GLM-5.3-Flash auf dem Mac: Preis, Benchmarks und lokale Grenzen

Aktualisiert am 9. Oktober 2026; ursprüngliche Launch-Recherche vom 26. August. Für den Mac ist GLM-5.3-Flash vor allem als API-Modell relevant: Z.ai hat es am 26. August 2026 offiziell veröffentlicht. Das Modell ist zugleich die Identität hinter dem zuvor anonym auf OpenRouter und OpenCode getesteten Ox Alpha. Offiziell nennt Z.ai 320 Milliarden Gesamtparameter, davon 18 Milliarden pro Token aktiviert, eine hybride Kombination aus linearer und sparsamer Attention, 1.048.576 Token Kontext, native Bild-/Videoeingaben und veröffentlichte Gewichte unter MIT-Lizenz. ¹²³⁴⁵⁶

Für die praktische Einordnung zählen zwei Dinge: Agentenleistung und Preis. Z.ai verlangt regulär 0,15 US-Dollar pro 1 Mio. Input-Token, 0,03 US-Dollar pro 1 Mio. gecachte Input-Token und 0,50 US-Dollar pro 1 Mio. Output-Token. Der frühere 50-%-Launchpreis von 0,075 / 0,015 / 0,25 USD endete bereits am 9. September 2026, 24:00 UTC+8. Im Oktober ist er kein aktueller Z.ai-API-Tarif. ⁷ Das ist wesentlich billiger als GLM-5.3, dessen offizieller Preis bei 1,40 / 0,26 / 4,40 US-Dollar liegt. ⁷

Wer GLM-5.3-Flash per API nutzen will, bekommt ein 1M-Kontext-Modell mit nativer Multimodalität zu niedrigen Tokenkosten. Die Coding- und Agentenwerte stammen überwiegend aus Z.ais eigener Auswertung. Wer es lokal betreiben will, darf „18B aktiv“ dagegen nicht mit einem 18B-Checkpoint verwechseln: gespeichert werden weiterhin Gewichte eines rund 320B großen MoE-Modells.

GLM-5.3-Flash: technische Daten und Preise

Merkmal	GLM-5.3-Flash	Evidenz
Veröffentlichung	26.08.2026	Z.ai Release Notes 3
Früherer Stealth-Name	Ox Alpha	Z.ai + OpenRouter + Business Insider 168
Gesamtparameter	320B	Z.ai 2
Aktivierte Parameter	18B/Token	Z.ai 2
Kontext	1.048.576 Token	Z.ai + config.json + OpenRouter 256
Attention	34 lineare + 11 sparse Attention Layer in 45 Layern	veröffentlichte config.json 5
MoE	288 geroutete Experten, 8 Experten/Token	veröffentlichte config.json 5
Modalitäten	Text, Bilder, Video → Text	Z.ai/OpenRouter 26
Lizenz der Gewichte	MIT	Hugging Face 4
API-Listenpreis	$0,15 Input / $0,03 Cache / $0,50 Output pro 1M	Z.ai 7
Launchpreis	$0,075 / $0,015 / $0,25 pro 1M	Z.ai 7

Ox Alpha heißt jetzt GLM-5.3-Flash

Vor dem Namen „GLM-5.3-Flash“ lief das Modell anonym als ox-alpha. Z.ai beschreibt den anonymen Einsatz auf OpenCode und OpenRouter ausdrücklich; OpenRouter bestätigt auf der finalen Modellseite dieselbe Identität. Auch unabhängige Release-Berichterstattung ordnet Ox Alpha dem neuen Modell zu. ¹⁶⁸

Das ist wichtig, weil frühe Nutzerreaktionen und Verbrauchszahlen aus der Ox-Alpha-Phase nicht als Daten über ein unbekanntes Drittmodell behandelt werden müssen. Sie gehören zu GLM-5.3-Flash. Gleichzeitig bleiben subjektive Community-Eindrücke genau das: frühe Erfahrungen, keine standardisierten Benchmarks.

Architektur: 320B insgesamt, 18B aktiv

GLM-5.3-Flash ist ein Mixture-of-Experts-Modell. Z.ai nennt 320B Gesamt- und 18B aktivierte Parameter. Die veröffentlichte Konfiguration zeigt 45 Transformer-Layer, davon 34 Layer mit linearer Attention und 11 Layer mit DeepSeek Sparse Attention. Das Muster ist regelmäßig: auf drei lineare Attention-Layer folgt ein Sparse-Attention-Layer. In der MoE-Konfiguration sind 288 geroutete Experten, ein geteilter Experte und acht Experten pro Token konfiguriert. ²⁵

Z.ai gibt an, die Hybridarchitektur senke gegenüber GLM-5.3 den Attention-Rechenaufwand um den Faktor 3,01 und den KV-Cache um den Faktor 4,44. ² Das ist eine Herstellerangabe und sollte als solche gelesen werden. Die veröffentlichte Konfiguration stützt zwar die Existenz der Hybridarchitektur, repliziert aber nicht automatisch Z.ais Serving-Messung.

1M-Kontext: offizielle Angabe und Drittanbieter-Wert

Die direkte Z.ai-Dokumentation nennt ein 1M-Token-Kontextfenster. Die Checkpoint-Konfiguration setzt max_position_embeddings auf 1.048.576, und OpenRouter gibt denselben Wert an. ²⁵⁶

Artificial Analysis listet am Veröffentlichungstag dagegen 400k Kontext und kennzeichnet GLM-5.3-Flash zugleich als „Proprietary model“. ⁹ Das kollidiert mit der MIT-Lizenz des offiziellen Checkpoints. ⁴ Für die maximale Modellkonfiguration ist deshalb die konsistente Primärquellenlage – Z.ai-Dokumentation plus veröffentlichte config.json – stärker. Die 400k-Angabe sollte derzeit als Drittanbieter-Metadatum beziehungsweise Evaluationskontext und nicht als nachgewiesenes Modellmaximum behandelt werden.

Bilder und Videos: native Multimodalität

Z.ai bezeichnet GLM-5.3-Flash als erstes nativ multimodales Modell der GLM-5-Serie. Die API-Dokumentation beschreibt Bildblöcke über image_url; OpenRouter listet Text, Bilder und Video als Eingaben. ²⁶ Die veröffentlichte Konfiguration integriert einen Vision-Encoder mit 24 Layern, 448 Pixel Bildgröße und 14er Patchgröße sowie eigene Image- und Video-Token. ⁵

Das macht die Modellpositionierung für Coding-Agenten plausibel: Ein Agent verarbeitet Quelltext ebenso wie gerenderte Oberflächen, Charts, Dokumente oder Videoeingaben innerhalb desselben Workflows. Ob das in einem konkreten Coding-Harness zuverlässig funktioniert, hängt jedoch zusätzlich von Tooling, Prompting und der jeweiligen Provider-Implementierung ab.

Benchmarks: Z.ai-Werte und externe Einordnung

Z.ai veröffentlicht für GLM-5.3-Flash unter anderem 84,3 auf Terminal-Bench 2.1, 63,4 auf DeepSWE v1.1, 78,4 auf Toolathlon Verified, 48,8 auf AutomationBench v1.0.6, 26,3 auf Agents’ Last Exam und 55,3 auf HLE with Tools. ¹ Die Originalquellen der Benchmarks bestätigen, dass es sich um anspruchsvolle Coding-, Tool- und Long-Horizon-Agentenaufgaben handelt. ¹⁰–¹¹

Wichtig ist die Trennung zwischen Benchmarkmethodik und Modellergebnis: Die Benchmark-Repositories dokumentieren Aufgaben und Evaluationslogik, aber die genannten GLM-5.3-Flash-Scores stammen im Regelfall aus Z.ais eigenem Launch-Test. Sie sind deshalb nicht dasselbe wie eine unabhängige Replikation.

Ein unabhängiger Anhaltspunkt kommt von Artificial Analysis. Dort erzielt GLM-5.3-Flash am 26. August einen Intelligence Index von 57. Die aktuelle Indexversion 4.1.1 kombiniert neun Evaluationskomponenten. ⁹¹² Das bestätigt, dass das Modell in einem externen Test stark abschneidet, repliziert aber nicht jeden einzelnen Wert aus Z.ais Tabelle.

Wie nah ist GLM-5.3-Flash an teureren Spitzenmodellen?

Z.ais eigene Vergleichstabelle zeigt kein durchgehend identisches Bild. GLM-5.3-Flash liegt beispielsweise auf Terminal-Bench 2.1 mit 84,3 knapp unter Claude Opus 4.8 mit 85,0, auf Toolathlon Verified mit 78,4 darüber, auf NL2Repo mit 56,3 aber deutlich darunter. ¹ „Auf Opus-Niveau“ wäre deshalb zu pauschal. Treffender ist: auf mehreren agentischen und Coding-Benchmarks konkurrenzfähig, mit deutlichen Ausreißern in beide Richtungen.

Oktober-Update: Flash, FlashX und Coding-Plan sind drei Dinge

Z.ai dokumentiert inzwischen zwei getrennte API-IDs: glm-5.3-flash und glm-5.3-flashx. Für FlashX nennt der Hersteller 200 ausgegebene Tokens pro Sekunde. Das ist eine Aussage zum schnelleren Cloud-Tarif, kein Mac-Benchmark und keine garantierte API-Latenz. Vor einem Modellwechsel Kosten, Kontingente und reales Antworttempo getrennt prüfen. Z.ai-Modellguide

Der GLM Coding Plan ist kein normales Token-Abrechnungsmodell. Laut Z.ai bietet Flash hier das Dreifache des GLM-5.3-Kontingents, FlashX ist noch nicht enthalten. Die Nutzung erfolgt nach Punkten; in Nebenzeiten und am Wochenende bewirbt Z.ai 50 % geringeren Punkteverbrauch. Wer Agenten lange laufen lässt, muss Wochenlimits und Punkte prüfen, nicht allein günstige API-Tokenpreise.

Providerdaten nicht vermischen: Z.ai beschreibt 1 Mio. Kontext und maximal 128K Output. OpenRouter zeigt im Modellkatalog 1,3 Mio. Kontext und am 8. Oktober einen 50-%-Rabatt auf $0,075/$0,25 Input/Output. Das 1,3-Mio.-Feld sagt nicht, dass jeder Upstream-Provider und jeder Account so lange Prompts annimmt. Auch Rabatt und Providerpreise können sich ändern.

Thinking: Laut Z.ai unterstützt thinking.type hier nur enabled. Empfohlen werden reasoning_effort: max und thinking.clear_thinking: false. thinking: disabled ist also kein gesicherter Trick für niedrigere Latenz.

API-Preise und Kostenbeispiele

Die aktuelle Z.ai-Preisliste nennt für GLM-5.3-Flash 0,15 USD regulären Input, 0,03 USD gecachten Input und 0,50 USD Output pro 1 Mio. Tokens. Der unten angegebene 50-%-Launchrabatt ist seit dem 9. September abgelaufen und dient nur als historischer Vergleich. Cache-Speicherung wird als „Limited-time Free“ und somit nicht dauerhaft kostenlos ausgewiesen. Integrierte Websuche kostet 0,01 USD pro Aufruf. Router-Tarife und Coding-Plan-Punkte sind separat.

Die offizielle Preisstaffel ist außergewöhnlich aggressiv:

Preis je 1 Mio. Tokens	GLM-5.3	Flash aktuell	Flash Launch (abgelaufen)
Input	$1,40	$0,15	$0,075
Cached Input	$0,26	$0,03	$0,015
Output	$4,40	$0,50	$0,25

Quelle: aktuelle Z.ai-Preisliste, am 9. Oktober 2026 geprüft. Der Launch-Rabatt endete am 9. September 2026 um 24:00 UTC+8. ⁷

Gegenüber GLM-5.3 ist der reguläre Flash-Preis rechnerisch rund 89,3% niedriger beim Input und 88,6% niedriger beim Output. Während des historischen Launch-Rabatts waren es rund 94,6% beziehungsweise 94,3%. Das sind eigene Berechnungen auf Basis der offiziellen Tokenpreise.

Drei Kostenszenarien

Eigene Tarifrechnungen, keine gemessenen Agenten-Benchmarks. Der Cache-Rabatt gilt nur für Tokens, die der Anbieter tatsächlich als Cache-Hit verbucht. Tools, Websuche, Steuern, Aufschläge und Speichergebühren nach Ablauf des befristeten Free-Angebots können hinzukommen.

Die folgenden Rechnungen verwenden Millionen Token als Einheit und trennen gecachte von ungecachten Eingaben:

• Klein: 1M ungecachter Input + 0,2M Output → aktuell 0,25 USD, historischer Launch 0,125 USD, GLM-5.3 2,28 USD.
• Mittel: 6M ungecacht + 14M gecacht + 4M Output → aktuell 3,32 USD, historischer Launch 1,66 USD, GLM-5.3 29,64 USD.
• Intensiv: 10M ungecacht + 90M gecacht + 20M Output → aktuell 14,20 USD, historischer Launch 7,10 USD, GLM-5.3 125,40 USD.

Formel: ungecachter Input × Inputpreis + gecachter Input × Cachepreis + Output × Outputpreis. Nicht enthalten sind mögliche Steuern, andere Tools oder providerabhängige Zusatzkosten.

Lokal auf dem Mac? 18B aktiv ist die falsche Zahl für die Speicherplanung

Für lokale Nutzung ist die MoE-Bezeichnung leicht missverständlich. 18B aktiv beschreibt grob, wie viele Parameter pro Token für Berechnung herangezogen werden. Der veröffentlichte Checkpoint enthält trotzdem Gewichte für rund 320B Gesamtparameter. ²⁴

Eine reine Größenrechnung zeigt die Größenordnung:

• 320B × 1 Byte bei idealisierten 8 Bit ≈ 320 GB Gewichte.
• 320B × 0,5 Byte bei idealisierten 4 Bit ≈ 160 GB Gewichte.

Das sind keine gemessenen RAM-Anforderungen. Quantisierungsskalen, Metadaten, nicht quantisierte Module, Runtime-Buffer, Vision-Komponenten, KV-/State-Speicher und Kontextlänge kommen hinzu. Ein theoretisches 4-Bit-Szenario liefert keinen Beleg dafür, dass am Release-Tag bereits eine stabile 4-Bit-Mac-Runtime existiert.

Die offizielle Modellkarte zeigt direkt Beispiele für Transformers, vLLM und SGLang; Z.ai nennt zusätzlich TokenSpeed und KTransformers. ⁴¹³–¹⁴ Für Apple-Silicon-typische Wege wie MLX oder llama.cpp liegt in den hier geprüften Primärquellen am 26. August noch keine gleichwertige offizielle Anleitung für Apple Silicon vor. Wer einen Mac mit 32, 64 oder 128 GB Unified Memory nutzt, sollte GLM-5.3-Flash deshalb primär als API-Modell betrachten, nicht als normalen lokalen 18B-Download.

Eignung für Coding-Agenten

Drei Eigenschaften sind besonders relevant:

1. Sehr niedrige Tokenkosten. Lange Agentenläufe werden wirtschaftlich interessanter, insbesondere wenn ein hoher Anteil des wiederholten Kontexts gecacht werden kann. ⁷¹⁵
2. 1M Kontext. Große Repositories, Logs und lange Tool-Historien passen theoretisch in ein sehr großes Fenster. Das garantiert aber nicht, dass jede Information über eine Million Token hinweg gleich zuverlässig genutzt wird.
3. Native visuelle Eingaben. Browser-, GUI- und Dokument-Workflows können Bilder und Video direkt in die Modellinteraktion einbeziehen. ²⁵⁶

Für reale Agentenarbeit sind Benchmarks dennoch nur ein Filter. Fehlerraten bei Tool-Calls, Patch-Qualität, Wiederholungen, Latenz, Provider-Stabilität und tatsächlicher Tokenverbrauch können die Kosten stärker beeinflussen als ein Listenpreisvergleich. Für den Vorgänger gibt es den GLM-5.3-Faktencheck.

Offene Punkte nach dem Start

Auch nach dem Start bleiben mehrere Punkte offen:

• Unabhängige Replikation der gesamten Z.ai-Benchmarkmatrix: noch nicht verfügbar.
• Artificial-Analysis-Metadaten: 400k/„Proprietary“ widersprechen 1M/MIT aus Primärquellen. ⁴⁵⁹
• Lokale Consumer-Hardware: offizielle Gewichte existieren, aber 320B Gesamtparameter machen Desktop-/Mac-Betrieb trotz 18B Aktivierung speicherintensiv.
• Langzeit-Servingwerte: Durchsatz und Latenz können sich in den ersten Tagen mit Providerlast und Runtime-Optimierungen verändern; frühe Momentaufnahmen sollten nicht als dauerhafte Eigenschaft veröffentlicht werden.
• Launchpreis: der 50%-Rabatt ist ausdrücklich befristet. ⁷

Einordnung für API und lokale Nutzung

Oktober-Empfehlung: Für multimodale Aufgaben bis 1M Kontext die API prüfen, FlashX nur bei nachgewiesenem Tempo-Vorteil und Coding Plan nur bei passenden Punkte-/Wochenlimits. Bei lokalen MIT-Gewichten müssen alle 320B-Parameter gespeichert werden: 18B aktiv ist nicht der RAM-Bedarf.

GLM-5.3-Flash ist seit dem 26. August 2026 offiziell verfügbar: ein MIT-lizenziertes, nativ multimodales MoE-Modell mit 320B Gesamt- und 18B aktivierten Parametern sowie einem offiziell konfigurierten Kontext von 1.048.576 Token. ²⁴⁵

Seine stärkste belegbare Besonderheit ist derzeit die Preis-Leistungs-Positionierung für API- und Agentenworkloads: Der heutige reguläre Preis liegt rechnerisch knapp 90 % unter GLM-5.3. Der frühere Launchrabatt ist abgelaufen. ⁷ Die veröffentlichten Agenten-Benchmarks sind stark, sollten aber überwiegend als Herstellerwerte verstanden werden; Artificial Analysis liefert einen wichtigen unabhängigen, aber noch nicht vollständigen Gegencheck. ⁹

Für lokale KI gilt die gegenteilige Intuition: 18B aktive Parameter senken Rechenaufwand, machen aus dem 320B-Checkpoint aber kein 18B-Modell. Wer GLM-5.3-Flash heute praktisch einsetzen will, bekommt per API die klarere Option zum sofortigen Einsatz; lokale Consumer-Hardware ist dafür aktuell kein Standardpfad.

Quellen und Belege

Footnotes

1. z.ai – blog/glm-5.3-flash ↩ ↩² ↩³ ↩⁴ ↩⁵

2. docs.z.ai – vlm/glm-5.3-flash ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹²

3. docs.z.ai – release-notes/new-released ↩ ↩²

4. docs.z.ai – capabilities/context-caching ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

5. docs.z.ai – capabilities/structured-output ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰

6. huggingface.co – main/config.json ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸

7. docs.z.ai – overview/pricing ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸

8. arxiv.org – abs/2311.17005 ↩ ↩²

9. arxiv.org – abs/2602.15763 ↩ ↩² ↩³ ↩⁴

10. artificialanalysis.ai – models/glm-5-3-flash ↩

11. github.com – hkust-nlp/Toolathlon ↩

12. openrouter.ai – z-ai/glm-5.3-flash ↩

13. www.testingcatalog.com – z-ai-launches-glm-5-3-flash-under-mit-license ↩

14. github.com – vllm-project/vllm ↩

15. docs.z.ai – capabilities/thinking-mode ↩