افزودن مدل پرچم‌دار جدید: GLM-5.3-Flash

تاریخ: ۱۴۰۵-۰۶-۰۴ / (2026-08-26)

خلاصه

مدل پرچم‌دار کارآمد جدید Z.AI با شناسه glm-5.3-flash اکنون برای کدنویسی، گردش‌کارهای عاملی، استدلال و کارهای چندوجهی از طریق AvalAI در دسترس است. این مدل از v1/chat/completions و v1/messages پشتیبانی می‌کند، برای v1/responses پشتیبانی جزئی دارد و تا ۹ سپتامبر ۲۰۲۶ با قیمت تشویقی ارائه می‌شود.

---

جزئیات

Z.AI GLM-5.3-Flash

مدل glm-5.3-flash نخستین مدل چندوجهی بومی در سری GLM-5 است. معماری ترکیب متخصصان آن ۳۲۰ میلیارد پارامتر کل دارد و برای هر توکن ۱۸ میلیارد پارامتر را فعال می‌کند. ترکیب توجه پراکنده و خطی، هزینه سرویس‌دهی زمینه طولانی را کاهش می‌دهد و در عین حال بازیابی دقیق را در پنجره ورودی ثبت‌شده ۹۹۱٬۰۰۰ توکنی حفظ می‌کند.

ویژگی‌های کلیدی:

• معماری کارآمد: ۳۲۰B پارامتر کل، ۱۸B پارامتر فعال، ۴۵ لایه و طراحی ترکیبی توجه پراکنده و خطی
• زمینه طولانی: حداکثر ۹۹۱٬۰۰۰ توکن ورودی و ۱۲۸٬۰۰۰ توکن خروجی در AvalAI
• چندوجهی بومی: آموزش اولیه روی پیکره چندوجهی ۳۰ تریلیون توکنی برای استدلال هم‌زمان روی متن، تصویر و ساختار
• کدنویسی و عامل‌ها: مناسب کار در سطح مخزن، وظایف ترمینال، استفاده از ابزار، کدنویسی بصری و راستی‌آزمایی تکرارشونده
• قابلیت‌های توسعه‌دهنده: استدلال، فراخوانی تابع، انتخاب ابزار، کش پرامپت و پاسخ جریانی
• وزن‌های باز: Z.AI وزن‌های مدل را برای استقرار محلی با چارچوب‌هایی مانند SGLang، vLLM و TokenSpeed منتشر کرده است
• مناسب برای: عامل‌های کدنویسی کم‌هزینه، تحلیل زمینه طولانی، اسناد تجاری، اعتبارسنجی رابط و کار دانشی چندوجهی

نکات برجسته بنچمارک به گزارش Z.AI

ارزیابی	GLM-5.3-Flash	GLM-5.2
Terminal-Bench 2.1	84.3	81.0
DeepSWE v1.1	63.4	46.2
Toolathlon Verified	78.4	59.9
AutomationBench v1.0.6	48.8	26.2
Agents' Last Exam	26.3	20.4
GDPval-AA v2	1773	1504

این نتایج که Z.AI گزارش کرده است، شواهدی جهت‌دهنده هستند. پیش از هدایت ترافیک محیط تولید، مدل را با پرامپت‌ها، ابزارها، رسانه‌ها و معیارهای پذیرش متناسب با کاربرد خود ارزیابی کنید.

دسترسی نقاط پایانی

نقطه پایانی	پشتیبانی	توضیحات
v1/chat/completions	پشتیبانی می‌شود	Chat Completions سازگار با OpenAI
v1/messages	پشتیبانی می‌شود	Messages API سازگار با Anthropic
v1/responses	پشتیبانی جزئی	پارامترها، ابزارها و نوع‌های ورودی موردنیاز را پیش از استفاده در محیط تولید بررسی کنید

---

قیمت‌گذاری تشویقی

قیمت‌ها به دلار آمریکا و به ازای ۱ میلیون توکن هستند. قیمت‌گذاری تشویقی تا ۹ سپتامبر ۲۰۲۶ اعمال می‌شود.

دوره	ورودی	ورودی کش‌شده	خروجی
تا September 9, 2026 (۱۸ شهریور ۱۴۰۵)	$0.075	$0.015	$0.25
پس از September 9, 2026 (۱۸ شهریور ۱۴۰۵)	$0.15	$0.03	$0.50

نرخ‌های تشویقی نصف نرخ‌های استاندارد هستند. هنگام برآورد هزینه بارهای کاری که ممکن است پس از پایان دوره تشویقی ادامه یابند، صفحه قیمت‌گذاری را بررسی کنید.

---

نمونه درخواست و پاسخ API

درخواست

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-5.3-flash",
    "messages": [
      {
        "role": "user",
        "content": "این برنامه استقرار را بررسی کن، سه ریسک عملیاتی اصلی را مشخص کن و مراحل راستی‌آزمایی پیشنهاد بده."
      }
    ]
  }'

پاسخ

نمونه کوتاه‌شده زیر ساختار استاندارد Chat Completions را نشان می‌دهد. تعداد توکن‌ها و هزینه با توجه به درخواست و خروجی تولیدشده تغییر می‌کند.

{
  "id": "chatcmpl-glm53flash-example",
  "created": 1787774400,
  "model": "glm-5.3-flash",
  "object": "chat.completion",
  "system_fingerprint": null,
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "content": "سه ریسک اصلی عبارت‌اند از مسیر بازگشت آزمایش‌نشده، نبود کنترل سلامت وابستگی‌ها و مشاهده‌پذیری ناکافی. یک canary مرحله‌ای اجرا کنید، پیش از گسترش بازگشت را تمرین کنید و در هر مرحله آستانه‌های تأخیر، نرخ خطا و اشباع را الزامی کنید.",
        "role": "assistant",
        "thinking_blocks": [],
        "annotations": []
      }
    }
  ],
  "usage": {
    "completion_tokens": 73,
    "prompt_tokens": 25,
    "total_tokens": 98,
    "completion_tokens_details": null,
    "prompt_tokens_details": {
      "audio_tokens": null,
      "cached_tokens": null,
      "text_tokens": 25,
      "image_tokens": null
    }
  },
  "estimated_cost": {
    "unit": "0.0000201250",
    "irt": 2.31,
    "exchange_rate": 114600
  }
}

---

نمونه‌های استفاده از SDK

Bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-5.3-flash",
    "messages": [
      {
        "role": "user",
        "content": "برای بازآرایی ایمن و مرحله‌ای این سرویس برنامه‌ریزی کن و آزمایش‌ها و معیارهای بازگشت را نیز بنویس."
      }
    ]
  }'

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.chat.completions.create(
    model="glm-5.3-flash",
    messages=[
        {
            "role": "user",
            "content": "برای بازآرایی ایمن و مرحله‌ای این سرویس برنامه‌ریزی کن و آزمایش‌ها و معیارهای بازگشت را نیز بنویس.",
        }
    ],
)

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

JavaScript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.AVALAI_API_KEY,
  baseURL: "https://api.avalai.ir/v1",
});

const response = await client.chat.completions.create({
  model: "glm-5.3-flash",
  messages: [
    {
      role: "user",
      content: "برای بازآرایی ایمن و مرحله‌ای این سرویس برنامه‌ریزی کن و آزمایش‌ها و معیارهای بازگشت را نیز بنویس.",
    },
  ],
});

console.log(response.choices[0].message.content);

---

راهنمای استفاده

• از شناسه دقیق glm-5.3-flash استفاده کنید.
• پیش از تغییر ترافیک محیط تولید، رفتار مدل در کدنویسی، استفاده از ابزار، زمینه طولانی و ورودی چندوجهی را با بارهای کاری واقعی ارزیابی کنید.
• پیش از استفاده از نقطه پایانی v1/responses با پشتیبانی جزئی، پشتیبانی همه پارامترها، ابزارها و نوع‌های ورودی موردنیاز را تأیید کنید.
• برای پیشوندهای طولانی و تکراری از کش پرامپت استفاده کنید و تعداد توکن‌های کش‌شده را در فیلدهای مصرف پاسخ بررسی کنید.
• هنگام برآورد هزینه بلندمدت، نرخ‌های استاندارد پس از ۹ سپتامبر ۲۰۲۶ را در نظر بگیرید.

---

پیوندهای مرتبط

• مستندات مدل‌های Z.AI
• مرجع مدل GLM-5.3-Flash
• مرجع API تکمیل گفتگو
• راهنمای استدلال
• قیمت‌گذاری