GLM-5.3-Flash：Ox Alpha 迁移、API 成本与本地部署实测指南

Ox Alpha 确实是 GLM-5.3-Flash。 智谱在 2026 年 8 月 26 日的官方发布说明中确认，正式发布前曾用匿名模型 Ox-Alpha 在 OpenCode 和 OpenRouter 接受真实流量测试。现在应使用的正式模型 ID 是 glm-5.3-flash，而不是继续把匿名入口当成长期合同。

这次变化同时带来三个可以直接行动的结论：

• 托管 API 已有明确模型 ID、请求参数和按 token 价格；
• GLM Coding Plan 的“3 倍额度”是订阅积分规则，不能换算成 API 单价；
• 开源权重已经可下载，但“18B 激活参数”不代表只要 18 GB 内存。官方 FP8 仓库本身约 305.8 GiB，运行时和上下文缓存还要额外空间。

下面的“实测”边界也先说清：我们读取了官方仓库的 62 个 safetensors 文件大小，并在一台 Apple M4、16 GB 统一内存、根卷可用约 135 GiB 的机器上执行了部署前置检查。结果在下载前就已经失败——磁盘装不下原生仓库，内存更无法加载完整权重。因此这里给出的是可复现的 API 合同、成本计算和本地部署停线判断，不会虚构一次并未发生的 tokens/s 或质量测试。

从 Ox Alpha 迁移，先把“身份”与“接口”拆开

匿名测试证明的是模型曾在真实工作流中被使用，不证明 OpenCode、OpenRouter、Z.AI Model API 与本地服务共享同一 endpoint、价格、缓存或返回事件。最稳妥的迁移动作不是替换一串名称后直接上线，而是把正式模型当作一次新的 provider contract：

1. 保存一批 Ox Alpha 的真实输入、工具权限、超时、最终结果和验收状态，作为回归基线；
2. 在你选择的正式利用面创建新配置，模型写成 glm-5.3-flash；
3. 明确启用 thinking，并重新处理推理内容、最终正文和流式工具参数；
4. 用相同任务验证结构化输出、工具循环、多模态输入、重试与计费；
5. 只有新路径通过验收后，才逐步切换生产流量。

Z.AI 的模型文档列出视频、图像、文本和文件输入，输出为文本；上下文上限为 1M tokens，最大输出为 128K。托管 API 中 thinking.type 只支持 enabled，推荐 reasoning_effort: "max"。这意味着旧配置如果假设可以关闭 thinking，就不能原样搬过来。

下面是 Z.AI 通用 Model API 的最小 Chat Completions 请求。其官方 API 说明给出的 base URL 是 https://api.z.ai/api/paas/v4；Coding Plan 使用专用 endpoint，不能把两条路线混成一个示例。

bash
export ZAI_API_KEY="替换为你自己的密钥"

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": "检查这段迁移计划，返回风险、验收条件和第一步。"
      }
    ],
    "thinking": { "type": "enabled", "clear_thinking": false },
    "reasoning_effort": "high",
    "temperature": 1,
    "max_tokens": 4096
  }'

这段请求是依据当前官方合同整理的可复制起点，不是一次成功响应证明：本次环境没有可用的 Z.AI API key。真正接入时至少记录 HTTP 状态、首 token、总耗时、input/cached/output tokens、工具循环是否完成，以及结果是否通过业务验收。只得到 HTTP 200 仍不能说明迁移成功。

流式工具调用还需要同时开启 stream: true 与 tool_stream: true，按顺序拼接 delta.tool_calls[*].function.arguments，并分别处理 reasoning 与最终内容。不要把尚未完整的 JSON 参数直接交给工具，也不要因为客户端只显示最终文字就丢弃诊断所需的流式事件。

API 价格：先区分常规价和 9 月 9 日前的折扣价

截至 2026 年 8 月 30 日，Z.AI 官方价格页按每百万 tokens 列出三项费用：

五折活动在 2026 年 9 月 9 日 24:00（UTC+8） 结束。折扣结束后，常规价才是长期预算基线；缓存存储当前另标为限时免费，也不应当作永久合同。

一次请求的模型费用可以写成：

费用 = 未缓存输入 ÷ 1,000,000 × 输入价 + 缓存输入 ÷ 1,000,000 × 缓存价 + 输出 ÷ 1,000,000 × 输出价

例如，一次任务消耗 1,000,000 个未缓存输入 tokens 和 100,000 个输出 tokens：

• 活动期：1 × $0.075 + 0.1 × $0.25 = $0.10；
• 常规价：1 × $0.15 + 0.1 × $0.50 = $0.20。

如果同样的 1,000,000 输入中有 90% 命中缓存，且仍输出 100,000 tokens：

• 活动期：0.1 × $0.075 + 0.9 × $0.015 + 0.1 × $0.25 = $0.046；
• 常规价：0.1 × $0.15 + 0.9 × $0.03 + 0.1 × $0.50 = $0.092。

这两个算例只比较模型 token 费用，不含工具调用、联网搜索、失败重试、税费、汇率或人工修复。真正有意义的分母不是“每次请求”，而是“每个通过验收的任务”：

通过任务成本 =（模型 + 工具 + 重试 + 人工 + 运维）÷ 通过任务数

GLM Coding Plan 则使用订阅与积分配额。官方说 Flash 的可用额度相对 GLM-5.3 增至 3 倍，非高峰调用只消耗 50% 标准积分；这些规则适合比较编码工具里的可用量，却不能直接填进上面的 Model API 公式。

本地部署前置实测：305.8 GiB 才是第一个现实门槛

GLM-5.3-Flash 是 320B 总参数、18B 激活参数的 MoE 模型。18B 描述的是每个 token 参与计算的激活参数规模，不是完整权重只占 18B 级内存。官方 Hugging Face 模型仓库采用 MIT 许可；本轮通过公开模型 API 读取文件元数据，62 个 .safetensors 合计 328,337,455,672 bytes，约 305.79 GiB。

这个结果与 vLLM 官方 recipe写明的“native FP8 weights 约 306 GiB，且尚未包含 runtime 和 KV-cache overhead”一致。BF16 版本的权重内存约为两倍。长上下文还会占用 KV cache；混合注意力架构另外维护 KDA state pool，并发可能先被这部分内存限制。

你可以在下载前自己复现权重体积：

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)}'

然后检查本机资源。macOS 可运行：

bash
sysctl -n hw.memsize
df -h /

Linux 服务器可运行：

bash
free -h
df -h /
nvidia-smi --query-gpu=name,memory.total --format=csv

本次 M4 机器只有 16 GB 统一内存与约 135 GiB 可用磁盘，因此没有必要开始 305.79 GiB 下载：存储先失败，内存差距更大。这就是一次有效的部署实测结论——在零下载成本处停止，而不是等数百 GiB 传完后才发现不能加载。

硬件通过后，也不要用一条通用命令假装生产可用

官方模型卡列出 SGLang、vLLM、TokenSpeed、Transformers、KTransformers 和 Unsloth。它们不是同一个成熟度和硬件合同。当前 vLLM recipe 以多卡 GPU 拓扑为起点，示例包括 TP4 的 GB200；SGLang cookbook 还区分 Blackwell、H100/H200 与 AMD ROCm 的 cache dtype、attention backend 和已验证范围。

因此，采购或启动前至少写下这些验收条件：

• 权重能放入本地存储，并预留下载临时文件、容器镜像和日志空间；
• GPU/加速器总内存不仅覆盖权重，还覆盖 runtime、KV cache、KDA state、视觉编码峰值与并发；
• 所选 framework 的当前版本明确支持该 GPU、FP8/BF16 类型和 GLM-5.3-Flash 架构；
• 用固定的 input/output 长度测试启动、首 token、吞吐、并发、工具调用与多模态；
• 在相同任务与验收条件下比较托管 API 总成本，而不是只比较电费或 token 标价。

本地模板与托管 API 也有一个容易踩错的差异：官方托管 API 写明 thinking 不能关闭；本地 SGLang recipe 则允许通过 chat template 参数改变 thinking 行为。它们是两种利用面的合同，不能用本地能力反推托管 API 会接受相同参数。

如果你的目标只是尽快验证业务任务，先用正式 Model API 建立回归与成本数据通常更省时间。只有当数据边界、稳定吞吐、长期利用率或定制推理确实能抵消多卡硬件与运维成本时，本地部署才进入下一轮采购评估。若还需要比较 GLM 与其他新模型，可再看同语种的 GLM-5.3 与 DeepSeek V4 Pro 选型指南；它解决的是模型选择，而这里解决的是从匿名入口到可验收正式路线。

最终迁移完成的标志，不是配置里出现了新模型名，而是四件事同时成立：正式 ID 与 endpoint 正确、真实任务通过回归、账单能用 token 明细复算、本地或托管路线都没有隐藏未验证的硬件与协议假设。