Z.ai lanza GLM-5.3-Flash: 18B activos, 1/10 del precio

Z.ai publica GLM-5.3-Flash: el primer multimodal nativo de la serie GLM-5

Z.ai, el primer fabricante de LLMs en salir a bolsa en el mundo (Hong Kong, enero de 2026), liberó el 26 de agosto de 2026 GLM-5.3-Flash, su nuevo modelo multimodal nativo con 320.000 millones de parámetros totales y solo 18.000 millones activos. La compañía asegura que supera a GLM-5.2 en todos los benchmarks de programación y agentic, se acerca a Claude Opus 4.8 en coding y agentic, y lo hace a una décima parte del precio por tarea. Los pesos están disponibles en HuggingFace bajo licencia permisiva, y el modelo ya se ofrece a todos los usuarios del plan GLM Coding con 3x la cuota usable de GLM-5.3.

La métrica que más importa para un founder es la eficiencia. En el Artificial Analysis Intelligence Index v4.1.1, GLM-5.3-Flash alcanza un puntaje de 57 a US$0,045 por tarea (con descuento). «Un nivel de inteligencia que antes solo estaba disponible a un costo aproximadamente 10 veces superior», según el blog oficial de Z.ai. En la semana previa al anuncio, Z.ai lo probó de incógnito como ox-alpha en OpenCode y OpenRouter, donde se convirtió en el modelo más usado de la semana. Todo el tráfico se sirvió sobre chips chinos.

Arquitectura híbrida: sparse + linear attention para bajar el costo de contexto largo

GLM-5.3-Flash introduce por primera vez una arquitectura que combina atención lineal y sparse (atendedores híbridos). La atención lineal captura dependencias locales mediante state modeling, mientras que la sparse recupera contexto global relevante con un indexador ligero. Para reducir la latencia y el consumo de memoria del indexador en ventanas de 1 millón de tokens, Z.ai introduce IndexPool, que comprime cuatro vectores clave del indexador en uno solo mediante weighted pooling.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Las cifras concretas de la publicación:

Parámetros totales: 320B (vs 355B en GLM-4.5)
Parámetros activados: 18B (vs 32B en GLM-4.5)
Capas: 45 (vs 92 en GLM-4.5)
Compute de atención reducido: 3,0x frente a GLM-5.3
Tamaño de KV cache reducido: 4,4x frente a GLM-5.3
Manifold-Constrained Hyper-Connections (mHC): mejora eficiencia de escalado
Corpus de preentrenamiento multimodal: 30 billones de tokens

Z.ai aclara que la KV cache todavía es ligeramente mayor que la de Kimi-K3 y DeepSeek-V4-Flash, los dos modelos abiertos con los que se compara, dejando espacio para mejoras. Aún así, GLM-5.3-Flash tiene el menor compute de atención entre los modelos comparados.

Resultados en benchmarks: supera a GLM-5.2 por márgenes amplios

Los números más relevantes del anuncio oficial sobre coding y agentic:

Benchmark	GLM-5.3-Flash	GLM-5.2	Opus 4.8	Gemini 3.7 Flash
DeepSWE v1.1	63,4	46,2	58,0	65,3
AutomationBench	48,8	26,2	41,0	52,3
Toolathlon Verified	78,4	59,9	76,2	—
Terminal Bench 2.1	84,3	81,0	85,0	85,8
NL2Repo	56,3	48,9	69,7	—

En el benchmark interno Z.ai Code Bench v1.0 (corrido sobre Claude Code 2.1.207), GLM-5.3-Flash supera a GLM-5.2 en todos los niveles de esfuerzo y casi iguala a Opus 4.8 al máximo esfuerzo (29,0 vs 29,5).

En visión, destaca OfficeQA Pro con 62,4 (vs 48,9 de Opus 4.8) y Chartography w/ Tools con 78,0 (vs 75,0). En el resto de pruebas visuales queda por debajo de Gemini 3.7 Flash en video, pero compite en documentos y gráficos.

Sirviendo un modelo frontier en chips chinos a escala de decenas de miles de aceleradores

La pieza más estratégica del anuncio es la de infraestructura. Z.ai describe haber servido GLM-5.3-Flash en un cluster a gran escala de chips de IA chinos con un motor de inferencia propio sobre SGLang, optimizado para hardware nacional. El trabajo se aceleró, según la compañía, gracias a un agente de infraestructura potenciado por GLM-5.3, que ayudó a escribir kernels, diagnosticar cuellos de botella y mejorar el stack. Un loop en el que el modelo optimiza el sistema que lo sirve a sí mismo.

El stack combina paralelismo tensorial intra-nodo para Linear Attention y la cabeza LM, ReplaySSM, cuantización W8A8, cuantización de cache híbrida INT8/FP8/BF16 y Layer Split. A escala de cluster, Z.ai usa una arquitectura Encode-Prefill-Decode (EPD) desagregada, que separa encoding multimodal, prefill del prompt y decoding token a token en pools de workers escalables independientemente.

La cifra más relevante: 3x de mejora en rendimiento end-to-end frente a su línea base inicial sobre el mismo hardware, alcanzando una eficiencia y costo por token comparables a GPUs NVIDIA mainstream. La IBTimes ya había adelantado en julio que Z.ai completó un datacenter con al menos 10.000 chips de fabricación china para entrenar y servir sus sistemas GLM. El contexto importa: según CNBC, un funcionario de la Casa Blanca acusó a Moonshot AI de acceder a chips Nvidia GB300 pese a las restricciones de exportación, y el Tesoro estadounidense amenazó con sanciones a empresas chinas que realicen ataques de destilación sobre modelos de frontera.

El contexto competitivo: la presión de los modelos chinos abiertos

GLM-5.3-Flash llega en plena efervescencia del ecosistema abierto chino. Según MarketWatch, Kimi K3 de Moonshot AI se ofrece a US$15 por millón de tokens de salida, frente a los US$30 de GPT-5.6 Sol y los US$50 de Claude Fable 5. La presión de precios llevó a DeepSeek a anunciar una subida de hasta 4x en sus modelos V4 Flash y Pro, aunque el precio blended de V4 Pro sigue por debajo del de GLM-5.2, según Artificial Analysis.

Z.ai no es un recién llegado. Salió a bolsa en Hong Kong el 8 de enero de 2026 bajo el código 2513, con una valoración post-money superior a HK$51.000 millones (ChinaBizInsider). Atiende a más de 12.000 clientes enterprise y 45 millones de desarrolladores globalmente, con un ARR de US$1.000 millones en julio según IBTimes, y ha dedicado el 70% de los fondos del IPO a I+D en modelos foundation.

Qué significa esto para tu startup

GLM-5.3-Flash encaja en un patrón que 2026 ha confirmado: la inteligencia frontier ya no exige pagar precios frontier. Si tu equipo está gastando más de US$10.000/mes en APIs de modelos cerrados para tareas de coding, generación visual o agentic de complejidad media, este lanzamiento es una señal directa de que el costo por tarea puede caer entre 5x y 10x sin sacrificar rendimiento.

Tres palancas concretas que un founder puede mover esta semana:

Probar GLM-5.3-Flash en flujos de coding agentic no críticos. El plan GLM Coding ofrece 3x la cuota de GLM-5.3, accesible desde z.ai/subscribe. Úsalo primero en refactors, generación de tests y migración de código legacy donde puedes tolerar errores. Mide tokens consumidos por tarea y compara contra tu proveedor actual. En Z.ai Code Bench v1.0 al máximo esfuerzo, casi iguala a Opus 4.8 (29,0 vs 29,5), así que el techo de calidad para tareas de coding de complejidad media es competitivo.
Evaluar self-hosting con pesos abiertos si tienes carga de inferencia alta. Los pesos están en HuggingFace y soportan SGLang, vLLM y TokenSpeed. Para una startup que procesa más de 500 millones de tokens al mes, el costo de montar un cluster en GPUs usadas o en hardware alternativo puede ser inferior al de la API en menos de un trimestre. La reducción de 4,4x en KV cache frente a GLM-5.3 hace viable correr contextos largos en hardware modesto.
Explorar capacidades multimodales para frontend y QA visual. El modelo soporta Browser Use y Computer Use dentro de ZCode (zcode.z.ai), con verificación visual de páginas web y operación de aplicaciones de escritorio. Para founders que construyen productos con UI compleja, esto habilita flujos agentic que antes requerían varios modelos separados.

Antes de migrar, verifica tres cosas: la licencia permite tu caso de uso comercial, la latencia de inferencia en tu región (Z.ai sirve principalmente desde China, según el anuncio), y si necesitas benchmarks propios en tu dominio — los números oficiales son de Z.ai y, como señaló IBTimes, enfrentarán escrutinio cuando desarrolladores independientes los prueben en producción.