Zhipu AI、マルチモーダルモデル GLM-5.3-Flash を公開──320B パラメータで推論コストを 1/10 に抑制
320B 総パラメータと 18B アクティブパラメータを持つハイブリッド構造により、Claude Opus 4.8 級のコーディング・エージェント性能を圧倒的な低コストで実現した。
リリース: 2026-02-17 · 読了 3 分記事の要約
1. 核心（What）
- GLM-5.3-Flash は 320B 総パラメータ・18B アクティブパラメータの MoE 構造を持つマルチモーダルモデルである。
- スパースアテンションとリニアアテンションを組み合わせたハイブリッドアーキテクチャを GLM シリーズで初めて採用した。
- Manifold-Constrained Hyper-Connections (mHC) を導入し、スケーリング効率をさらに向上させている。
- SGLang、vLLM、Transformers、KTransformers、Unsloth などの主要フレームワークによるデプロイをサポートしている。
2. 影響（Why）
- 長文脈サーバーコストの大幅削減: ハイブリッドアテンションの採用により、正確な長文脈能力を維持したままサービングコストを劇的に引き下げられるため、大規模データ解析 RAG の運用採算が改善する。
- 国内 SaaS のコスト構造改革: 国内の高度なテキスト生成・画像認識を組み合わせた自社プロダクト開発において、API コストを 1/10 に抑えられる点は損益分岐点を大きく下げる要因となる。
3. 根拠・詳細（How）
- ハイブリッドアーキテクチャと mHC の統合: スパースとリニアのアテンションを統合した独自構造と Manifold-Constrained Hyper-Connections により、30T トークンのマルチモーダル事前学習データを用いた高効率なスケーリングを実現している。
- 推論時の思考バジェット制御仕様: reasoning_effort パラメータに low、high、max の 3 段階を指定可能で、デフォルトの max では長文脈の複雑な推論タスクに最適化された出力を生成する。
4. 展望・課題（Next）
- エコシステムへの統合とコミュニティ展開: vLLM や SGLang を用いた公式のレシピやクックブックが公開されており、今後は多様な推論エンジン上での実運用検証が進む見通し。