ai.canshu.com
EN
显存计算器 配机与回本向导 API 价格 同屏 PK 对比 模型库 排行榜 显卡库

全局搜索模型、显卡与工具

↑↓ 移动 · Enter 直达 · ★ 优先展示我的关注 ai.canshu.com
Zhipu AI
开源权重 Zhipu AI · MoE 753B / A40B · Text · BF16 / FP8

GLM-5.3 (753B MoE) 模型架构参数、评测与显存全表

智谱最强开源编程与安全推理旗舰(753B 总参 / 40B 激活),在 Terminal Bench 3.0 与 CyberGym 刷新开源 SOTA。

🧬 GLM-5.3 (753B MoE) 底层网络与张量参数总表 (Model Overview & config.json)

全部字段同步自官方 HuggingFace 仓库 (zai-org/GLM-5.3) 的 config.json 与技术报告 · 核验日期 2026-11-20

HF Class: GlmMoeDsaForCausalLM

1. 骨干网络与维度参数

glm_moe_dsa
总参数量 / 单步激活
753B / 40B
Hidden Size (d_model)
6,144
FFN Intermediate Size
12,288
MoE 专家中间层维度
2,048
MoE 专家配置
256 路由 · 激活8 + 1 共享
激活函数 / RMSNorm
SiLU (SwiGLU) · ε=0.00001
原生权重精度
BF16 / FP8

2. 注意力机制与混合层拓扑

MLA
Transformer 总层数
78 层
网络层排布 (Hidden Layout)
78 层稀疏 MoE 架构(256 路由专家,单步激活 8 个)
注意力头 (Q / KV)
64 Q / 64 KV
Head Dimension
192

3. 上下文、位置编码与词表

Tokenizer
原生上下文长度
1,048,576 tokens
旋转位置编码 (RoPE)
RoPE (原生 1,048,576 Context)
词表大小 (vocab_size)
154,880 (独立输出头)

📋 GLM-5.3 (753B MoE) 官方 API 技术规格与计费参数总表

核验自 Zhipu AI 官方开发者文档与公开定价页(核验日期 2026-11-20)

API Model ID: glm-5.3

1. 模型标识与能力开关

API Spec
官方调用 Model ID
glm-5.3
版本发布日期
2026-08-14
权重授权形态
开源权重 (云端 API 规格)
原生深度推理思考
✅ 支持 (可调思考预算)
Function Calling & JSON Schema
✅ 原生支持
Batch API 异步批处理
✅ 支持 (通常享 5 折)

2. 上下文、输出上限与模态

Limits
最大输入上下文窗口
1,000,000 tokens (1000K)
单次最大输出上限
131,000 tokens
支持输入模态
Text
支持输出模态
Text
中国大陆网络直连
✅ 国内极速直连 + 人民币结算
分发与部署形态
开源权重 + 托管云 API

3. 官方 Token 单价与缓存阶梯

CNY / 1M
标准输入单价 (每百万)
¥ 8
Prompt 缓存命中输入
¥ 2 -75%
标准输出单价 (每百万)
¥ 28
长上下文阶梯与计费备注
智谱 BigModel:智谱 753B 满血旗舰,支持上下文缓存

🎛️ 官方调用采样与思考参数指南

API / 推理引擎调用时的最佳超参数与约束说明

官方默认推理采样配置
temperature=0.7 top_p=0.95 max_tokens=32,768

📊 GLM-5.3 (753B MoE) 全量评测成绩与维度排名

共 17 项公开评测 · 排名为在本站 154 款有评测数据模型中的名次 · 数据同步于 2026-11-20

⚔️ 和其他模型逐项比分

💻 代码工程 12 项

Terminal-Bench 2.1 #7/37 88.2%

Terminal-Bench 2.1 终端操作评测,测试 AI 智能体通过命令行独立完成代码编译、服务搭建与排错的端到端表现。

CyberGym #3/15 84.5%

受控靶场环境下的网络安全智能体评测,考察代码安全审计、漏洞定位与攻防分析能力。

FrontierSWE #3/16 78.1%

面向数小时至数十小时开放式大型工程项目(系统性能优化、大规模代码构建、应用机器学习研发)的前沿软件工程评测。

DeepSWE 1.1 #25/49 66.9%

基于隔离容器环境与 mini-swe-agent 框架评测的软件工程智能体实战基准(v1.1)。

NL2Repo #6/23 58%

自然语言到完整代码仓库(NL2Repo)长周期生成评测,考察从零架构设计或跨全仓改写代码的能力。

ExploitBench #7/11 54.4%

网络安全漏洞发现与利用(Exploit)实战基准,以智能体成功夺取目标权限的比例(Cap%)计分。

SWE-Marathon #4/9 42.5%

超长周期软件工程马拉松基准,涵盖编写编译器、优化算子内核与构建生产级服务等持续数小时的系统级开发任务。

Terminal-Bench 4.0 #14/31 41.8%

第 4 代真实容器终端智能体评测,涵盖 66 项命令行工程与科学计算实战任务,考察编译、排障、环境配置与端到端交付能力。

PostTrainBench #2/10 39.8%

评估智能体在算力受限下拿到纯预训练基座模型后,能否自主完成数据合成、SFT/RL 后训练、评测与迭代提分的端到端能力。

Terminal-Bench 3.0 #1/3 28.3%

Terminal-Bench 3.0 命令行智能体评测,考察模型在真实 Linux 终端中自主执行多步运维与开发任务的能力。

Program Bench #15/18 19%

要求智能体仅凭编译后的二进制可执行文件与文档说明,逆向复现出等价功能源码(涵盖 CLI 工具至 FFmpeg/SQLite 级系统)的 200 项硬核工程评测。

ExploitGym #7/9 15%

基于 Linux 内核、Google V8 引擎与用户态真实历史高危漏洞构建的大规模漏洞复现与利用智能体基准。

来源:ZeroEval / llm-stats.com 公开评测聚合(✓ 为第三方验证,其余为厂商官方自报)。点击任一评测可查看全库排名。

⚡ GLM-5.3 (753B MoE) 本地显存占用 & 实时吐字速度计算器

并发请求数 (Batch):
MoE 753B / A40B·78L (d=6144)·64Q/64KV·Ctx 1000K
该设备兼容榜 →
并联卡数
96 GB VRAM·4000 GB/s·安全可用上限 94.1 GB
显存不足 (OOM)467.56 / 94.1 GBOOM
3. 权重量化精度
4. 单并发上下文窗口16K (16,384 tok)
参数核验:2026-11-20·带宽与算力屋顶模型估算(当前并发=1)
显存不足 (OOM)
467.56/ 94.1 GB 可用显存

物理总容量 96 GB · 占用率 497%

理论带宽解码速度 (Decode)
—tokens/s

超出安全可用上限 373.48 GB

当前并发 (1x) 最大可开窗口
0K/ 1000K

MLA 潜在注意力显著压缩高并发 KV 占用

模型权重: 456.51 GBKV Cache (1×16K): 1.47 GB框架开销: 9.58 GB
⛔ 无法加载
参考启动命令:
OLLAMA_CONTEXT_LENGTH=16384 ollama run glm-5-3-744b

本地显存不足?运行 GLM-5.3 (753B MoE) 的替代方案

可按小时租用预装好 vLLM / LLaMA-Factory 的大显存云显卡,或算一下直接调 API 对比买卡的 12 个月回本线。

📊 GLM-5.3 (753B MoE) 各量化精度显存占用对照表 (16K 上下文)

量化格式 等效位数 纯权重体积 KV Cache (16K) 总显存需求 精度评价
FP16 / BF16 16 bpw 1506 GB 1.47 GB 1538.04 GB 无损原精度
FP8 / Q8_0 8.5 bpw 800.06 GB 1.47 GB 817.99 GB 99.9% 接近无损
GGUF Q6_K 6.56 bpw 617.46 GB 1.47 GB 631.73 GB 极高画质 · 严肃编码
GGUF Q5_K_M 5.69 bpw 535.57 GB 1.47 GB 548.2 GB 高均衡度
Q4_K_M / AWQ 4.85 bpw 456.51 GB 1.47 GB 467.56 GB 黄金甜点(推荐)
GGUF IQ4_XS 4.25 bpw 400.03 GB 1.47 GB 409.95 GB 省显存优选
GGUF Q3_K_M 3.91 bpw 368.03 GB 1.47 GB 377.31 GB 轻度智商折损
GGUF Q2_K 3.15 bpw 296.49 GB 1.47 GB 304.35 GB 极限压缩尝鲜

🖥️ 主流显卡、Mac 与国产卡运行 GLM-5.3 (753B MoE) (Q4_K_M) 兼容性列表

常见问题解答 (FAQ)

GLM-5.3 (753B MoE) 的核心网络架构参数(层数、隐藏维度、注意力头、词表)是多少?

GLM-5.3 (753B MoE) 底层架构为 GlmMoeDsaForCausalLM,共 78 层(78 层稀疏 MoE 架构(256 路由专家,单步激活 8 个)),隐藏层维度 hidden_size=6144,注意力头配置为 64 个 Query 头 / 64 个 KV 头(head_dim=192),词表大小 vocab_size=154,880,原生上下文窗口 1,048,576 tokens。

GLM-5.3 (753B MoE) 本地部署至少需要多少 GB 显存?

在主流 4-bit 量化(GGUF Q4_K_M / AWQ,16K 上下文)下,GLM-5.3 (753B MoE) 共需约 467.56 GB 显存(含权重 456.51 GB + KV 缓存 1.47 GB + 系统开销 9.58 GB)。无损 FP16/BF16 则需约 1538.04 GB。

GLM-5.3 (753B MoE) 官方推荐的采样参数(Temperature / Top-P)是多少?

依据官方 generation_config.json 与最佳实践,在「官方默认推理采样配置」下建议设置 temperature=0.7、top_p=0.95。