GLM-5.3-Flash: 프런티어 지능을 플래시 가격에

Executive Summary

한 문단 요지

Z.ai가 2026-08-26 공개한 GLM-5.3-Flash는 GLM-5 시리즈의 첫 네이티브 멀티모달 모델이자 총 320B/활성 18B의 MoE. 하이브리드(선형+희소) 어텐션과 Manifold-Constrained Hyper-Connections(mHC), 30T 멀티모달 사전학습 코퍼스로 같은 총 파라미터 대비 절반의 활성·절반의 레이어로 GLM-5.2를 크게 상회하고 Claude Opus 4.8에 근접. Artificial Analysis Intelligence Index v4.1.1에서 57, 태스크당 $0.045(할인가)로 파레토 프론티어 갱신. MIT 라이선스로 HuggingFace에 웨이트 공개, 발표 전 OpenRouter/OpenCode에서 ox-alpha로 익명 서빙되며 한 주간 최다 사용 모델이 됐다고 주장. 서빙은 국산 AI 칩 클러스터 위 EPD 분리 구조로 초기 대비 3× 처리량, NVIDIA 급 단가 도달.

총 · 활성 파라미터

320B / 18B

MoE

레이어 수

45

GLM-5.3=92

컨텍스트

1M

tokens

AA Index v4.1.1

57

score

태스크당 비용 (할인)

$0.045

discounted

사전학습 코퍼스

30T

multimodal tokens

어텐션 연산 절감

3.0×

vs GLM-5.3

KV 캐시 절감

4.4×

vs GLM-5.3

서빙 개선

3×

국산칩 클러스터, 초기 대비

라이선스

MIT

HuggingFace zai-org

저자가 하는 여덟 가지 주장

1. 모델 정체성 — GLM-5 시리즈 첫 네이티브 멀티모달 모델. 총 320B, 활성 18B MoE.
2. 가격/성능 우위 — GLM-5.2를 벤치마크·실사용 워크로드 전반에서 앞서면서 가격은 1/10. 코딩·에이전트 벤치에선 Claude Opus 4.8에 근접.
3. 아키텍처 — GLM-5에 대비해 (i) 하이브리드 선형+희소 어텐션 최초 도입, (ii) mHC로 스케일링 효율 개선, (iii) IndexPool로 인덱서 4개 키를 가중풀링으로 1개로 압축. GLM-4.5(355B, 활성 32B, 92레이어) 대비 활성·레이어 모두 거의 절반(18B, 45).
4. 파레토 프론티어 — Artificial Analysis Intelligence Index v4.1.1에서 스코어 57, 태스크당 $0.045(할인). 종전에는 대략 10× 비용에서만 얻던 지능 수준.
5. 스텔스 프리뷰 — 출시 전 OpenCode/OpenRouter에서 ox-alpha로 익명 서빙, 한 주간 최다 사용 모델. 트래픽 전량을 국산 AI 칩으로 처리.
6. 시각 지능 for 코딩 — 자기시각판정·테스트타임 개선을 위한 데이터 합성 파이프라인. 프런트엔드 코딩엔 환경 피드백 기반 RL, 실사용자 흐름에 grounding된 에이전트 검증.
7. 일터의 파트너 — 문서·표·프리젠테이션·대시보드·인터페이스 같은 heterogeneous 시각+구조 아티팩트를 텍스트로 옮기지 않고 직접 해석·자기검증.
8. 국산 칩 서빙 — SGLang 기반 전용 추론 엔진, W8A8 양자화, INT8/FP8/BF16 하이브리드 KV 양자화, Layer Split; production-grade EPD(인코딩·프리필·디코딩) 분리 클러스터. 초기 베이스라인 대비 3× 개선, NVIDIA 급 단가.

핵심 이미지

원본 (완역)

Z.ai는 GLM-5.3-Flash를 소개합니다 — GLM-5 시리즈 최초의 네이티브 멀티모달 모델입니다. 총 320B 파라미터, 활성 18B 파라미터로, 벤치마크와 실제 워크로드 전반에서 GLM-5.2를 넘어서면서도 가격은 1/10에 그치고, 코딩·에이전트 벤치마크에선 Claude Opus 4.8에 근접합니다.

GLM-5.3-Flash는 GLM-5 대비 여러 아키텍처 개선을 반영합니다. 최초로 희소·선형 어텐션을 결합한 하이브리드 아키텍처를 도입해, 긴 컨텍스트 서빙 비용을 크게 줄이면서도 정밀한 장기 컨텍스트 능력은 유지합니다. 또한 Manifold-Constrained Hyper-Connections (mHC)를 채택해 스케일링 효율을 더 끌어올렸습니다. 최신 30T 토큰 멀티모달 사전학습 코퍼스와 함께, 이 변경들이 GLM-5.3-Flash로 하여금 더 적은 연산으로 더 많은 지능을 만들게 합니다.

공개 전에 저희는 GLM-5.3-Flash를 ox-alpha라는 이름으로 OpenCode와 OpenRouter에 익명으로 올려 사용자 피드백을 모았습니다. 곧바로 그 주의 최다 사용 모델이 되었고 — 이 모든 트래픽은 국산(중국) AI 칩 위에서 서빙됐습니다.

플래시 가격에 경쟁력 있는 성능

GLM-5.3-Flash는 Artificial Analysis Intelligence Index v4.1.1의 파레토 프론티어를 밀어냅니다 — 57점을 태스크당 $0.045(할인가)에. 종전에는 대략 10× 비용에서만 얻을 수 있던 지능 수준입니다. 광범위한 워크로드에 대해 강력한 기본값이 됩니다.

6가지 코딩·에이전트 벤치마크 전반에서 GLM-5.3-Flash는 GLM-5.2를 일관되게 앞섭니다 — DeepSWE v1.1에서 63.4 vs 46.2, AutomationBench에서 48.8 vs 26.2처럼 큰 폭으로. 전반적으로 Claude Opus 4.8에 근접합니다.

사내 코딩 평가에서도 같은 결과입니다. Z.ai Code Bench v1.0(Claude Code 2.1.207에서 실행)에서 GLM-5.3-Flash는 모든 effort 레벨에서 GLM-5.2를 명확히 앞서고, max effort에선 Claude Opus 4.8과 거의 대등(29.0 vs 29.5)합니다.

극한 효율을 위한 아키텍처

GLM-4.5 시리즈와 비교하면, GLM-5.3-Flash는 초저비용 추론을 위해 특별히 설계된 모델입니다. 총 파라미터 수는 비슷하지만(320B vs 355B), 활성 파라미터 수(18B vs 32B)와 레이어 수(45 vs 92)를 거의 절반으로 줄였습니다.

긴 컨텍스트 시나리오에서 어텐션 비용을 최소화하기 위해 선형과 희소 어텐션을 결합한 하이브리드 아키텍처를 씁니다. 선형 어텐션은 상태 모델링으로 국소 의존을 잡고, 희소 어텐션은 가벼운 인덱서로 관련 전역 컨텍스트를 검색합니다. 인덱서의 지연·메모리 오버헤드를 1M 토큰 컨텍스트에서 더 줄이기 위해 IndexPool을 도입했습니다 — 4개의 인덱서 키 벡터를 가중풀링으로 하나로 압축합니다.

아키텍처의 효율을 보이기 위해, GLM-5.3-Flash를 GLM-5.3과 두 개의 최근 오픈 모델 DeepSeek-V4-Flash·Kimi-K3에 대해 토큰당 연산과 KV 캐시 크기로 비교합니다. 스케일이 다른 모델을 공정하게 비교하기 위해 어텐션 연산은 head·layer당 평균, KV 캐시는 layer당 평균(BF16)으로 계산합니다. GLM-5.3 대비 GLM-5.3-Flash는 어텐션 연산과 KV 캐시 크기를 각각 3.0×·4.4× 줄입니다. 어텐션 연산은 비교한 모든 모델 중 가장 낮습니다. KV 캐시 크기는 Kimi-K3와 DeepSeek-V4-Flash보다 약간 크게 남아 있어 개선의 여지가 있습니다.

아키텍처 개선과 최적화된 사전학습 코퍼스가 결합돼, GLM-5.3-Flash가 더 적은 연산으로 더 많은 지능을 만들 수 있게 합니다. 아래 표는 GLM-5.3-Flash 베이스 모델의 평가 결과입니다 — 이전 자사 베이스 모델들과 DeepSeek-V4-Flash-Base와 비교합니다. GLM-5.3-Flash-Base는 GLM-4.5-Base를 전반적으로 앞서고, 대부분의 벤치에서 GLM-5-Base와 경쟁력을 유지합니다.

(DeepSeek-V4-Flash-Base 결과는 구현 차이를 통제하기 위해 저희 내부 평가 프레임워크로 평가한 것입니다.)

코딩 루프 안의 시각 지능

시각 코딩(visual coding)은 단순히 이미지를 처리하는 문제가 아닙니다. 코딩이 도달할 수 있는 경계를 확장합니다. 프런트엔드 개발·게임 개발·3D 시뮬레이션 같은 태스크에서는 최종 산출이 코드만이 아니라 인터페이스·상호작용, 사용자가 경험하는 세계입니다. 많은 실패는 렌더링·상호작용·플레이테스트를 거쳐야만 드러납니다. CUA(Computer Use Agent)는 코딩을 프로그래머블 시스템 너머의 가시적·상호작용 환경으로 더욱 확장합니다. 따라서 시각은 모델에 네이티브로 통합돼야 하며, 그래서 모델이 언제 관찰할지를 스스로 결정하고 시각 피드백으로 다음 행동을 이끕니다.

저희는 시각 코딩용 데이터 합성 파이프라인을 개발합니다 — 초점은 자기 시각 판정과 테스트 타임 개선. 이 파이프라인이 만드는 궤적은 모델이 환경과 상호작용하고, 자기 산출을 검사하고, 반복적으로 개선하도록 요구합니다. 프런트엔드 코딩에서는 환경 피드백 기반 강화학습도 탐색했고, 실사용자 흐름에 grounding된 에이전트 검증으로 GUI 판단력을 더 강화했습니다. 이는 검증을 기능적 정확성 너머 렌더된·상호작용 가능한 제품까지 확장합니다.

Code lets the model build and change the world. Vision lets it enter the world people see and use.
(코드는 모델이 세계를 만들고 바꾸게 합니다. 시각은 사람들이 보고 쓰는 세계로 모델이 들어가게 합니다.)

레이아웃 문제가 있는 초기 버전

시각 자기 검증 이후

코딩을 넘어 — 일터의 파트너로

코딩 능력은 지능형 지식 노동의 중요한 기반을 제공합니다. 그리고 시각 지능은 이 능력을 더 넓은 전문 태스크로 확장합니다. 상당 부분의 전문 활동은 이질적인 시각·구조 정보를 해석하는 일입니다 — 문서, 스프레드시트, 프리젠테이션, 대시보드, 인터페이스, 회의 아티팩트 같은.

시각 지능은 모델의 능력을 코드 중심 환경 너머로 확장합니다. 텍스트·시각·구조 컨텍스트에 대해 공동으로 추론하게 함으로써 — 사용자가 자기 작업 환경을 텍스트 지시로 명시 번역하도록 요구하지 않고, 모델이 태스크와 결합된 아티팩트를 직접 해석하고 관련 정보를 식별합니다. 자기 산출을 시각 컨텍스트와 의도한 결과에 비추어 스스로 평가할 수도 있어서, 더 효과적인 자기 검증과 개선이 가능합니다 — 프리젠테이션 품질과 미학에 대한 판단도 강해집니다.

이 능력들은 다음의 전문 워크플로우 예시에서 특히 잘 드러납니다.

국산 AI 칩 위에서의 대규모 서빙

지난 한 주간 저희는 GLM-5.3-Flash를 국산(중국) AI 칩의 대규모 클러스터 위에서 서빙했습니다 — 고대역폭 인터커넥트와, 그 하드웨어에 최적화된 서빙 스택으로 뒷받침되면서.

개별 칩의 상대적으로 제한된 연산·메모리 용량을 극복하기 위해, 저희는 SGLang 위에 이 아키텍처를 위한 전용 추론 엔진을 만들었습니다. 특히 이 작업은 GLM-5.3 기반 인프라 에이전트가 가속했습니다 — 엔지니어의 커널 개발·최적화, 성능 병목 진단, 서빙 스택 개선을 도왔죠. 모델을 서빙하는 시스템을 같은 모델이 스스로 최적화하는 피드백 루프가 만들어진 겁니다.

이 칩들은 특히 최대 100만 토큰의 컨텍스트를 지원할 때 메모리 용량과 대역폭에 의해 주로 제약됩니다. 그래서 하드웨어 아키텍처에 맞춘 공격적인 메모리 최적화가 필요합니다 — compute-for-bandwidth, communication-for-bandwidth 기법 포함. 저희 스택은 다음을 결합합니다: 선형 어텐션과 LM head에 대한 노드 내 텐서 병렬화, ReplaySSM, W8A8 양자화, INT8/FP8/BF16 하이브리드 캐시 양자화, Layer Split.

클러스터 스케일에서 저희의 production-grade Encode–Prefill–Decode (EPD) 분리 아키텍처는 멀티모달 인코딩·프롬프트 프리필·토큰별 디코딩을 독립 스케줄·스케일링 가능한 워커 풀로 분리해, 효율적이고 신뢰성 있는 서빙을 가능케 합니다.

같은 하드웨어에서 초기 베이스라인 대비 종단간 서빙 성능이 3× 개선됐고, 하드웨어 효율과 토큰당 원가가 주류 NVIDIA GPU에 필적하는 수준에 도달했습니다. 이는 국산 칩이 프런티어 모델 추론을 대규모로도 효율적·경제적으로 지원할 수 있음을 보여줍니다.

결론

GLM-5.3-Flash는 프런티어 지능이 프런티어 원가로 오지 않아도 된다는 걸 보여줍니다. 이는 어떤 한 가지 트릭의 결과가 아니라 세 층이 함께 작동한 결과입니다: (1) 더 적은 연산에서 더 강한 능력을 내는 아키텍처, (2) 더 풍부한 멀티모달 사전학습 코퍼스, (3) 추론 하드웨어와 co-design된 인프라. 이제 이 조리법을 더 큰 모델로 스케일업하고 있습니다 — GLM-5.3-Flash가 원가·성능 프론티어를 밀어 올렸고, 그것을 만들며 배운 교훈이 벌써 다음 프런티어 모델을 형성하고 있습니다.

GLM-5.3-Flash 시작하기

GLM-5.3-Flash를 모든 GLM Coding Plan 사용자에게 롤아웃했습니다. GLM-5.3-Flash는 GLM-5.3의 3배 할당량을 줍니다. GLM-5.3-Flash를 사용하려면 z.ai/subscribe로 오세요.

GLM-5.3-Flash의 멀티모달 능력은 ZCode에서 잠금 해제됩니다 — Browser Use와 Computer Use가 함께: 에이전트가 웹 페이지를 클릭·시각적 검증하고, 데스크톱 앱을 조작합니다.

GLM-5.3-Flash의 모델 웨이트는 HuggingFace에 공개돼 있습니다. 로컬 배포에는 SGLang, vLLM, TokenSpeed 추론 프레임워크를 지원하며 나머지도 곧 준비됩니다.

각주

• HLE w/ tools (full set): 평가에 temperature=1.0, top_p=0.95를 사용하고, 최대 생성 길이는 163,840 토큰. 평가는 300,000 토큰 최대 컨텍스트에서 컨텍스트 관리 전략을 써 진행. 저희는 GPT-5.6-luna (medium)을 judge 모델로 사용.
• NL2Repo: NL2Repo를 temperature=1.0, top_p=1.0, max_new_tokens=64k, 1M 컨텍스트로 평가. 어뷰징 방지를 위해 rule-based + LLM-based 판정을 함께 써 악성 행위(무단 pip·curl 등)를 차단.
• DeepSWE: DeepSWE는 mini-swe-agent harness로 temperature=0.95, top_p=1.0, timeout=6h, 400K 컨텍스트로 실행.
• Terminal-Bench 2.1: Claude Code 2.1.207에서 temperature=1.0, top_p=1, max_new_tokens=65536, 6h 타임아웃으로 평가.
• Agent's Last Exam: 공식 평가 프로토콜과 Claude Code harness (reasoning effort=max, 1M 컨텍스트, 64K 최대 output)로 평가. Tool Search 비활성, 공식 ALE evaluator가 채점.
• Toolathlon Verified: 공식 평가 서비스로 결과 획득, 3회 독립 실행의 pass@1 평균을 보고.
• AutomationBench: AutomationBench v1.0.6에서 평가하며, null-type 처리 이슈 수정을 반영한 PR #13을 포함.
• GDPval-AA v2: Artificial Analysis가 평가.
• BabyVision: temperature=1.0, top_p=0.95, 최대 컨텍스트 164K 토큰. 다른 베이스라인과 맞추기 위해 입력 이미지 짧은 변을 최소 1.5K 픽셀로 리사이즈.
• OfficeQA Pro: Treasury Bulletin PDF 코퍼스에서 임베디드 텍스트 접근 없이 에이전트 평가. temperature=1.0, top_p=0.95, 최대 컨텍스트 512K 토큰.
• CharXiv Reasoning: temperature=1.0, top_p=0.95, 최대 컨텍스트 256K.
• Chartography: temperature=1.0, top_p=0.95, 최대 컨텍스트 256K.
• MVBench and MMVU: temperature=1.0, top_p=0.95, 최대 컨텍스트 256K. Gemini 3.7 Flash처럼 비디오 input을 네이티브로 받는 모델은 원본 비디오를 그대로 공급, 그렇지 않은 모델은 기본 1 fps 프레임 추출. 총 프레임 수가 API 최대치를 넘으면 최대 프레임 수 상한까지 uniform 샘플링.

원본 링크·인용

본문 링크는 이미 완역 블록의 원위치에 <a class="link-preview">로 보존됨. 아래는 보조 목록.

• 원문 (Z.ai blog) — GLM-5.3-Flash: Frontier Intelligence, Flash Cost (2026-08-26)
• Eight Planets of the Solar System (PDF)
• 2026 Hospitality Responsibility Report (PDF)
• z.ai/subscribe — GLM Coding Plan
• ZCode
• HuggingFace · zai-org/GLM-5.3-Flash (MIT)
• Zapier/AutomationBench PR #13
• Z.AI Developer Docs — GLM-5.3-Flash (VLM overview)
• Z.AI Developer Docs — GLM-5.3-Flash (LLM overview)

기타

용어

• MoE (Mixture-of-Experts) — 총 파라미터 중 일부만 매 토큰 활성화하는 sparse 라우팅. 원문의 320B/18B가 이 구조.
• mHC (Manifold-Constrained Hyper-Connections) — 이 논문 신개념. residual/skip을 다양체 제약으로 확장해 스케일링 효율을 높인 것으로 저자가 명명.
• IndexPool — 희소 어텐션 인덱서의 키 벡터 4개를 가중풀링으로 1개로 압축, 1M 컨텍스트에서 인덱서 지연·메모리를 절감.
• EPD (Encode–Prefill–Decode) — 멀티모달 인코딩·프롬프트 프리필·자기회귀 디코딩을 각각 독립 스케일링 가능한 워커 풀로 분리한 서빙 아키텍처.
• ReplaySSM / W8A8 / INT8·FP8·BF16 하이브리드 KV 양자화 / Layer Split — 국산 칩 서빙 스택의 메모리 최적화 기법들. ReplaySSM은 스테이트 스페이스 재실행 기법. W8A8은 가중치·활성 모두 8bit.
• ox-alpha — 발표 전 OpenRouter/OpenCode의 스텔스 익명 ID. 2026-08-20~26 활성.
• CUA — Computer Use Agent. 사람이 쓰는 데스크톱 앱을 클릭·타이핑하는 에이전트 인터페이스.

고지

• 원문은 2026-08-26 공개된 z.ai 블로그 포스트이며, 본 문서는 원문 완역 + 팩트체크 + 읽기 안내로 재구성한 것. 원문의 모든 문단·표·수치·이미지·링크가 원위치에 보존됨.
• 원문 인터랙티브 PDF 뷰어는 정적 링크로 다운그레이드 아닌 동일 기능(다운로드→기본 뷰어) 유지. 원문 이미지는 z.ai CDN에서 다운받아 img/에 로컬화.
• 팩트체크 등급 B+는 2026-08-28 기준. 독립 재현이 후속되면 등급이 A/A+로 상향될 여지가 있음.
• 부분 추출 여부: 없음. 로그인월 아님, 원문 전체 확보.
• 이 문서의 원문 발췌 수치는 벤더 발표 그대로 인용. 재현·비판은 팩트체크 블록에서.