GLM-5.3-Flash実測ガイド：Ox Alphaからの移行、API料金、ローカル導入

Ox Alphaの正体はGLM-5.3-Flashです。智譜AIは2026年8月26日の公式発表で、正式公開前にOx-Alphaという匿名名を使い、OpenCodeとOpenRouterの実トラフィックでテストしたと説明しています。正式なModel Codeはglm-5.3-flashです。

ただし、同じmodelだったことと、同じservice contractであることは別問題です。匿名previewのendpoint、無料枠、cache、rate limit、stream eventが、そのまま正式APIへ移ったとは限りません。Ox Alphaの結果はbaselineとして残し、正式経路は新しいproviderとして受け入れ試験を行う必要があります。

このページでいう「実測」は二つに分かれます。API部分は公式contractに合うrequestと料金計算までで、利用可能なZ.AI keyがないため成功responseやlatencyを捏造しません。ローカル部分は公式repositoryの全weight容量を取得し、Apple M4・16 GB unified memory・空き約135 GiBの環境でdownload前preflightを行いました。結論は、native FP8 routeはstorageの時点で停止です。

移行で固定するのはmodel名ではなく合格条件

まず、Ox Alphaで完了した10〜20件の実タスクを選びます。promptだけでなく、tool権限、timeout、最大turn、生成artifact、最終的なpass/failを保存してください。次に正式経路で同じ条件を実行します。

GLM-5.3-Flashの公式model pageは、text・image・video・file入力、text出力、1M context、最大128K outputを示しています。hosted APIではthinking.typeはenabledのみです。reasoning_effortはlow、high、maxから選べ、defaultはmaxです。

確認する項目は次の通りです。

• modelがglm-5.3-flashになっているか。
• reasoningと最終contentを別々に読めるか。
• tool streamingでは未完成JSONを実行せず、argumentsを最後まで連結できるか。
• structured output、画像・動画・file、retryが実際のfixtureで通るか。
• usageのinput、cached input、outputから請求額を再計算できるか。

Z.AI一般Model APIのbase URLは公式API referenceにあるhttps://api.z.ai/api/paas/v4です。Coding Planは専用endpointを使うため、subscription keyを同じ従量課金requestへ入れる設計にはしません。

bash
export ZAI_API_KEY="YOUR_KEY"

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-flash",
    "messages": [{
      "role": "user",
      "content": "移行計画のリスク、受け入れ条件、最初の変更を返してください。"
    }],
    "thinking": {"type": "enabled", "clear_thinking": false},
    "reasoning_effort": "high",
    "temperature": 1,
    "max_tokens": 4096
  }'

実行時はHTTP 200だけで終えず、first-token latency、total latency、三種類のtoken、retry、tool loop完了、業務上の合否を記録します。

APIコストは三種類のtokenで計算する

2026年8月30日時点のZ.AI公式料金は100万tokens単位です。

割引は 2026年9月9日24:00（UTC+8） までです。長期予算は通常料金で作ります。cache storageも別に「期間限定無料」と書かれているため、恒久的なゼロ円とは扱いません。

たとえば1件の合格タスクが未cache入力30万、cache入力70万、出力10万tokensを使う場合、割引中は

0.3 × $0.075 + 0.7 × $0.015 + 0.1 × $0.25 = $0.058

通常料金では$0.116です。tool、web search、retry、税、為替、human repairは別です。model単価ではなく、総費用を合格タスク数で割るとprovider routeの差を比較できます。

GLM Coding Planの「GLM-5.3より3倍の利用可能quota」はpoint-based subscriptionの話です。100万tokens当たりAPI料金の倍率には使えません。

Gate 1：305.8 GiBのweightを置けるか

GLM-5.3-Flashは総320B、1 token当たり18B activeのMoEです。18Bは計算に参加するparameter数であり、全weightの保存容量ではありません。

MIT licenseの公式Hugging Face repositoryについて公開metadataを取得すると、62個の.safetensorsは合計328,337,455,672 bytes、つまり 305.79 GiB でした。vLLM公式recipeもnative FP8 weightを約306 GiBとし、runtimeとKV cacheは別だと明記しています。BF16 weightはおよそ2倍です。

downloadせずに同じ値を確認できます。

bash
curl -fsSL \
  'https://huggingface.co/api/models/zai-org/GLM-5.3-Flash?blobs=true' |
jq '[.siblings[]
  | select(.rfilename | endswith(".safetensors"))
  | .size]
  | {files: length, bytes: add, GiB: (add / 1073741824)}'

M4 16 GB機には空きが約135 GiBしかなく、repositoryだけでも170 GiB以上不足します。unified memoryもweightをloadできません。そのため、この環境で「起動して遅かった」という結果は存在せず、download前に不可能と判定するのが正しい実測です。

community quantizationなら必ず不可能、という意味ではありません。今回は第三者quantizationを取得・検証していないため、公式checkpointと同じ品質やsupportを保証できません。

Gate 2：weight以外のmemoryを見積もれるか

長いcontextではKV cacheが増えます。hybrid attentionのGLM-5.3-FlashはKDA state poolも持ち、KV poolに余裕があってもKDA側がconcurrencyを制限する場合があります。multimodal encoderのpeakやcontainer imageも無視できません。

SGLang公式cookbookはBlackwell、H100/H200、AMD系でcache dtypeとattention backendを分け、一部経路を明示的にunverifiedとしています。vLLMの代表例もconsumer GPU一枚ではなく、GB200でのTP4から始まります。

GPU名と合計VRAMだけでなく、precision、parallelism、平均prompt長、最大同時request、image/video有無を固定してstartup logのpool容量を確認します。

Gate 3：hosted APIより安く合格タスクを処理できるか

SGLang、vLLM、TokenSpeed、Transformers、KTransformers、Unslothは公式model cardに掲載されていますが、対応hardwareと成熟度は同じではありません。framework build、sparse attention、reasoning parser、tool parser、multimodal routeを組み合わせた状態で、startup、first token、throughput、concurrency、tool call、代表画像を測ります。

hosted APIはthinkingを無効化できません。一方、一部のlocal recipeはchat templateでthinking動作を変更できます。local featureをcloud APIのparameter contractへ逆輸入しないでください。

品質と費用を早く知りたいなら、まず正式APIで回帰データを作る方が短い経路です。データ境界、継続的な高稼働、独自inference要件が多GPUの購入・電力・運用・idle costを上回る場合に、ローカル導入を次の候補にします。provider比較が必要なら、日本語のGLM-5.3とDeepSeek V4 Pro比較は別の選択問題を扱います。

移行完了の条件は、新しい名前がconfigに入ることではありません。同じ実タスクが合格し、usageから請求を復元でき、選んだ実行経路のendpointとmemory前提が検証済みであることです。