# GLM-5.3, Flash y FlashX: API, precios y hardware para uso local

> GLM-5.3 cuesta 1,40 $ por millón de tokens de entrada y 4,40 $ de salida; Flash, 0,15 $ y 0,50 $. Qué variante elegir y cuánta memoria pide en local.

- Source: https://www.aifreeapi.com/es/posts/glm-5-3
- Language: es
- Published: 2026-08-30
- Updated: 2026-09-25
- Publisher: AI Free API (https://www.aifreeapi.com)

GLM-5.3 no es un solo modelo, sino una familia de tres de Z.ai (Zhipu): la insignia `glm-5.3`, que solo acepta texto y razona siempre; `glm-5.3-flash`, multimodal, mucho más barata y con pesos bajo licencia MIT, que antes circuló de forma anónima como Ox Alpha; y `glm-5.3-flashx`, una variante rápida que solo existe por API. A 25 de septiembre de 2026 no hay sucesor: la [tabla de precios de Z.ai](https://docs.z.ai/guides/overview/pricing) sigue encabezada por estos tres modelos y GLM-5.2.

La respuesta corta depende de dónde quieras usarlo:

- **En una herramienta de programación** (Claude Code, Cline, OpenCode): GLM Coding Plan, desde 18 $ al mes. El uso se mide en créditos, no en tokens facturados.
- **Desde tu propio backend**: la Model API de pago por uso en `https://api.z.ai/api/paas/v4`. La insignia cuesta 1,40 $ por millón de tokens de entrada y 4,40 $ de salida; Flash, 0,15 $ y 0,50 $.
- **En tu propio hardware**: según las tablas de Unsloth, necesitas unos 100 GB de memoria total (RAM + VRAM, o memoria unificada) para Flash en 1 bit y unos 223 GB para la insignia. Con 16, 32 o 64 GB no cabe ninguna de las dos.

## GLM-5.3, Flash y FlashX: qué es cada modelo

| | `glm-5.3` | `glm-5.3-flash` | `glm-5.3-flashx` |
| --- | --- | --- | --- |
| Papel | Insignia | Versión económica y multimodal | Flash con más velocidad (Z.ai anuncia unos 200 tokens/s) |
| Entrada | Solo texto | Texto, imagen, vídeo y archivo | Igual que Flash |
| Contexto / salida máxima | 1M / 128K tokens | 1M / 128K tokens | 1M / 128K tokens |
| Parámetros | Unos 743–744B totales y ~40B activos (cifras de vLLM y Unsloth) | 320B totales, 18B activos | No publicados por separado |
| API: entrada / entrada en caché / salida ($ por 1M tokens) | 1,40 / 0,26 / 4,40 | 0,15 / 0,03 / 0,50 | 0,37 / 0,075 / 1,25 |
| Pesos | FP8, 703,74 GiB; licencia GLM-5.3 | FP8, 305,79 GiB; licencia MIT | No |
| GLM Coding Plan | Incluido | Incluido, con el triple de cuota | Todavía no |

La [ficha de GLM-5.3](https://docs.z.ai/guides/llm/glm-5.3) explica que la insignia usa el mismo modelo base que GLM-5.2 y que todas las mejoras vienen del post-entrenamiento. Se presentó el 14 de agosto de 2026 como modelo para programación agéntica y tareas largas. Según las cifras que publica el propio fabricante, pasa de 4,6 a 28,3 en Terminal-Bench 3.0 y de 46,2 a 66,9 en DeepSWE v1.1 frente a GLM-5.2; son resultados de Z.ai, no evaluaciones independientes.

La [ficha de Flash y FlashX](https://docs.z.ai/guides/vlm/glm-5.3-flash) describe el primer modelo nativamente multimodal de la serie GLM-5. Combina atención dispersa y lineal, lo que según Z.ai reduce el cómputo de atención 3,01 veces y la caché KV 4,44 veces respecto a GLM-5.3. Esa diferencia importa sobre todo si piensas servirlo tú. Z.ai presenta Flash como superior a GLM-5.2, no como equivalente a la insignia.

**Ox Alpha era GLM-5.3-Flash, no la insignia.** Zhipu lo confirmó en su [anuncio del 26 de agosto de 2026](https://www.zhipuai.cn/zh/research/163): antes del lanzamiento probó el modelo de forma anónima como Ox-Alpha en OpenCode y OpenRouter. Que sea el mismo modelo no garantiza que el endpoint, el precio o los límites de aquella prueba coincidan con los de la API oficial.

Para decidir rápido:

- **La insignia** encaja en tareas largas de programación, donde un fallo sale más caro que los tokens.
- **Flash** es la opción si necesitas imágenes, vídeo o archivos, un volumen alto de llamadas o pesos que puedas servir con menos hardware.
- **FlashX** conviene cuando la latencia pesa más que el precio y te basta la API.

Si lo que dudas es entre GLM-5.3 y otro proveedor, esa decisión la trata [GLM-5.3 vs DeepSeek V4 Pro: cuál elegir para programar](/es/posts/glm-5-3-vs-deepseek-v4-pro).

## Cuánto cuesta la API de GLM-5.3

Las tarifas de la tabla anterior son el precio de lista de la Model API internacional de Z.ai, en dólares por millón de tokens. Para estimar una tarea:

`coste = (entrada sin caché × tarifa de entrada + entrada en caché × tarifa de caché + salida × tarifa de salida) / 1.000.000`

Ejemplo ilustrativo con una tarea de 1.000.000 de tokens de entrada y 100.000 de salida:

| Modelo | Sin caché | Con la mitad de la entrada en caché |
| --- | ---: | ---: |
| GLM-5.3 | 1,40 + 0,44 = 1,84 $ | 0,70 + 0,13 + 0,44 = 1,27 $ |
| GLM-5.3-FlashX | 0,37 + 0,125 = 0,495 $ | 0,185 + 0,0375 + 0,125 ≈ 0,35 $ |
| GLM-5.3-Flash | 0,15 + 0,05 = 0,20 $ | 0,075 + 0,015 + 0,05 = 0,14 $ |

Con el mismo volumen, la insignia cuesta unas 9,2 veces lo que Flash (1,84 / 0,20), en línea con el anuncio de Zhipu, que fija el precio de Flash en una décima parte del de GLM-5.3. Pero no hacen el mismo trabajo: el coste que interesa es el de cada tarea que sale bien, y una tarea que Flash resuelve mal y hay que repetir ya no cuesta 0,20 $.

Lo que el cálculo deja fuera:

- **El esfuerzo de razonamiento.** Con `reasoning_effort: "max"`, que es el valor por defecto, la respuesta puede alargarse mucho. Z.ai declara que en su banco de pruebas interno la insignia generó unos 75.000 tokens de salida por tarea a esfuerzo máximo. Si todo eso se factura como salida, solo esa parte serían 0,075 × 4,40 = 0,33 $ por tarea. La tabla de precios no desglosa cómo se cuentan los tokens de razonamiento, así que compruébalo en el campo `usage` de tus propias respuestas; el método general está en [Tokens de razonamiento: cómo evitar contarlos dos veces en Gemini, OpenAI y Claude](/es/posts/reasoning-token-billing).
- **Las herramientas integradas.** La búsqueda web cuesta 0,01 $ por uso.
- **La caché.** El almacenamiento de la caché figura en la tabla como promoción temporal; no lo presupuestes como coste cero permanente.
- **Impuestos y divisa.** La tabla está en dólares y no menciona impuestos: si facturas en euros, añade el cambio y el IVA que te corresponda.

La rebaja del 50 % sobre Flash terminó el 9 de septiembre de 2026; las tarifas de arriba ya son las normales. Algunos enrutadores y revendedores anuncian otros precios, a veces por debajo de la lista oficial: son tarifas de esos proveedores, que pueden servir otra cuantización o no ofrecer las mismas funciones.

## GLM Coding Plan: créditos, no precio por token

GLM Coding Plan es una suscripción para herramientas de programación como Claude Code, Cline u OpenCode. Según su [página de resumen](https://docs.z.ai/devpack/overview), empieza en 18 $ al mes (Lite) y tiene niveles Pro y Max, cuyo precio aparece en la página de suscripción. Todos incluyen GLM-5.3 y GLM-5.3-Flash; las peticiones a GLM-5.2 o GLM-5.1 se redirigen a GLM-5.3, y las de GLM-4.7, a Flash. FlashX aún no forma parte del plan.

El plan limita el uso por créditos en dos ventanas:

| Plan | Créditos cada 5 horas | Créditos por semana |
| --- | ---: | ---: |
| Lite | 2.000 | 10.000 |
| Pro | 12.000 | 60.000 |
| Max | 28.000 | 140.000 |

Cada llamada consume `(entrada × multiplicador + entrada en caché × multiplicador + salida × multiplicador) / 10.000` créditos. Los multiplicadores de GLM-5.3 son 6,9 para entrada, 1,7 para caché y 24 para salida; los de Flash, 2,3, 0,56 y 8.

Con la misma tarea de antes (1.000.000 de tokens de entrada sin caché y 100.000 de salida):

- GLM-5.3: (1.000.000 × 6,9 + 100.000 × 24) / 10.000 = **930 créditos**.
- Flash: (1.000.000 × 2,3 + 100.000 × 8) / 10.000 = **310 créditos**, justo un tercio.

Fuera de hora punta cada llamada gasta la mitad (465 y 155 créditos). La hora punta es de lunes a viernes, de 14:00 a 18:00 en UTC+8, es decir, de 08:00 a 12:00 en la España peninsular mientras dure el horario de verano. A partir del lunes 26 de octubre de 2026, ya con el horario de invierno, pasa a ser de 07:00 a 11:00. Los fines de semana cuentan enteros como fuera de hora punta, y del 25 de septiembre al 7 de octubre de 2026 Z.ai aplica la tarifa reducida a todas las horas.

Como ejemplo, con los 2.000 créditos por 5 horas de Lite cabrían dos tareas como esa con la insignia en hora punta, o seis con Flash. Es un cálculo sobre una tarea concreta, no una cuota garantizada: el tamaño real de cada sesión de un agente varía mucho.

Los créditos no se pueden convertir en un precio por token comparable con la Model API. El plan compensa si programas a diario con una de las herramientas compatibles. Si integras el modelo en tu propio producto, la vía es la API de pago por uso, que se factura aparte. Un detalle de la ficha de GLM-5.3: quien haya tenido Coding Plan, aunque la suscripción haya caducado, por ahora solo puede acceder a la Model API mediante el protocolo compatible con Chat Completions.

## Primera llamada y cambios al migrar desde GLM-5.2

La [referencia de la API](https://docs.z.ai/api-reference/introduction) fija el endpoint general de pago por uso en `https://api.z.ai/api/paas/v4`, con autenticación Bearer. Esta llamada usa solo parámetros documentados en la ficha del modelo:

```bash
export ZAI_API_KEY="tu_clave"

curl -sS https://api.z.ai/api/paas/v4/chat/completions \
  -H "Authorization: Bearer ${ZAI_API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {"role": "user", "content": "Resume en tres puntos los riesgos de cambiar de modelo en producción sin pruebas de regresión."}
    ],
    "thinking": {"type": "enabled"},
    "reasoning_effort": "high",
    "max_tokens": 4096,
    "temperature": 1.0
  }'
```

Para Flash o FlashX basta con cambiar `model` por `glm-5.3-flash` o `glm-5.3-flashx`. Z.ai recomienda `reasoning_effort: "max"` para programación compleja; `high` se usa aquí para que la primera prueba sea más corta. Una respuesta 200 solo confirma que la cuenta y la clave funcionan. La migración está hecha cuando tus tareas de referencia vuelven a pasar con el modelo nuevo.

La [guía de migración de Z.ai](https://docs.z.ai/guides/overview/migrate-to-glm-new) resume los cambios que rompen integraciones:

1. **El razonamiento ya no se puede desactivar.** Si tu código envía `thinking: {"type": "disabled"}`, cámbialo a `enabled` con `reasoning_effort: "low"` antes de poner `glm-5.3` como identificador; si no, la petición falla. Los niveles son `low`, `high` y `max` (este último por defecto).
2. **Muestreo.** `temperature` vale 1.0 por defecto y `top_p` 0.95; ajusta solo uno de los dos.
3. **Streaming.** Con `stream: true`, el razonamiento llega en `delta.reasoning_content` y la respuesta final en `delta.content`; tu cliente debe separarlos.
4. **Herramientas en streaming.** Activa `stream: true` y `tool_stream: true`, y concatena los fragmentos de `delta.tool_calls[*].function.arguments` antes de ejecutar la herramienta; ejecutarla con el JSON incompleto da argumentos inválidos.
5. **Límites.** Ajusta `max_tokens` sabiendo que la salida máxima es de 128K tokens y el contexto, de 1 millón.

Para enviar una imagen a Flash, añade un bloque `image_url` dentro de `messages[].content[]`, con una URL (la opción recomendada) o una Data URL en Base64:

```json
{
  "model": "glm-5.3-flash",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "https://ejemplo.com/captura.png"}},
      {"type": "text", "text": "Describe los errores de maquetación de esta pantalla."}
    ]
  }],
  "thinking": {"type": "enabled"}
}
```

La insignia no acepta este bloque: solo procesa texto.

Sobre endpoints, la ficha de GLM-5.3 muestra una tabla con `https://api.z.ai/api/coding/paas/v4` para Chat Completions, mientras que la referencia general y el ejemplo de inicio rápido usan `https://api.z.ai/api/paas/v4`. Para pago por uso, sigue estos dos últimos. Coding Plan se configura con su propio endpoint según su guía, así que no mezcles su clave con los ejemplos de pago por uso. La misma ficha lista rutas compatibles con OpenAI Responses (`https://api.z.ai/api/v1`) y con Anthropic Messages (`https://api.z.ai/api/anthropic`), sin detallar qué parámetros admite cada una; si dudas entre ambos protocolos, [Chat Completions vs Responses API: cuál usar y cuándo migrar](/es/posts/chat-completions-vs-responses-api) explica las diferencias.

`api.z.ai` es la plataforma internacional; en China continental el modelo se ofrece en bigmodel.cn, que es una plataforma distinta. Las condiciones de alta y de pago desde España se consultan en la propia plataforma de Z.ai.

## ¿Se puede ejecutar GLM-5.3 en local?

Sí para la insignia y para Flash, porque sus pesos están publicados en Hugging Face; FlashX no tiene pesos. El límite es la memoria. Unsloth, que publicó cuantizaciones GGUF con acceso anticipado de Z.ai, da estas cifras de memoria total (RAM + VRAM, o memoria unificada) para [la insignia](https://unsloth.ai/docs/models/glm-5.3) y para [Flash](https://unsloth.ai/docs/models/glm-5.3-flash):

| Memoria total disponible | Qué cabe según Unsloth |
| --- | --- |
| Menos de 100 GB (equipos de 16, 32 o 64 GB) | Nada. Usa la API. |
| Unos 100–115 GB | Flash en 1 o 2 bits |
| 128 GB (Mac o DGX Spark) | Flash en 3 bits: `UD-IQ3_XXS`, de 120 GB |
| Entre 223 y 256 GB | Insignia en 1 bit (223 GB) o en 2 bits: `UD-IQ2_M`, de 239 GB en disco, que Unsloth sitúa en equipos de 256 GB (2× DGX Spark o Mac Studio). Flash en 4 bits (162–210 GB) |
| Unos 350 GB | Flash en 8 bits |
| Un servidor con varias GPU | Los pesos oficiales en FP8 (más abajo) |

Tres matices antes de descargar nada:

- **Deja margen.** Unsloth recomienda que la memoria disponible supere con holgura el tamaño del archivo cuantizado, porque el contexto también ocupa memoria.
- **Cuánto se pierde al cuantizar.** Unsloth mide la precisión top-1 frente a BF16, es decir, cuántas veces coincide el token más probable. En la insignia da 72,6 % para `UD-IQ1_S` (216,7 GB), 78,5 % para `UD-IQ2_M` (238,6 GB) y 94,3 % para `UD-Q4_K_XL` (467,3 GB). En Flash, 70,9 % para `UD-IQ1_S` (93 GB), 81,6 % para `UD-IQ3_XXS` y 92,2 % para `UD-Q4_K_XL` (200 GB). Es una medida de fidelidad al modelo original, no el porcentaje de tareas bien resueltas.
- **GB no es GiB.** Unsloth usa gigabytes decimales; Hugging Face y vLLM, gibibytes (1 GiB = 1,074 GB). No mezcles ambas cifras en el mismo cálculo.

El método para calcular memoria con GGUF de Unsloth, aplicado a otro modelo, está en [Cómo ejecutar Qwen3.8-Flash-Next en local con Unsloth sin quedarse corto de memoria](/es/posts/qwen3-8-flash-next-unsloth-local).

### Comprueba el tamaño de los pesos sin descargarlos

La API pública de Hugging Face devuelve el tamaño de cada archivo. Este comando suma los `.safetensors` de un repositorio (necesita `curl` y `jq`):

```bash
REPO="zai-org/GLM-5.3"   # o zai-org/GLM-5.3-Flash

curl -fsSL "https://huggingface.co/api/models/${REPO}?blobs=true" |
jq '[.siblings[] | select(.rfilename | endswith(".safetensors")) | .size]
    | {archivos: length, bytes: add, GiB: (add / 1073741824)}'
```

A 25 de septiembre de 2026, los metadatos daban 141 archivos y 755.632.050.320 bytes (703,74 GiB) para `zai-org/GLM-5.3`, y 62 archivos y 328.337.455.672 bytes (305,79 GiB) para `zai-org/GLM-5.3-Flash`. Si el resultado supera tu disco libre o tu memoria, para ahí.

### La insignia en tu propio servidor

El repositorio [`zai-org/GLM-5.3`](https://huggingface.co/zai-org/GLM-5.3) contiene los pesos en FP8 nativo; los de BF16 están en otro repositorio, `zai-org/GLM-5.3-BF16`. Según la [receta de vLLM](https://recipes.vllm.ai/zai-org/GLM-5.3):

- Hace falta vLLM 0.28.0 o posterior.
- En FP8 cabe en un solo nodo de 8×H200 u 8×H20 (141 GB por GPU).
- Para el contexto completo de 1 millón de tokens, con caché KV en FP8, la receta usa 8×B200 y recomienda empezar con `--max-num-seqs 32` y ajustar según la VRAM.
- BF16 necesita varios nodos.
- Existe una recuantización NVFP4 de un tercero (Inferact), de unos 465 GB, solo para GPU Blackwell.

La receta lanza el servidor con `--tool-call-parser glm47` y `--reasoning-parser glm47`. En local, el esfuerzo de razonamiento se pasa con `reasoning_effort` o con `chat_template_kwargs`; cualquier valor distinto de `low` o `high` se trata como `max`. Si en un agente local las herramientas no llegan a ejecutarse, el parser y la plantilla son lo primero que conviene revisar, igual que en [DeepSeek V4 no llama herramientas en agentes de código locales: DSML, parser, quant o harness](/es/posts/deepseek-v4-tool-calling-local-agent-troubleshooting).

**La licencia de la insignia no es MIT.** La [licencia GLM-5.3](https://huggingface.co/zai-org/GLM-5.3/blob/main/LICENSE) permite usar, modificar, distribuir y vender como una MIT, con una condición añadida: si tu empresa y sus filiales ofrecen el modelo como servicio (acceso de terceros a la inferencia o al ajuste fino, por ejemplo vía API) y suman más de 10.000 millones de dólares de ingresos en 12 meses consecutivos, deben superar una revisión de seguridad de Z.ai antes de cualquier uso comercial. Para casi todo el mundo no cambia nada, pero llamarla MIT es incorrecto.

### GLM-5.3-Flash: API alojada o pesos propios

Flash es la variante más asequible para servir por tu cuenta: el repositorio [`zai-org/GLM-5.3-Flash`](https://huggingface.co/zai-org/GLM-5.3-Flash) tiene licencia MIT y sus pesos FP8 ocupan 305,79 GiB. La [receta de vLLM para Flash](https://recipes.vllm.ai/zai-org/GLM-5.3-Flash) añade estas condiciones:

- Unos 306 GiB solo de pesos, antes de sumar el entorno de ejecución y la caché KV; BF16 necesita aproximadamente el doble.
- Funciona en GPU NVIDIA Hopper o posteriores, AMD Instinct gfx950 y Huawei Ascend 950PR.
- El ejemplo básico usa FP8 con paralelismo de tensores de 4 (TP4) en una bandeja GB200.
- Mientras la integración no llegue a la versión pública de vLLM, la receta indica usar Docker.
- En Hopper, este modelo no admite caché KV en FP8.

![Hoja de referencia de GLM-5.3-Flash con seis paneles: identidad y origen como Ox-Alpha, parámetros de la API alojada, tabla de precios por millón de tokens, ruta de la API y autenticación, tamaño de los pesos FP8 en Hugging Face y lista de requisitos operativos](https://www.aifreeapi.com/posts/es/glm-5-3/img/api-local-reference.webp)

En cuantizaciones GGUF, Unsloth indica que Flash necesitaba un parche específico de llama.cpp (el PR 27754) o su propia aplicación, Unsloth Desktop. Comprueba que tu versión de llama.cpp lo incluya antes de descargar 120 GB.

Con la API a 0,15 $ y 0,50 $ por millón de tokens, servir Flash por tu cuenta solo compensa en casos concretos: datos que no pueden salir de tu infraestructura, una carga sostenida que mantenga las GPU ocupadas y un equipo capaz de operar el servidor (actualizaciones, monitorización, caídas). Si no se cumplen las tres condiciones, empieza por la API. Cuando tengas cifras reales de calidad y de volumen, vuelve a plantearte la opción local.

![Árbol de decisión entre API alojada y despliegue local de GLM-5.3-Flash, con una lista de recursos para desplegar los pesos FP8, una comparación de tiempo, coste, escalabilidad y control de datos, y un panel de comprobación previa de memoria y disco](https://www.aifreeapi.com/posts/es/glm-5-3/img/hosted-vs-local-decision.webp)

## Preguntas frecuentes

### ¿Ox Alpha es GLM-5.3?

Es GLM-5.3-Flash, no la insignia. Zhipu lo confirmó el 26 de agosto de 2026: el modelo se probó de forma anónima como Ox-Alpha en OpenCode y OpenRouter antes de su lanzamiento. En la API oficial, su identificador es `glm-5.3-flash`.

### ¿GLM-5.3 es de código abierto?

Tiene pesos abiertos, con dos licencias distintas. Flash usa MIT. La insignia usa la licencia GLM-5.3, que añade una revisión de seguridad obligatoria solo para quienes ofrecen modelos como servicio y superan los 10.000 millones de dólares de ingresos anuales. FlashX no tiene pesos publicados.

### ¿Puedo ejecutar GLM-5.3 en un Mac de 32 o 64 GB?

No. La cuantización más pequeña de Flash necesita unos 100 GB de memoria según Unsloth, y la de la insignia, unos 223 GB. Con 128 GB de memoria unificada ya cabe Flash en 3 bits; por debajo de eso, la vía práctica es la API o Coding Plan.

### ¿Cuánto más cara es la insignia que Flash?

Unas nueve veces con el mismo volumen: 1,84 $ frente a 0,20 $ para 1.000.000 de tokens de entrada y 100.000 de salida sin caché. En Coding Plan la relación es de 3 a 1 en créditos (930 frente a 310 para esa misma tarea).

### ¿Hay ya un GLM-5.4 o un GLM-6?

A 25 de septiembre de 2026, no. La tabla de modelos recientes de Z.ai lista GLM-5.3-Flash, GLM-5.3-FlashX, GLM-5.3 y GLM-5.2, y la documentación no menciona ningún modelo posterior.