Z.ai présente GLM-5.3-Flash comme le premier modèle nativement multimodal de sa famille GLM-5. Il possède 320 milliards de paramètres au total, mais n'en active que 18 milliards à chaque passage. Ses poids sont publiés sous licence MIT et le modèle accepte texte, images et vidéo.

Le contexte peut atteindre un million de tokens. Pour contenir le coût de cette longueur, Z.ai mélange attention linéaire et attention sparse et utilise une technique baptisée IndexPool pour réduire l'empreinte mémoire de l'indexation du contexte.

Ox Alpha servait aussi de test d'infrastructure

Avant de révéler son nom, Z.ai avait placé le modèle sur OpenRouter et OpenCode sous l'identité Ox Alpha. L'entreprise explique avoir choisi ce lancement anonyme pour obtenir des retours utilisateurs sans que sa marque influence les essais.

Ox Alpha est rapidement devenu l'un des modèles les plus utilisés de la semaine sur ces plateformes. Mais Z.ai testait autre chose en parallèle : toute cette charge était traitée par des accélérateurs IA chinois.

Dans son billet technique, l'entreprise parle d'un cluster à grande échelle et précise que son architecture de production distribue l'encodage multimodal, le prefill et le décodage dans des pools de machines distincts. Elle évoque explicitement des dizaines de milliers d'accélérateurs domestiques.

Le Global Times va plus loin. Le journal rapporte, à partir de documentation technique communiquée par Zhipu, que le service d'inférence utilisait un cluster de plus de 100 000 puces produites en Chine. Les fabricants exacts ne sont pas confirmés par Z.ai.

Le matériel reste moins confortable que les GPU Nvidia

L'entreprise ne prétend d'ailleurs pas que les puces individuelles ont magiquement rattrapé les meilleures solutions occidentales. Sa propre description insiste sur leurs contraintes de mémoire et de bande passante, particulièrement pénalisantes avec un contexte pouvant atteindre un million de tokens.

Z.ai dit avoir compensé ces limites par la pile logicielle : parallélisme au sein des nœuds, quantification W8A8, plusieurs formats de cache, séparation des différentes phases d'inférence et moteur développé au-dessus de SGLang. L'entreprise revendique une amélioration par trois des performances de service de bout en bout par rapport à son premier déploiement sur le même matériel.

Elle affirme désormais obtenir une efficacité matérielle et un coût par token comparables à ceux des GPU Nvidia couramment utilisés pour ce type de charge. C'est une revendication du constructeur du modèle, pas un benchmark indépendant du cluster complet.

320 milliards de paramètres, mais seulement 18 milliards actifs

La sobriété relative de GLM-5.3-Flash vient aussi du modèle lui-même. Malgré ses 320 milliards de paramètres, son architecture mixture-of-experts n'en mobilise que 18 milliards à la fois. Z.ai compare ce chiffre aux 32 milliards actifs de GLM-4.5, tandis que le nombre de couches passe de 92 à 45.

Face à GLM-5.3, l'entreprise mesure une division par trois du calcul consacré à l'attention et une réduction par 4,4 de la taille du KV cache. Ce sont précisément les caractéristiques qui deviennent importantes lorsqu'un modèle doit servir beaucoup de requêtes plutôt que simplement obtenir un bon score dans un laboratoire.

GLM-5.3-Flash obtient 57 sur l'Artificial Analysis Intelligence Index. Z.ai souligne que ce score le place au niveau de Claude Opus 4.8 sur cet indice, mais les résultats varient selon les tests. Sur DeepSWE v1.1, Z.ai publie par exemple 63,4 contre 58 pour Opus 4.8 ; sur NL2Repo, le rapport s'inverse nettement avec 56,3 contre 69,7.

Le prix fait partie de la démonstration

Z.ai positionne également Flash comme une variante très bon marché. Le tarif annoncé est de 0,15 dollar par million de tokens en entrée et 0,50 dollar par million en sortie, avec une promotion de lancement encore inférieure. L'entreprise le présente comme environ dix fois moins cher que GLM-5.3.

Les poids sont disponibles publiquement sur Hugging Face sous licence MIT, avec une prise en charge annoncée de SGLang, vLLM et TokenSpeed pour le déploiement local.

Le modèle sera forcément comparé aux offres américaines sur ses scores. Le test Ox Alpha raconte pourtant une autre histoire : Z.ai cherche aussi à montrer qu'un modèle de haut niveau peut être servi à très grande échelle sans dépendre de GPU Nvidia. Les fournisseurs des plus de 100 000 accélérateurs évoqués n'ont toujours pas été publiquement identifiés par l'entreprise.