GLM-5.3-Flash: otevřené váhy, 1M kontext a levnější agentní model

Z.ai 26. srpna 2026 vydala GLM-5.3-Flash. Název „Flash“ svádí k tomu brát ho jako menší rychlou variantu, ale pro firemní AI workflow je zajímavější jiná kombinace: veřejné váhy pod MIT licencí, nativní práce s obrazem, 1M-tokenový kontext, function calling, structured output a API cena hluboko pod GLM-5.2.

To není důvod přepsat přes noc všechny agenty. Je to ale dobrý důvod přidat model do vlastního eval setu. GLM-5.3-Flash míří přesně do vrstvy, kde firmy potřebují levnějšího hlavního pracovníka pro opakované coding, dokumentové a agentní úlohy — ne jen další chatbot.

Aktualizace 27. 8. 2026: GLM-5.3-Flash mění praktický závěr

Původní GLM-5.2 ukázal, že otevřené modely míří na dlouhé coding agenty a projektovou práci nad celým repozitářem. GLM-5.3-Flash tento směr posouvá dál hlavně efektivitou a multimodalitou.

Podle Z.ai má model 320 miliard parametrů, ale při inferenci aktivuje 18 miliard. Používá hybrid lineární a sparse attention a má 45 vrstev. Výrobce uvádí, že proti GLM-5.3 snižuje výpočet attention přibližně třikrát a velikost KV cache 4,4krát. Důležitý není samotný architektonický detail, ale jeho provozní dopad: dlouhý kontext nemusí automaticky znamenat cenu flagship modelu.

GLM-5.3-Flash je také první nativně multimodální model řady GLM-5. Přijímá text, obrázky, video a soubory, podporuje tool calling, JSON výstup a context caching. Thinking nelze úplně vypnout; dokumentace doporučuje řídit náročnost podle úlohy a pro nejtěžší běhy používá reasoning_effort: max.

Cena je silný signál, promo ale není trvalý ceník

Oficiální Z.ai pricing stránka uvádí dočasnou 50% slevu do 9. září 2026 24:00 UTC+8:

• vstup 0,075 USD za 1M tokenů, ceníkově 0,15 USD,
• cached input 0,015 USD, ceníkově 0,03 USD,
• výstup 0,25 USD, ceníkově 0,50 USD.

GLM-5.2 zůstává na 1,40 USD za vstup a 4,40 USD za výstup. Přímé srovnání tedy vypadá dramaticky, ale rozpočet agenta se stále nepočítá z jednoho promptu. Platíte za celý běh: načtení podkladů, plán, tool cally, opravy, testy, renderování, opakované kontroly a případné zotavení po chybě.

Proto bych GLM-5.3-Flash nepřidával do model routeru jako „nejlevnější model“. Přidal bych ho jako kandidáta na hlavního pracovníka a měřil cenu za hotový a schválený výsledek.

Kde dává smysl první test

První dobrý eval není obecný chat. Vyberte tři úlohy, u kterých lze výsledek strojově nebo lidsky ověřit:

• ohraničený refaktor s testy a zákazem měnit soubory mimo určený modul,
• extrakci faktur nebo smluv do přesného JSON schématu s kontrolou součtů a povinných polí,
• vizuální úlohu, například převod návrhu obrazovky do frontendu s opakovaným renderem a porovnáním screenshotů.

Právě poslední bod je proti GLM-5.2 podstatný. Nativní vision může agenta dostat z režimu „vygeneroval jsem kód“ do smyčky „vygeneroval jsem, vykreslil, zkontroloval a opravil“. Stejný princip se hodí i pro dokumenty, dashboardy, prezentace nebo Blender: výstup se nemá kontrolovat pouze podle toho, zda vznikl soubor, ale podle toho, co v něm skutečně vidí uživatel.

V n8n nebo Make bych model zkusil jako hlavní vrstvu pro dokumentovou extrakci, klasifikaci support ticketů, lead triage nebo návrh odpovědi. Levný filtr může dál řešit jednoduché případy, GLM-5.3-Flash složitější multimodální vstupy a flagship model nebo člověk jen drahé výjimky.

Benchmark není produkční smlouva

Z.ai uvádí 63,4 bodu proti 46,2 u GLM-5.2 na DeepSWE v1.1 a 48,8 proti 26,2 na AutomationBench v1.0.6. Na Terminal-Bench 2.1 hlásí 84,3, tedy blízko Claude Opus 4.8 s 85,0. Jsou to užitečné signály, ale stále jde o výsledky publikované výrobcem a jednotlivé benchmarky používají rozdílné harnessy, kontexty a časové limity.

Ve firmě bych proto měřil jiné otázky:

• dodržel agent oprávnění a hranice zadání,
• prošel testy a validátory bez ručních oprav,
• správně přiznal nejistotu,
• kolik stál celý přijatý výsledek,
• šel běh zopakovat a auditovat,
• fungoval stejně i po změně modelu nebo promptu.

1M kontext navíc není náhrada za stav workflow. Dlouhý agent pořád potřebuje checkpointy, jasné stop podmínky, log změn a možnost pokračovat z externě uloženého stavu. Jinak jen levněji a déle opakuje chybu.

Otevřené váhy neznamenají desktopový model

Váhy GLM-5.3-Flash jsou na Hugging Face pod MIT licencí a Z.ai uvádí podporu SGLang, vLLM, TokenSpeed a KTransformers. To je dobrá zpráva pro týmy, které chtějí vlastní serving, datovou kontrolu nebo nezávislý audit.

Model s 320 miliardami parametrů ale není běžná lokální aplikace na notebook. Self-hosting znamená řešit paměť, kvantizaci, throughput, KV cache, monitoring, bezpečnost, aktualizace a fallback. Pro většinu firem bude rozumnější začít přes API a vlastní infrastrukturu zvažovat až ve chvíli, kdy objem, data nebo regulace vytvoří jasný business case.

Co bych udělal teď

GLM-5.2 bych z evalů nemažal; je to stabilní srovnávací bod pro dlouhé textové coding úlohy. GLM-5.3-Flash bych přidal vedle něj pro multimodální a opakované agentní workflow. Na jednom týdnu produkčních vzorků bych porovnal kvalitu, počet oprav, latenci, cache hit rate a cenu za schválený výstup.

Pokud model udrží kvalitu i mimo vendor benchmarky, může se z něj stát zajímavý hlavní pracovník mezi levným filtrem a drahým specialistou. To je pro firmy důležitější než tvrzení, že „model zdarma je na úrovni Opusu“.

Zdroje: Z.ai GLM-5.3-Flash: Frontier Intelligence, Flash Cost, dokumentace GLM-5.3-Flash, aktuální API pricing, oficiální model card a váhy na Hugging Face, původní článek Z.ai GLM-5.2: Built for Long-Horizon Tasks a YouTube signál Marek Bartoš Čínský AI model GLM 5.3 Flash.