Z.ai、オープンウェイトモデル GLM-5.3-Flash を公開──Claude Opus 4.8 級のコーディング性能を 1/10 のコストで実現
320B MoE アーキテクチャと 1M トークン長文脈対応を MIT ライセンスで提供し、API 単価を入出力 $0.15/$0.50/M トークンに抑制した。
リリース: 2026-08-26 · 読了 4 分記事の要約
1. 核心（What）
- Z.ai が 320B パラメータ（アクティブ 18B）の MoE モデル「GLM-5.3-Flash」を MIT ライセンスで Hugging Face に公開した。
- API 料金は入力 $0.15/M トークン、出力 $0.50/M トークン、キャッシュ済み入力 $0.03/M トークンに設定されている。
- 1M トークンのコンテキストウィンドウとネイティブマルチモーダル機能を備え、OpenRouter では「Ox Alpha」としてシークレットテストされていた。
- 自社の内部 Code Bench において、Claude Opus 4.8 と同等のコーディング性能を約 40% の出力トークン数で達成した。
2. 影響（Why）
- API コストの劇的な圧縮: 商用 Claude Opus 級の推論性能を持つモデルを 1/10 の価格で利用できるため、大規模なエージェント型ワークフローの API コスト設計を根本から見直す契機になる。
- 国内 SaaS におけるセルフホストの現実解: 国内の生成 AI 開発ベンチャーや受託開発企業（中規模の受託開発・SaaS 事業者など）は、API 依存を排除した VPC 内でのプライベート RAG やコーディング支援の基盤として、MIT ライセンスの 320B モデルを検証対象に加えられる。
3. 根拠・詳細（How）
- ハイブリッド注意機構とハイパーコネクションの導入: スパース注意機構と線形注意機構を組み合わせることで 1M トークン長文脈での二次的なコスト急増を抑制し、マニフォールド制約付きハイパーコネクション（mHC）によって多層間の情報損失を防ぐ設計を採用している。
- 多様な推論フレームワークへの対応: Hugging Face 上の混在 BF16 / FP8_E4M3 ウェイトに対し、vLLM、SGLang、KTransformers を用いたデプロイ経路が公式ドキュメント化されている。
4. 展望・課題（Next）
- ローカル軽量モデルの要望: コミュニティからはエッジデバイスや単一 GPU でのローカル推論に向けた小規模な蒸留モデルのリリースが強く求められている。