格砍至 1/10 ~ 1/20，约为 Opus 4.8 的 1/40，全面开源（MIT） |
核心本质
这种双轨并行印证了当前大模型演进的新规律：旗舰线通过"加深后训练（RL）"验证大模型在自主规划、工具协同与复杂领域（如攻防）的能力天花板；一旦在天花板上测出关键规律，Flash 线便通过"架构重构 + 高效稀疏化"将这套能力以极致低成本形态下沉——既保证技术探索的先锋性，又守住商业化交付与开发者生态的护城河。旗舰的网安涌现成果与 Flash 的视觉编码闭环，分别代表"能力上限"与"成本普适"两种价值，构成智谱在港交所上市（02513.HK）后兼顾利润率与市场份额的完整叙事。
十一、挑战与隐忧
- KV 缓存仍落后：每层 KV 高于 Kimi-K3 与 DeepSeek-V4-Flash，长上下文场景的成本竞争力尚未完全兑现，官方承诺继续优化；
- 折扣期后的真实定价：限时 1/20 折扣结束后能否留住用户，取决于 1/10 定价下的长期成本结构；
- 国产芯片稳定性未知数：10 万张国产芯片集群在全球真实负载下运行尚属首次，更大规模流量下的稳定性、故障率与成本账仍有待时间检验；
- 匿名测试的合规与平台规则：以匿名模型在开放平台大规模免费放量测试，可能引发 OpenRouter/OpenCode 对"匿名模型"的规则调整或其他厂商效仿；
- 能力分层：Flash 未继承 GLM-5.3 旗舰的网安后训练成果（漏洞发现 2436 个等），多模态 + 代码双强之外，安全类能力的下沉路径尚不明朗。
十二、总结与展望
核心结论
- GLM-5.3-Flash 以 320B/18B 的紧凑架构、57 分 AA 指数（持平 Opus 4.8）和 1/40 价格，重新定义了前沿多模态模型的性价比基准；
- Ox-Alpha 匿名实测是发布策略上的创新，发布即带市场验证；
- 10 万张国产芯片 + SGLang 深度定制引擎支撑起全球真实负载，国产算力首次大规模集体出海并证明可用；
- 在 DeepSeek 涨价之际逆势击穿价格底线，战略时机精准；
- 技术路径分化：GLM-5.3-Flash 与旗舰并非同一基座——旗舰走"同基座、纯后训练"路线，Flash 走"全新基座、架构重建 + 多模态"路线，二者共享世代代号与生态、不共享模型权重；智谱正在用两条腿同时验证"能力"与"成本"两个极限。
后续值得关注的问题
- 限时折扣（GLM-5.3 的 1/20）结束后，实际留存定价与用户规模；
- KV 缓存仍高于 Kimi-K3 / DeepSeek-V4-Flash，后续优化进度；
- 国产芯片集群在更大规模流量下的稳定性与成本账；
- GLM Coding Plan 体验卡每日 1 万张的转化效果；
- 匿名测试打法是否会引发其他厂商效仿，以及 OpenRouter 等平台对"匿名模型"的规则变化；
- Flash 是否会把 GLM-5.3 旗舰版的网安后训练成果（漏洞发现能力）部分下沉。
参考来源
- 财联社/科创板日报：10万张国产算力卡扛起"牛来"：智谱开源GLM-5.3-Flash
- 品玩：Z.ai开源GLM-5.3-Flash多模态模型 定价仅为Opus 4.8的1/40
- 搜狐/DoNews：智谱发布今日上线并开源多模态模型GLM-5.3-Flash：320B总参数
- 凤凰科技：Ox Alpha现身：智谱开源GLM-5.3-Flash原生多模态模型
- SiliconAngle：Z.ai open-sources 'Ox Alpha' model as GLM-5.3-Flash
- 新京报：智谱开源GLM-5.3-Flash"牛来"，背后是国产芯片
- 36氪：智谱"牛来"模型算力谜底：全部国产卡承载，价格仅为Opus 4.8的1/40
- 钛媒体：GLM-5.3-Flash发布，多模态终于来了
- Wccftech：Zhipu Unmasks The Mystery Ox Alpha Model as GLM-5.3-Flash
- vLLM Recipes：zai-org/GLM-5.3-Flash 部署配置
- HuggingFace：zai-org/GLM-5.3-Flash 模型卡
- Z.ai 官方博客：GLM-5.3-Flash
- 智谱官方文档：GLM-5.3-Flash API
- CSDN：GLM-5.3 技术解析：不换基座，Coding 能力为何暴涨 50%？（744B/40B、78 层、256 专家选 8 等规格口径）
- 站长之家/AIbase：国产大模型打出王炸！智谱GLM-5.3-Flash原生多模态颠覆行业价格战（Visual Coding 闭环与 Blender 16 小时案例）
- 华尔街见闻/大象银行：智谱认领"牛来"：SemiAnalysis 评"英伟达护城河再受考验"（参数约旗舰 40%、DeepSeek 提价后需求外溢）
- DataLearner：GLM-5.3-Flash：架构、视觉编程能力、官方评测与价格（前代 GLM-4.7-Flash、5 折期至 9 月 9 日、第三方评测）
- 新浪科技：Sebastian Raschka 绘制的 GLM-5.3-Flash 架构图（34 层 KDA + 11 层 MLA 的 3:1 混合构成）
本页是这篇文章的静态镜像。在互动版中打开，可使用附件下载、作者署名与目录导航。