GLM-5.3-Flash Nedir? 18B Aktif, MIT Lisans

Bu yaz açık ağırlıklı model tarafında tek bir yarış var: aynı zekayı daha az hesapla üretmek. Alibaba’nın Qwen3.8-Flash-Next‘i 6 milyar aktif parametreyle 397 milyarlık kardeşini geçmişti. Z.ai’nin cevabı GLM-5.3-Flash: 320 milyar toplam parametrenin yalnızca 18 milyarını çalıştırıp GLM-5.2’yi onda bir fiyata geride bırakıyor.

İki ayrıntı bu modeli sıradan bir “ucuz sürüm” duyurusundan ayırıyor. Birincisi lisans MIT. İkincisi ise duyurunun sonundaki cümle: bütün o trafik NVIDIA’da değil, Çin yapımı hızlandırıcılarda karşılanmış.

Gelin sırayla bakalım. 👇🏻

GLM-5.3-Flash Nedir?

Metin ve görsel okuyup metin üreten, uzman karışımı (MoE) mimarili, ağırlıkları indirilebilir bir model. GLM-5 serisinin doğuştan çok modlu ilk üyesi; yani görsel yetenek sonradan eklenmiş bir eklenti değil, temel modelin eğitimine dahil.

Kritik satır ortadaki. Bir MoE modelinde toplam parametre pazarlama rakamı; faturayı ve gecikmeyi belirleyen, her token için kaç parametrenin devreye girdiği. Burada 320 milyarın yaklaşık yüzde 5,6’sı çalışıyor.

Kıyas için Z.ai’nin kendi GLM-4.5’i: 355 milyar toplam, 32 milyar aktif, 92 katman. GLM-5.3-Flash benzer bir toplam boyutta hem aktif parametreyi hem katman sayısını neredeyse yarıya indiriyor. Katman sayısının yarıya inmesi ayrıca gecikmeyi doğrudan etkiliyor: her token daha az ardışık adımdan geçiyor.

Mimaride Ne Değişti? 🧠

Z.ai üç başlıkta değişiklik anlatıyor: dikkat, artık bağlantılar ve ön eğitim verisi.

1. Hibrit dikkat: doğrusal + seyrek

Klasik tam dikkat her yeni token’ı geçmişteki bütün token’larla karşılaştırır. Bağlam uzadıkça hem hesap hem KV önbelleği patlar. GLM serisinde ilk defa bu iş ikiye bölünüyor:

• Doğrusal dikkat geçmişi sabit boyutlu bir duruma sıkıştırıp yerel bağımlılıkları taşıyor. Yani “hatırlıyor”.
• Seyrek dikkat hafif bir indeksleyiciyle bağlamın ilgili bölgelerini bulup oradan kesin bilgi çekiyor. Yani “buluyor”.

Bu ayrım DeepSeek ve Qwen tarafında da benzer biçimde görülüyor, fikir yeni değil. Z.ai’nin kendi eklediği parça şu: 1 milyon tokenlık bağlamda indeksleyicinin kendisi ciddi bir gecikme ve bellek kalemine dönüşüyor. Çözüm olarak IndexPool geliyor: dört indeksleyici anahtar vektörünü ağırlıklı havuzlamayla tek vektöre sıkıştırıyor. Nereye bakılacağını bulma maliyeti dörde bölünüyor.

Sonuç, Z.ai’nin kendi ölçümüyle: GLM-5.3’e göre dikkat hesabı 3 kat, KV önbelleği 4,4 kat küçük. Karşılaştırılan modeller arasında dikkat hesabı en düşük olan GLM-5.3-Flash. KV önbelleği tarafında hâlâ Kimi-K3 ve DeepSeek-V4-Flash’ın biraz gerisinde, Z.ai bunu açıkça iyileştirme alanı olarak yazıyor.

2. mHC: ölçekleme verimi için artık bağlantılar

Model ayrıca Manifold-Constrained Hyper-Connections (mHC) kullanıyor. Normal bir Transformer’da bütün katmanlar aynı artık akışa (residual stream) yazıp aynı akıştan okur; ağ derinleştikçe baştaki bilgi sonradan gelenlerle karışıp seyreliyor. Hiper bağlantı yaklaşımı bu tek şeridi çoğaltıp katmanların hangi şeritten okuyup hangisine yazacağını öğrenilebilir hale getiriyor. mHC’nin “manifold-kısıtlı” kısmı bu serbestliği eğitimi bozmayacak bir geometrik kısıt altında tutuyor.

Pratikteki karşılığı Z.ai’nin ifadesiyle “ölçekleme veriminin artması”: aynı hesapla daha fazla kapasite.

3. 30 trilyon tokenlık çok modlu külliyat

Üçüncü bacak veri tarafında. Ön eğitim 30 trilyon tokenlık, en baştan çok modlu bir külliyatla yapılmış. Görsel yetenek sonradan yapıştırılmadığı için model görüntüyü ne zaman kullanacağına da karar verebiliyor; bu, kod yazarken ekran görüntüsüne bakıp kendi çıktısını denetlemesinin ön koşulu.

Temel model ne durumda?

Post-training öncesi ham modelin skorları mimarinin işe yarayıp yaramadığını görmenin en dürüst yolu:

Okuma şekli şöyle: GLM-5.3-Flash-Base, 32 milyar aktif parametreli GLM-4.5-Base’i genel olarak geçiyor ve 40 milyar aktif / 744 milyar toplam parametreli GLM-5-Base’e çoğu testte yakın duruyor. Kodda (LiveCodeBench-Base 37,6) ise ikisini de belirgin şekilde önde bitiriyor. Ansiklopedik bilgi ölçen SimpleQA’da GLM-5-Base’in gerisinde kalması beklenen bir sonuç: 744 milyar toplam parametre daha fazla olgu depoluyor.

Görsel Yetenek Kodun İçinde 👁️

Z.ai’nin en çok üzerinde durduğu kısım bu. Ön yüz geliştirme, oyun yapımı, 3B simülasyon gibi işlerde nihai çıktı kod değil; bir arayüz, bir etkileşim, kullanıcının gördüğü bir şey. Bu işlerdeki hataların çoğu ancak sayfa render edildiğinde ya da oyun oynandığında ortaya çıkıyor. Testler yeşil, ekran bozuk.

Model bu yüzden kendi çıktısına bakacak şekilde eğitilmiş: ortamla etkileşime giriyor, ürettiği arayüzü görüntü olarak inceliyor, gördüğü bozukluğa göre kodu tekrar düzeltiyor. Z.ai ön yüz kodlaması için ayrıca ortam geri bildirimiyle pekiştirmeli öğrenme denemiş ve gerçek kullanıcı akışlarına dayanan ajan tabanlı doğrulamayla arayüz yargısını güçlendirmiş. Doğrulama böylece “fonksiyon doğru mu” sorusundan çıkıp “görünen ürün doğru mu” sorusuna geçiyor.

Aynı yetenek koddan çıkıp ofis işine de uzanıyor: belge, tablo, sunum, gösterge paneli, toplantı çıktısı. Model bunları metne çevirmenizi beklemeden doğrudan okuyabildiği için, sunum estetiği gibi öznel şeylerde bile kendi çıktısını değerlendirebiliyor. Görsel testlerdeki OfficeQA Pro ve Chartography skorları tam olarak bunu ölçüyor.

Benchmark Skorları 📊

Bütün skorlar Z.ai’nin kendi ölçümü. Sütunlar: GLM-5.3-Flash, GLM-5.2, DeepSeek-V4-Vision-Exp, Claude Opus 4.8, GPT-5.6 Terra ve Gemini 3.7 Flash.

Kodlama:

Ajan işleri:

Görsel:

Öne çıkanlar: GLM-5.2’ye göre sıçrama bazı testlerde neredeyse iki kat (AutomationBench’te 48,8’e 26,2, DeepSWE’de 63,4’e 46,2). Grafik ve belge okuma tarafında (Chartography 78,0, OfficeQA Pro 62,4) listedeki bütün kapalı modelleri geçiyor. Buna karşılık genel görsel akıl yürütme (BabyVision) ve video anlama (MVBench, MMVU) tarafında Gemini 3.7 Flash açık farkla önde.

Z.ai kendi iç değerlendirmesinden de bir rakam veriyor: Claude Code 2.1.207 üzerinde koşturulan Z.ai Code Bench v1.0’da, en yüksek çaba seviyesinde 29,0, Claude Opus 4.8 ise 29,5.

Artificial Analysis Intelligence Index v4.1.1’de ise skor 57 ve görev başına maliyet indirimli fiyatla $0,045. Aynı zeka seviyesi bugüne kadar kabaca 10 katı fiyatta mevcuttu.

ox-alpha: Sürümden Önce Anonim Test

Z.ai modeli duyurmadan önce ox-alpha kod adıyla OpenCode ve OpenRouter’a koyup kullanıcı geri bildirimi toplamış. Model kimliği belirtilmeden yayınlanan sürümler bu yaz yaygınlaştı; mantığı şu: marka etkisi olmadan gerçek iş yükünde nasıl davrandığını görmek.

Z.ai’nin aktardığına göre ox-alpha haftanın en popüler modeli olmuş. Asıl ilginç ayrıntı ise devamında: o trafiğin tamamı Çin yapımı yapay zeka çiplerinde karşılanmış.

Çin Çiplerinde Servis: Neden Önemli? ⚙️

Bu bölüm bir model duyurusunda beklenmeyecek kadar teknik ve muhtemelen duyurunun en dikkat çeken kısmı.

Z.ai, GLM-5.3-Flash’ı geçen hafta boyunca yüksek bant genişlikli bir ara bağlantıyla desteklenen büyük ölçekli bir Çin yapımı çip kümesinde servis etmiş. Bu çiplerin darboğazı bellek kapasitesi ve bant genişliği, özellikle 1 milyon tokenlık bağlamda. Kullanılan yöntemler:

• Doğrusal dikkat ve LM head için düğüm içi tensör paralelliği
• ReplaySSM
• W8A8 nicemleme, önbellekte karma INT8 / FP8 / BF16
• Layer Split
• Küme ölçeğinde EPD (Encode-Prefill-Decode) ayrıştırması: çok modlu kodlama, istem ön işleme ve token token üretim üç ayrı işçi havuzuna bölünüp bağımsız ölçekleniyor

SGLang üzerine bu mimariye özel bir çıkarım motoru yazmışlar. Duyurudaki en döngüsel ayrıntı da burada: bu işi hızlandıran şey, GLM-5.3 ile çalışan kendi altyapı ajanları olmuş. Model, kendisini servis eden sistemin kernel’lerini yazıp performans darboğazlarını teşhis etmede mühendislere yardım etmiş.

Sonuç: aynı donanımdaki ilk temel çizgiye göre uçtan uca servis performansında 3 kat iyileşme ve NVIDIA GPU’larla karşılaştırılabilir token başına maliyet.

Fiyatı Ne Kadar? 💸

İndirim 9 Eylül 2026 saat 24:00’e (UTC+8) kadar geçerli. Önbellek depolama şu an ücretsiz.

Kıyas için aynı sağlayıcının GLM-5.3 ve GLM-5.2 modellerinde bu rakamlar $1,4 girdi / $4,4 çıktı. Yani GLM-5.3-Flash girdide yaklaşık 9 kat, çıktıda 9 kat ucuz. Z.ai’nin “onda bir fiyat” ifadesi indirimli fiyattan geliyor.

GLM Coding Plan abonelerine de açıldı ve GLM-5.3’ün 3 katı kullanılabilir kota veriyor.

Kendi iş yükünüzde ne tutacağını LLM maliyet hesaplayıcımızda Claude ve GPT fiyatlarıyla yan yana görebilirsiniz. Girdinizin kaç token tuttuğunu token sayacı aracımıza yapıştırarak ölçebilirsiniz.

Nasıl Kullanılır?

API OpenAI uyumlu:

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.environ.get("ZAI_API_KEY"),
    base_url="https://api.z.ai/api/paas/v4",
)

cevap = client.chat.completions.create(
    model="glm-5.3-flash",
    messages=[{
        "role": "user",
        "content": "Bu ekran görüntüsündeki hizalama hatasını bulup CSS düzeltmesini yaz.",
    }],
    stream=True,
)

Claude Code ile: Z.ai Anthropic uyumlu bir uç nokta da veriyor, yani iki ortam değişkeni yeterli:

export ANTHROPIC_BASE_URL=https://api.z.ai/api/anthropic
export ANTHROPIC_AUTH_TOKEN=<api_anahtariniz>
claude

Z.ai’nin kendi ajanı ZCode tarafında ise modelin çok modlu yetenekleri Browser Use ve Computer Use ile açılıyor: ajan web sayfalarında gezinip yaptığı işi görsel olarak doğruluyor, masaüstü uygulamalarını kullanabiliyor.

Kendi sunucunuzda

Ağırlıklar Hugging Face’te zai-org/GLM-5.3-Flash altında. Desteklenen çıkarım motorları: SGLang, vLLM, TokenSpeed ve KTransformers.

vllm serve zai-org/GLM-5.3-Flash

SGLang tarafı:

python3 -m sglang.launch_server \
    --model-path zai-org/GLM-5.3-Flash \
    --host 0.0.0.0 --port 30000

Hugging Face üzerinde 12 nicemlenmiş sürüm ve 2 ince ayar zaten mevcut, yani llama.cpp / Ollama / LM Studio tarafı için topluluk dönüşümleri çıkmaya başladı.

Kimin İçin Mantıklı?

• Yüksek hacimli kod ajanları: Fiyat, 1 milyon token bağlam ve Toolathlon’daki 78,4 birlikte bu modelin varlık sebebi. GLM-5.2 kullanıyorsanız geçiş neredeyse tartışmasız: hem daha iyi hem dokuzda bir fiyat.
• Ön yüz ve arayüz işleri: Ekran görüntüsüne bakıp kendi çıktısını düzeltebilen bir model, render edilmeden görünmeyen hatalar için doğrudan bir kazanç.
• Belge ve tablo okuma: OfficeQA Pro ve Chartography skorları listedeki kapalı modellerin üstünde. PDF ve gösterge paneli okuyan iş akışları için bakılmaya değer.
• MIT lisansı gerektiren ürünler: Ticari bir ürüne gömülecek, ince yazısı olmayan güçlü bir açık ağırlıklı model arıyorsanız bu yazın en rahat seçeneği.
• Video anlama: Bu model değil. MVBench ve MMVU’da Gemini 3.7 Flash açık farkla önde.
• Tek ekran kartıyla yerelde çalıştırmak: Bu model de değil. 320 milyar parametrenin tamamı belleğe sığmak zorunda.

Sıkça Sorulan Sorular

Soru: GLM-5.3-Flash ne zaman çıktı? Cevap: 26 Ağustos 2026. Aynı gün hem Z.ai API platformunda hem Hugging Face’te (zai-org/GLM-5.3-Flash) yayınlandı.

Soru: GLM-5.3-Flash kaç parametre? Cevap: 320 milyar toplam, her token’da 18 milyarı aktif. 45 katmanlı bir MoE mimarisi. Kıyas için GLM-4.5 355 milyar toplam, 32 milyar aktif ve 92 katmandı.

Soru: GLM-5.3-Flash açık kaynak mı, indirebilir miyim? Cevap: Ağırlıklar indirilebilir ve lisans MIT, yani ticari kullanım dahil çok geniş. Yine de tam terim “açık ağırlıklı”: model dosyaları verildi, eğitim verisi verilmedi.

Soru: GLM-5.3-Flash fiyatı ne kadar? Cevap: 1 milyon token başına $0,15 girdi ve $0,50 çıktı. 9 Eylül 2026’ya kadar yüzde 50 indirimle $0,075 ve $0,25. Önbellekli girdi $0,03. Kendi sunucunuzda çalıştırırsanız API ücreti yok, donanım maliyeti var.

Soru: Bağlam penceresi ne kadar? Cevap: 1 milyon token. Mimarideki hibrit doğrusal + seyrek dikkat ve IndexPool tam olarak bu uzunluğu ekonomik servis etmek için var.

Soru: GLM-5.3-Flash ile GLM-5.3 arasındaki fark ne? Cevap: Flash sürümü verim için tasarlandı. Dikkat hesabı 3 kat, KV önbelleği 4,4 kat küçük; fiyat ise dokuzda biri. Karşılığında GLM-5.3’ün ham gücünden bir miktar veriyorsunuz, ama kodlama ve ajan testlerinde GLM-5.2’yi açık ara geçiyor.

Soru: Görsel girdi kabul ediyor mu? Cevap: Evet, GLM-5 serisinin doğuştan çok modlu ilk üyesi. Görüntüyü ve video karesini metinle aynı modelde işliyor; ekran görüntüsüne bakıp ürettiği arayüzü kendisi denetleyebiliyor.

Soru: Kaç GB VRAM gerekiyor? Cevap: FP8’de kabaca 320 GB, 4 bit nicemlemeyle kabaca 170-180 GB, üstüne KV önbelleği. Tek tüketici kartıyla çalışacak bir model değil. KTransformers desteği CPU’ya taşırmayı mümkün kılıyor.

Soru: Ollama veya llama.cpp ile çalışır mı? Cevap: Resmi liste SGLang, vLLM, TokenSpeed ve KTransformers. Hugging Face’te topluluk nicemlemeleri çıkmaya başladı, yani llama.cpp ve Ollama tarafı için dönüşümler mevcut. Yeni bir mimari olduğu için araçların güncel sürümünü kullanın.

Soru: Claude Code ile kullanabilir miyim? Cevap: Evet. ANTHROPIC_BASE_URL değerini https://api.z.ai/api/anthropic yapıp anahtarınızı ANTHROPIC_AUTH_TOKEN olarak verdiğinizde Claude Code doğrudan bu modele bağlanıyor. Z.ai’nin GLM Coding Plan aboneliği de bu kullanımı kapsıyor.

Soru: ox-alpha neydi? Cevap: GLM-5.3-Flash’ın sürümden önce OpenCode ve OpenRouter’da anonim test edildiği kod adı. Amaç marka etkisi olmadan gerçek iş yükünde geri bildirim toplamaktı; Z.ai’ye göre haftanın en çok kullanılan modeli oldu.

Soru: Türkçe biliyor mu? Cevap: Evet, Türkçe soru sorup Türkçe cevap alabilirsiniz. Hugging Face kartında birincil diller İngilizce ve Çince olarak işaretli ve Z.ai ayrı bir Türkçe skoru paylaşmadı, yani Türkçe üretimde İngilizce kadar keskin olmasını beklemeyin.

Sağlıcakla kalın… 🙂