# GLM-5.3-Flash: что скрывалось под именем Ox Alpha и как выбрать способ запуска

> Начните с официального API, если сервер не вмещает около 305,8 ГиБ FP8-весов плюс память для выполнения и кэша. 18 млрд активных параметров не означают, что модели достаточно одной обычной GPU.

- URL: https://blog.laozhang.ai/ru/posts/glm-5-3-flash-guide
- Published: 2026-09-03
- Updated: 2026-09-03
- Author: LaoZhang AI Team (https://blog.laozhang.ai/ru/about)
- Topic: Руководства по API
- Tags: GLM-5.3-Flash, Ox Alpha, Z.ai, AI API, локальный запуск

---
Ox Alpha был временным именем, а не отдельной моделью для долгосрочной конфигурации. Z.ai подтвердил, что под ним на OpenCode и OpenRouter тестировалась GLM-5.3-Flash. В официальном API теперь нужен `glm-5.3-flash`, а репозиторий весов называется `zai-org/GLM-5.3-Flash`.

Для первого знакомства разумнее использовать API. Открытые веса дают контроль над инфраструктурой, но только FP8-файлы занимают около 305,8 ГиБ. Показатель 18 млрд активных параметров описывает вычисления MoE на один токен, а не полный объём модели в видеопамяти.

## После Ox Alpha осталось два постоянных идентификатора

В [официальном описании](https://docs.z.ai/guides/vlm/glm-5.3-flash) GLM-5.3-Flash названа первой нативно мультимодальной моделью семейства GLM-5. Она принимает текст, изображения, видео и файлы, а возвращает текст. Заявленный контекст — 1 млн токенов, максимальный вывод — 128 тыс. токенов.

Модель имеет 320 млрд параметров всего и 18 млрд активных. Z.ai также сообщает о сочетании разреженного и линейного внимания, а также о меньших затратах на вычисление внимания и KV-кэш по сравнению с GLM-5.3. Это объяснение архитектуры от разработчика, а не гарантия скорости или качества в вашем проекте.

Выбирайте имя по месту запуска:

| Способ | Идентификатор | Что проверить |
|---|---|---|
| API Z.ai | `glm-5.3-flash` | адрес API и ключ относятся к Z.ai |
| Локальные веса | `zai-org/GLM-5.3-Flash` | точная версия весов и лицензия |
| Сторонний провайдер | ID на его актуальной странице | собственные цена, лимиты и параметры |

Старое `ox-alpha` не стоит оставлять в рабочей конфигурации. Посредник может предоставлять модели того же семейства через свой адрес API, с другими лимитами контекста и правилами оплаты.

## Обычная цена важнее скидки первой недели

На 3 сентября 2026 года [официальный прайс Z.ai](https://docs.z.ai/guides/overview/pricing) указывает стоимость за 1 млн токенов:

| Операция | Обычная цена | Историческая цена со скидкой 50% |
|---|---:|---:|
| Вход без кэширования | $0,15 | $0,075 |
| Кэшированный вход | $0,03 | $0,015 |
| Выход | $0,50 | $0,25 |

По условиям, опубликованным на 3 сентября, окончание акции было запланировано на 9 сентября 2026 года в 24:00 UTC+8. Продлевалась ли она, в рамках этого разбора не проверялось. Для постоянного бюджета используйте обычную цену, а скидку учитывайте только в счетах за период акции.

Задача с 1 млн обычных входных и 200 тыс. выходных токенов стоит до повторов $0,25 по прайсу: `$0,15 + 0,2 × $0,50`. По указанной акционной ставке такой объём обходился бы в $0,125. Отдельно учитывайте оплаченные повторные запросы и инструменты, а время проверки переводите в деньги по выбранной ставке труда. Поэтому полезная метрика — стоимость принятой задачи, а не одного запроса.

## Первый запрос должен подтвердить не только HTTP 200

Для обычного приложения [документация API](https://docs.z.ai/api-reference/introduction) задаёт базовый адрес `https://api.z.ai/api/paas/v4`. У Coding Plan другой адрес API — `https://api.z.ai/api/coding/paas/v4`; он предназначен для поддерживаемых инструментов программирования, а не для произвольного сайта, бота или SaaS.

Минимальная проверка:

```bash
curl -sS https://api.z.ai/api/paas/v4/chat/completions \
  -H "Authorization: Bearer $ZAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3-flash",
    "messages": [
      {"role": "user", "content": "Return exactly: GLM53_FLASH_OK"}
    ],
    "temperature": 1,
    "top_p": 0.95,
    "reasoning_effort": "low",
    "stream": false
  }'
```

Успех — это непустое `choices[0].message.content` с заданной строкой. При 401 сначала проверьте заголовок `Authorization` и происхождение ключа. При «model not found» ищите старое имя `ox-alpha`, ID репозитория Hugging Face или псевдоним другого провайдера.

Параметр `reasoning_effort` принимает `low`, `high` и `max`. По официальному описанию пропущенное или неизвестное значение приводит к `max`. При сравнении цены и задержки фиксируйте один уровень: иначе изменение глубины рассуждения будет выглядеть как изменение качества модели.

Для изображения используется массив `messages[].content[]` с блоком `type: image_url`. Мультимодальный вход не означает генерацию изображений: ответ модели текстовый.

![Русская памятка по идентификаторам GLM-5.3-Flash, ценам, первому API-запросу и объёму локальных весов](https://blog.laozhang.ai/posts/ru/glm-5-3-flash-guide/img/quick-reference.webp)

## Локальный запуск начинается с подсчёта файлов

[Официальная карточка модели](https://huggingface.co/zai-org/GLM-5.3-Flash) указывает лицензию MIT и поддерживаемые варианты SGLang, vLLM, Transformers, KTransformers и Unsloth. Список файлов репозитория на 3 сентября содержал 62 FP8-файла `.safetensors` общим размером 328 337 455 672 байта, или примерно 305,8 ГиБ.

Это нижняя граница только для весов. Дополнительная память нужна среде выполнения, кодировщику изображений, временным буферам, состоянию KDA, KV-кэшу и параллельным запросам. Контекст в миллион токенов требует гораздо больше кэша, чем короткий тест. Выгрузка части данных в оперативную память или на диск может позволить запустить модель, но задержка и пропускная способность окажутся неприемлемыми для задачи.

[Руководство vLLM](https://recipes.vllm.ai/zai-org/GLM-5.3-Flash) тоже называет около 306 ГиБ FP8 без учёта среды выполнения и KV-кэша; первый пример использует тензорный параллелизм на четырёх мощных GPU. [Документация SGLang](https://docs.sglang.io/cookbook/autoregressive/GLM/GLM-5.3-Flash) предлагает отдельные настройки для H100, H200, B200, B300, GB200 и GB300 и отмечает, какие комбинации проверены.

До загрузки ответьте:

- помещаются ли веса и рабочий запас в суммарную видеопамять;
- какие длина контекста и число параллельных запросов нужны;
- будут ли изображения и видео;
- достаточно ли экспериментального старта или требуются мониторинг, обновления и переключение при отказе.

Если веса уже не помещаются, начните с API. Если помещаются, выберите инструкцию именно для своей GPU, начните с короткого контекста и один запрос, затем увеличивайте нагрузку. Не переносите настройки KV-кэша FP8 или спекулятивной генерации с другого поколения ускорителей.

![Схема быстрого решения между API и локальным сервером с проверкой 305,8 ГиБ весов и рабочего запаса](https://blog.laozhang.ai/posts/ru/glm-5-3-flash-guide/img/deployment-decision-map.webp)

## Решение даёт небольшой тест на реальных задачах

Возьмите 6–10 типичных рабочих задач: анализ длинного текста, вызов инструмента, разбор изображения и изменение кода с автоматической проверкой. Зафиксируйте текст запроса, состояние репозитория, `reasoning_effort`, тайм-аут, число повторов и критерии приёмки. Сравнивайте долю успеха с первой попытки, общее время, расход токенов, время проверки и причины отказа.

API удобнее для быстрой проверки спроса и качества. Локальный сервер имеет смысл, когда требования к данным, высокая постоянная загрузка или предсказуемая ёмкость действительно компенсируют оборудование и сопровождение. Простой ускорителей тоже стоит денег.

Если нужен отдельный контроль качества для сложных текстовых задач, используйте [сравнение GLM-5.3 и GLM-5.3-Flash](https://blog.laozhang.ai/ru/posts/glm-5-3-vs-glm-5-3-flash). Для решения только о Flash достаточно двух доказательств: API возвращает ожидаемое содержимое, а расчёт памяти учитывает не только файлы весов.

## Источники

Внешние страницы, на которые ссылается это руководство, в порядке упоминания. Последнее обновление: 2026-09-03.

- [официальном описании](https://docs.z.ai/guides/vlm/glm-5.3-flash) (docs.z.ai)
- [официальный прайс Z.ai](https://docs.z.ai/guides/overview/pricing) (docs.z.ai)
- [документация API](https://docs.z.ai/api-reference/introduction) (docs.z.ai)
- [Официальная карточка модели](https://huggingface.co/zai-org/GLM-5.3-Flash) (huggingface.co)
- [Руководство vLLM](https://recipes.vllm.ai/zai-org/GLM-5.3-Flash) (recipes.vllm.ai)
- [Документация SGLang](https://docs.sglang.io/cookbook/autoregressive/GLM/GLM-5.3-Flash) (docs.sglang.io)