Z.ai、100万トークンコンテキストの多モーダル MoE「GLM-5.3-Flash」を MIT ライセンスで公開

Z.ai は、GLM-5 シリーズで初めてネイティブな多モーダルモデルであり、同ラボが提供する中で最もコストパフォーマンスに優れたコーディング対応モデル「GLM-5.3-Flash」をリリースしました。このモデルは混合专家（MoE）アーキテクチャを採用し、総パラメータ数は 320B、1 トークンあたりのアクティブパラメータは 18B です。また、1,048,576 トークンのコンテキストウィンドウをサポートし、画像や動画の入力も可能です。MIT ライセンスの下で重みが Hugging Face に公開されています。

Z.ai の報告によると、GLM-5.2 を各種ベンチマークと実務ワークロードで上回り、コストは約 1/10 という驚異的な価格設定です。さらに、社内のコーディングベンチマークでは Claude Opus 4.8 に肉薄する性能を記録しました。モデルは公開初週、中国国内製の AI チップ上で完全に動作し、「Ox Alpha」という匿名の名称で OpenCode や OpenRouter で提供されていました。

実用化は可能でしょうか？

はい、2 つの経路があります。まず、重みは MIT ライセンスの下で Hugging Face に既に公開されています。また、ホスト型 API も価格設定が完了し、すでに稼働しています。

では、どの企業が実際にセルフホスティングできるのでしょうか？答えは「全員ではありません」です。デフォルトの FP8 チェックポイントの重みサイズは KV キャッシュを除いて約 306 GiB に達します。また、現在の vLLM 対応パスは NVIDIA Hopper アーキテクチャ以降の GPU のみをサポートしています。

この要件を満たすのは、少なくとも 8 GPU ノード（または TP4 構成での GB200 トレイ）を保有する中堅・大企業と、GPU 容量をレンタルする AI ネイティブなスタートアップに限られます。それ以下の規模の組織は、ハードウェアの問題ではなく経済性の観点から API を利用することになります。

即座に導入可能な業界は、ソフトウェアおよび開発者向けツール、IT/BPO の自動化、金融サービスや保険の文書処理、エンタープライズ BI およびバックオフィスでの知識作業、そして大量の UI を提供するチームを擁する e コマースなどです。

主な用途としては、リポジトリ規模のコーディングエージェント、ターミナルやブラウザ（コンピューター操作）を行うエージェント、百万トークン単位のログおよび契約書の分析、スクリーンショットからの UI 回帰テスト、OCR からテキストへの変換パイプラインを必要としないスプレッドシート・資料・ダッシュボードの推論などが挙げられます。

効率はアーキテクチャに由来します

GLM-5.3-Flash は、30 トリリオントークンのマルチモーダルコーパスで新たに訓練されたベースモデルを出発点としています。知っておくべき重要な変更点は 3 つあります。

ハイブリッドアテンション：GLM シリーズ史上初めて、Z.ai は線形アテンションとスパースアテンションを組み合わせました。vLLM の設計方針に従い、45 層の言語モデルは KDA 線形アテンション層と NoPE スパース MLA 層を交互に配置し、各トークンを 288 個のエクスパートのうち 8 個へルーティングします。また、ネイティブ FP8 重みと MTP ドラフト層 1 つを搭載しています。線形アテンションは局所的な依存関係を処理し、スパースアテンションはグローバルに関連する文脈を参照します。

IndexPool：百万トークンという超長文脈では、検索自体がボトルネックとなります。IndexPool はインデクサーのキーベクトル群を加重プーリングで圧縮することで、レイテンシとメモリ使用量を抑制します。Z.ai によると、GLM-5.3 と比較してアテンション計算量が約 3 分の 1 に、KV キャッシュサイズは 4.4 倍小さくなっています。

mHC：本モデルは、スケーリング効率を向上させるため「Manifold-Constrained Hyper-Connections」を採用しています。GLM-4.5 と比較すると、総パラメータ数が同等の条件下で、アクティブなパラメータ数とレイヤー数をほぼ半減させています。

ベンチマーク結果

以下の表に記載されている数値は Z.ai が報告したものであり、各テストで使用される評価環境（ハネス）は異なります。モデルカードの脚注には、各ベンチマークごとの温度設定、コンテキスト制限、および判定に用いられたモデルが明記されています。そのため、異なるモデル間の比較結果は、あくまで特定のセットアップ条件下でのものとして捉える必要があります。

• ベンチマーク：GLM-5.3-Flash / 参照モデル
• Terminal-Bench：2.184 / Opus 4.8: 85.0 · GPT-5.6 Terra: 87.4
• DeepSWE v1.1：63.4 / GLM-5.2: 46.2
• AutomationBench：48.8 / GLM-5.2: 26.2
• HLE：55.3 / —
• OfficeQA Pro：62.4 / Opus 4.8 を上回る
• Z.ai Code Bench v1.0 (max)：29.0 / Opus 4.8: 29.5

独立した評価機関である Artificial Analysis のスコアでは、インテリジェンス指数が 57 点と評価されています。Z.ai の API 上での性能は、出力トークン生成速度が秒間 48.7 トークン、TTFT（Time to First Token）が 1.52 秒です。コストパフォーマンスに優れた知能レベルを誇りますが、応答速度は遅く、回答が冗長になりがちという課題があります。特にビジョン能力については弱点が見られ、BabyVision や MVbench では Gemini 3.7 Flash に後れをとっています。

注目すべきは、あまり報じられていない「サービング（推論実行）の仕組み」です。

Z.ai によると、今回の Ox Alpha プレビュー版はすべて国内生産された中国製 AI チップ上で稼働しています。エンコーディング、プリフィル、デコードを分離する独自エンジン「SGLang」ベースを採用しており、数万基規模のアクセラレーター全体でエンドツーエンドのサービング性能が約 3 倍向上したと報告されています。

価格設定とアクセス方法

API の標準料金は、入力 100 万トークンあたり 0.15 ドル、キャッシュされた入力 100 万トークンあたり 0.03 ドル、出力 100 万トークンあたり 0.50 ドルです。Z.ai は、割引プランにおけるタスク単価 0.045 ドルで、Artificial Analysis Intelligence Index v4.1.1 のスコアが 57 を記録しました。

このモデルは、GLM Coding Plan のすべてのティア（Lite：月額 18 ドル、Pro：月額 80 ドル、Max：月額 168 ドル）で利用可能になり、GLM-5.3 の利用枠の約 3 倍が提供されます。また、ZCode を通じてブラウザ操作やコンピューター操作といったマルチモーダル機能が活用できます。ローカル環境での推論には、SGLang、vLLM、TokenSpeed、KTransformers がサポートされています。

主なポイント

• 320B-A18B のネイティブ・マルチモーダル MoE（Mixture of Experts）アーキテクチャを採用し、コンテキスト長は 100 万トークン。MIT ライセンスの重みは Hugging Face で公開されています。
• ハイブリッド KDA リニア＋NoPE スパース MLA アテンション機構により、アテンション計算量が約 3 分の 1 に削減され、KV キャッシュサイズも 4.4 倍小さくなりました。
• Terminal-Bench 2.1 で 84.3、DeepSWE v1.1 で 63.4 のスコアを記録。Opus 4.8 に迫る性能であり、GLM-5.2 を大きく上回っています。
• トークン単価は入力 0.15 ドル／出力 0.50 ドル（いずれも 100 万トークンあたり）。GLM Coding Plan の全ティアで、GLM-5.3 の利用枠の約 3 倍が提供されます。
• 自己ホスティングの場合、Hopper アーキテクチャ以降の GPU で FP8 重み約 306 GiB が必要ですが、それ以外の場合は API を利用します。

モデルの重みやブログ記事はそれぞれ「Model Weights」「Blog」ページで確認できます。Twitter ではフォローを、ML サブレッド（150k+ 人）には参加を、ニュースレターには登録をお願いします。Telegram ユーザーの方も、ぜひ Telegram チャンネルにご参加ください。

※本記事は MarkTechPost に掲載された「Z.ai Releases GLM-5.3-Flash: A 320B-A18B Natively Multimodal MoE With a 1M-Token Context」を基にしています。