智谱发布GLM-5.3-Flash：以18B激活参数、混合注意力押注高效智能体与原生多模态
· 来源：reuters.com
已提供的可核实资料显示，智谱GLM-5.3-Flash通过降低活跃参数与注意力成本，瞄准工具调用、长上下文和多模态专业工作流；关于DeepSeek V4.1-Flash的具体信息尚未获来源支持。
智谱旗下AutoClaw日前发布GLM-5.3-Flash，将其定位为兼顾能力与推理效率的基础模型。值得注意的是，题设所称DeepSeek V4.1-Flash“同日亮相”未见于本次提供的有效来源，因此无法对两款模型的发布时间、技术规格或性能作事实性横向比较。就已披露信息看，GLM-5.3-Flash反映出国产基础模型竞争正更强调高吞吐推理、智能体执行和多模态工作流，而不只是总参数量或单项榜单成绩。
GLM-5.3-Flash基于新的底座模型训练，并重构了架构与训练方案。智谱称，模型采用稀疏注意力与线性注意力结合的混合架构，以及Manifold-Constrained Hyper-Connections，以改善规模扩展效率；预训练数据使用其最新的30万亿token多模态语料。该模型在正式发布前曾以“Ox Alpha”代号匿名接入真实流量，相关流量由中国AI加速器承载。
效率是此次发布的核心指标。与总参数规模相近的GLM-4.5系列相比，GLM-5.3-Flash的活跃参数从320亿降至180亿，层数从92层降至45层。针对长上下文场景，线性注意力用于捕捉局部依赖，稀疏注意力则借助轻量索引器从全局上下文检索相关信息；在最长100万token上下文内，IndexPool通过加权池化将4个缓存键向量压缩为1个，以降低索引器延迟和内存开销。智谱公布的对比数据显示，相较GLM-5.3，其注意力计算量减少约3倍，KV Cache规模减少约4.4倍。
在能力侧，智谱将重点放在可执行的智能体任务。其公布的评测中，GLM-5.3-Flash在Terminal Bench 2.1、DeepSWE v1.1、NL2Repo、Toolathlon Verified、AutomationBench等代码、工具使用与自动化基准上均高于GLM-5.2。例如，Terminal Bench 2.1得分为84.3，DeepSWE v1.1为63.4，Toolathlon Verified为78.4。公司同时提示，实际表现会受推理设置、工具、执行框架和评测环境影响。
多模态能力也被设计为执行链路的一部分，而非单独的图像输入功能。GLM-5.3-Flash从预训练阶段同时学习文本与视觉信息，支持文本、图像、视频和文件，可理解文档结构、图表、界面状态与版式关系，并据此继续推理和调用工具。智谱称，模型可处理PPTX、PDF、DOCX和XLSX等办公文件，借助渲染结果检查页面层级、图表清晰度、图片裁切、对齐和文字溢出等问题。
这类技术取向意味着，模型厂商正在把竞争重点延伸至单位算力下的实际产出：更低活跃参数和缓存开销有助于控制长上下文与高并发成本；工具调用、环境反馈与视觉核验则服务于跨步骤任务完成。对于企业部署而言，模型是否能够在真实软件、文档和数据环境中稳定执行，正成为与知识问答、代码生成同等重要的衡量维度。
—— 综合整理自：AutoClaw Blog、X.com（所提供页面未含可用报道内容）