# GLM-5.3-Flash 도입 가이드: Ox Alpha 마이그레이션, API 비용, 로컬 배포

> Ox Alpha와 GLM-5.3-Flash의 관계, 정식 API 설정과 현재 요금을 확인합니다. 305.8 GiB FP8 가중치가 필요한 모델을 로컬에서 운영할 때의 메모리·저장 공간 조건도 설명합니다.

- Source: https://www.aifreeapi.com/ko/posts/glm-5-3
- Language: ko
- Published: 2026-08-30
- Updated: 2026-09-13
- Publisher: AI Free API (https://www.aifreeapi.com)

Ox Alpha의 정체는 GLM-5.3-Flash입니다. Zhipu AI는 [2026년 8월 26일 공식 발표](https://www.zhipuai.cn/zh/research/163)에서 출시 전에 `Ox-Alpha`라는 익명 이름으로 OpenCode와 OpenRouter의 실제 트래픽을 테스트했다고 확인했습니다. 정식 모델 ID는 `glm-5.3-flash`입니다.

이 사실은 기존 Ox Alpha 작업을 버리지 않아도 된다는 뜻입니다. 그러나 미리보기 API의 요청 주소, 무료 제공 기간, 캐시, 호출 한도와 스트리밍 형식까지 유지된다는 뜻은 아닙니다. 정식 API 문서의 요청·응답 조건에 맞춰 다시 확인해야 합니다.

먼저 세 경로를 분리하면 판단이 빨라집니다.

- **일반 API**가 필요하면 일반 입력, 캐시 입력, 출력 사용량과 공식 요청 주소를 확인합니다.
- **GLM Coding Plan**을 쓰면 토큰 단가가 아니라 포인트와 지원 도구, 비혼잡 시간 차감을 확인합니다.
- **오픈 가중치**를 운영하려면 18B 활성 파라미터가 아니라 전체 가중치 파일, 실행 프로그램, KV/KDA 캐시와 동시 처리량을 계산합니다.

아래 API 예제는 공식 요청 형식에 따른 설명이며 실제 호출 속도나 성공률을 측정한 결과는 아닙니다. 로컬 배포는 공개된 FP8 가중치 크기와 장비 용량을 비교해, 다운로드 전에 실행 가능성을 판단하는 데 초점을 맞췄습니다.

## Ox Alpha 결과를 회귀 테스트로 바꾸는 방법

기존 세션 중 실제 업무를 완료한 사례를 골라 회귀 테스트로 보관하세요. 요청 문구뿐 아니라 도구 권한, 시간 제한, 최대 반복 횟수, 생성 파일과 합격 조건을 함께 남겨야 정식 Flash의 결과와 비교할 수 있습니다.

[공식 모델 문서](https://docs.z.ai/guides/vlm/glm-5.3-flash)는 텍스트·이미지·동영상·파일 입력과 텍스트 출력, 100만 토큰 컨텍스트와 최대 128,000토큰 출력을 명시합니다. 서비스형 API에서 `thinking.type`은 `enabled`만 지원합니다. `reasoning_effort`는 `low`, `high`, `max`이며 기본값은 `max`입니다.

마이그레이션에서는 다음 실패를 일부러 찾아야 합니다.

1. `model`을 `glm-5.3-flash`로 바꿨지만 계정에 권한이 없는 경우
2. 추론 내용과 최종 답변을 한 필드로 처리하는 경우
3. 스트리밍 중 아직 완성되지 않은 도구 인수 JSON을 실행하는 경우
4. 이미지·파일·구조화 출력의 테스트 입력이 기존과 다르게 처리되는 경우
5. HTTP 200은 받았지만 실제 검수나 비용 기준을 통과하지 못한 경우

일반 Z.AI 모델 API의 기본 주소는 [공식 API 참조](https://docs.z.ai/api-reference/introduction)에 나온 `https://api.z.ai/api/paas/v4`입니다. Coding Plan은 전용 요청 주소를 사용하므로 일반 API의 키와 기본 주소를 섞지 마세요.

```json
{
  "model": "glm-5.3-flash",
  "messages": [
    {
      "role": "user",
      "content": "전환 계획: 기존 API의 요청 5%를 새 모델로 보내고 오류율이 1%를 넘으면 되돌립니다. 이 계획의 위험과 추가 검수 조건을 알려 주세요."
    }
  ],
  "thinking": {"type": "enabled", "clear_thinking": false},
  "reasoning_effort": "max",
  "temperature": 1,
  "top_p": 0.95,
  "max_tokens": 4096
}
```

예제는 공식 권장값인 `temperature=1`, `top_p=0.95`, `reasoning_effort="max"`를 사용합니다. 스트리밍을 선택한다면 문서에 따라 `stream`과 `tool_stream`을 모두 `true`로 설정하세요. 실제 호출에서는 HTTP 상태, 첫 토큰과 전체 응답 시간, 일반·캐시 입력과 출력 사용량, 재시도, 도구 실행 완료와 최종 합격 여부를 기록합니다.

![GLM-5.3-Flash 전환 점검표, API 요청과 스트리밍, 토큰 요금 계산, FP8 가중치 크기를 정리한 실무 안내](https://www.aifreeapi.com/posts/ko/glm-5-3/img/migration-cost-cheatsheet.webp)

## 캐시 적중률이 높아도 출력 비용은 따로 계산해야 합니다

2026년 9월 12일 공식 자료 확인 기준 [Z.AI 공식 가격](https://docs.z.ai/guides/overview/pricing)은 100만 토큰당 다음과 같습니다.

| 사용량 | 현재 요금 |
| --- | ---: |
| 캐시되지 않은 입력 | $0.15 |
| 캐시 입력 | $0.03 |
| 출력 | $0.50 |

9월 9일에 종료된 할인은 현재 견적에 적용하지 않습니다. 캐시 저장은 한시적 무료로 안내되므로 영구 무료라고 가정하지 마세요.

에이전트 작업 한 건의 총 입력이 300만 토큰이고, 그중 95%가 캐시 입력이며 출력은 30만 토큰이라고 가정하겠습니다. 현재 모델 요금은 다음과 같습니다.

`0.15 × $0.15 + 2.85 × $0.03 + 0.3 × $0.50 = $0.258`

입력의 대부분을 재사용해도 출력 비용은 별도로 발생합니다. 위 가상 예시에는 유료 도구, 웹 검색, 재시도, 세금, 환율과 사람의 수정 비용이 포함되지 않았습니다.

따라서 비교 단위는 요청당 가격이 아니라 다음이 되어야 합니다.

`통과 작업당 비용 = (모델 + 도구 + 재시도 + 사람 + 운영) ÷ 통과 작업 수`

이 식의 통과 작업 수가 0이면 비용을 나누지 말고 실패로 기록합니다. Coding Plan의 “GLM-5.3 대비 3배 사용량”은 구독 포인트에 관한 설명입니다. 위 API 식에 3을 나누는 근거가 아닙니다.

## 활성 파라미터 18B가 메모리 18GB를 뜻하지는 않습니다

GLM-5.3-Flash는 총 320B, 토큰당 18B 활성 파라미터를 사용하는 MoE입니다. 활성 파라미터는 계산량을 줄이지만 전체 전문가 네트워크의 가중치는 저장해야 합니다.

MIT 라이선스로 공개된 [공식 Hugging Face 저장소](https://huggingface.co/zai-org/GLM-5.3-Flash)의 파일 정보를 읽으면 62개 `.safetensors`가 **328,337,455,672 바이트, 305.79 GiB**입니다. [공식 vLLM 실행 안내](https://recipes.vllm.ai/zai-org/GLM-5.3-Flash)도 FP8 원본 가중치를 실행 메모리와 KV 캐시를 제외하고 약 306 GiB로 설명합니다. BF16은 가중치 메모리만 약 두 배입니다.

다운로드 전에 직접 확인할 수 있습니다.

```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)}'
```

통합 메모리 16GB 장비에는 약 306GiB의 FP8 원본 가중치를 모두 올릴 수 없습니다. 저장 공간도 가중치 파일과 임시 파일을 담을 만큼 필요합니다. 이 비교는 용량 계산이며 해당 장비에서 모델을 실행해 속도를 측정한 결과가 아닙니다.

이 결과를 “모든 Mac과 모든 커뮤니티 양자화 모델이 불가능하다”로 확대하면 안 됩니다. 제3자 양자화는 다운로드하거나 품질을 검증하지 않았습니다.

![GLM-5.3-Flash 일반 API, Coding Plan, 오픈 가중치의 저장 공간·메모리·실행 조건을 비교한 배포 판단 가이드](https://www.aifreeapi.com/posts/ko/glm-5-3/img/deployment-route-decision.webp)

## 다중 GPU가 있어도 남는 네 가지 검수

공식 모델 카드는 SGLang, vLLM, TokenSpeed, Transformers, KTransformers, Unsloth를 제시합니다. 지원 GPU와 성숙도는 서로 다릅니다. vLLM의 대표 FP8 예시는 GB200에서 TP4를 사용합니다. [SGLang 공식 실행 안내](https://docs.sglang.io/cookbook/autoregressive/GLM/GLM-5.3-Flash)는 KV 캐시 외에 KDA 상태 저장 영역을 별도로 다루며 Blackwell, H100/H200, AMD 조합의 검증된 구성을 구분합니다.

운영 전에 다음을 확인합니다.

- 가중치 파일, 임시 파일, 컨테이너 이미지, 로그까지 저장 공간에 여유가 있는가
- 가속기 메모리가 가중치, 실행 메모리, KV/KDA 캐시, 멀티모달 최대 사용량과 목표 동시 요청 수를 감당하는가
- 선택한 실행 버전이 GPU, 연산 정밀도, 희소 어텐션과 추론·도구 파서를 실제 지원하는가
- 고정 길이에서 시작 시간, 첫 토큰 지연, 처리량, 동시 요청, 도구, 이미지·동영상 입력을 같은 조건에서 다시 확인할 수 있는가

서비스형 API에서는 추론을 끌 수 없지만 일부 로컬 실행 구성은 대화 템플릿의 동작을 바꿀 수 있습니다. 로컬에서 가능한 기능을 서비스형 API 매개변수도 지원한다고 해석하면 안 됩니다.

품질과 비용을 빨리 확인하려면 정식 API로 회귀 데이터부터 만드는 편이 낫습니다. 데이터 통제나 지속적인 높은 사용률이 여러 GPU, 전력, 운영, 유휴 자원 비용을 정당화할 때 로컬 배포를 다시 계산하세요. 다른 제공자와의 선택이 필요하면 한국어 [GLM-5.3과 DeepSeek V4 Pro 비교](/ko/posts/glm-5-3-vs-deepseek-v4-pro)는 별도의 판단을 제공합니다.

마이그레이션 완료는 새 이름을 넣은 순간이 아닙니다. 같은 작업이 합격 기준을 충족하고, 사용량으로 비용을 검산할 수 있으며, 선택한 API 주소나 로컬 메모리 조건까지 확인했을 때 전환이 완료됐다고 판단할 수 있습니다.