GLM-5.3 Flash API: presyo at libreng simula

Mga presyo kada 1 milyong token noong Nobyembre 2, 2026:

Sa OpenRouter, mahigit tatlumpung provider ang GLM-5.3 Flash, at malaki ang pagkakaiba ng kanilang mga presyo: marami ang sumusunod sa presyo ng Z.ai — $0.15 at $0.50, habang ang pinakamura, ang Relace, ay $0.0285 at $0.0923. Ihambing natin sa kanya: ang pagkakaiba sa pinakamurang provider ng parehong model ay mga ×5, at sa API ng Z.ai ay mga ×24 sa input at ×27 sa output.

Sa Z.ai at maraming provider, ang muling ipinadalang bahagi ng request — kasaysayan ng usapan, system prompt — ay binabasa mula sa cache nang mas mura kaysa sa regular na input. Sa JoinGonka, walang hiwalay na presyo para sa cache, pareho ang presyo ng lahat ng input. Ngunit ang input mula sa cache sa Z.ai ay $0.03 kada milyon — ilang beses itong mas mahal kaysa sa regular na input namin.

Buhay ang presyo ng JoinGonka sa pahinang ito: nagmumula ito sa API ng gateway at nagbabago kasabay ng exchange rate ng GNK. Ang dahilan kung bakit mura ito ay ang disenyo ng Gonka network: doon, ang presyo ay itinatakda ng bayad para sa computational work ng mga host, hindi ng price list ng developer ng model.

1. Key. Magrehistro sa JoinGonka Gateway at gumawa ng jg-… key sa dashboard. Ang mga bagong account ay binibigyan ng 3M libreng token.

2. Request. Ang address ng OpenAI-compatible API ay https://gate.joingonka.ai/v1, at ang model ID ay zai-org/GLM-5.3-Flash:

curl https://gate.joingonka.ai/v1/chat/completions \
  -H "Authorization: Bearer jg-your-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "zai-org/GLM-5.3-Flash",
    "max_tokens": 2000,
    "messages": [{"role": "user", "content": "Find the bug: def avg(xs): return sum(xs) / len(xs) - 1"}]
  }'

Pareho rin sa Python gamit ang openai library:

from openai import OpenAI

client = OpenAI(api_key="jg-your-key", base_url="https://gate.joingonka.ai/v1")
response = client.chat.completions.create(
    model="zai-org/GLM-5.3-Flash",
    max_tokens=2000,
    messages=[{"role": "user", "content": "Explain in two sentences what a race condition is"}],
)
print(response.choices[0].message.content)

3. Mga coding tool. Isang command lang at isusulat na ng installer ang gateway at model sa config ng Claude Code, Codex CLI, OpenCode, at iba pang tool — siya na ang magtatanong ng tool at key:

npx @joingonka/setup --model glm

Para sa mga client ng Anthropic Messages API, ang address ay https://gate.joingonka.ai, walang /v1. Ang mga step-by-step na gabay para sa bawat tool ay nasa seksyong "Mga Tool".

• Libreng token. Ang bagong account ay tumatanggap ng 3M token — daan-daang request ito sa GLM-5.3 Flash: sapat para subukan ang model sa sarili mong mga gawain at tantiyahin ang budget ng pag-iisip. Hindi kailangan ng card o crypto para dito.
• Chat na walang registration. Sa libreng chat sa aming site, piliin ang GLM-5.3 Flash at panoorin kung paano ito nag-iisip: ipinapakita ang takbo ng pag-iisip sa hiwalay na nakatuping bloke.
• Pagkatapos — bayad kada token. Walang subscription: ang balanse ay dinadagdagan gamit ang GNK, USDT, o card, ang aktwal na mga token ang ibinabawas, at ang pang-araw-araw na gastos ay makikita sa dashboard.

Libreng ibinibigay ng Z.ai ang mga lumang magaan na model — GLM-4.7-Flash at GLM-4.5-Flash. Ang GLM-5.3 Flash doon ay bayad, kaya para masubukan mismo ito nang walang bayad, gamitin ang panimulang token ng JoinGonka.

Ang GLM-5.3 Flash ay ang magaan na modelo ng GLM-5.3 na linya mula sa Z.ai, ang internasyonal na brand ng Zhipu AI na nakabase sa Beijing. Magaan ito sa relatibong kahulugan: isa itong MoE na modelo na may 320 bilyong parameter, kung saan humigit-kumulang 18 bilyon ang aktibo sa bawat token. Hybrid ang atensyon — ang ilang layer ay sparse, ang iba ay linear, kaya mas mura para dito ang mahabang konteksto. Bukas ang mga timbang sa ilalim ng lisensyang MIT. Ang mga gumaganang parameter sa JoinGonka ay itinatakda ng deployment sa mga host ng network:

• Konteksto — 390 000 token. Ito ang minimum na napatunayan ng mga kahilingan: sa Z.ai at mga provider ng OpenRouter, hanggang 1 milyong token ang window, ang mga host ng network ay nakatakda sa 400 000, at ipinapahayag namin ang nakumpirma.
• Sagot — hanggang 8 192 token, kasama ang mga pangangatwiran.
• Mga pangangatwiran ay dumarating sa hiwalay na field na reasoning_content, ang mga tool call ay nasa karaniwang tool_calls, kasama ang ikalawa at mga susunod na round; gumagana ang JSON mode (response_format).
• Teksto lamang: hindi pa tumatanggap ng mga larawan ang network.

Ang mga modelo, ang kanilang mga identifier at limitasyon — nasa dokumentasyon ng Gonka API, ang availability at latency — sa pahina ng status ng gateway.

Ang GLM-5.3 Flash ay nangangatwiran muna, pagkatapos sumasagot, at ang dalawang yugto ay kasama sa isang limitasyon ng output. Kahit sa simpleng tanong, ang pangangatwiran ay tumatagal ng 250–450 token, sa makabuluhang gawain — libu-libo. Kaya ang nakagawiang max_tokens: 256 ay nagbibigay ng finish_reason: "length" at walang laman na content: ginastos ng modelo ang limitasyon sa pangangatwiran at hindi na umabot sa sagot.

Ang mga pangangatwiran ay binabayaran bilang mga output token. Kung hindi talaga kailangan, para sa maikli at mabilis na mga sagot, mas maginhawa ang ibang modelo ng network. Sa mga agent tulad ng Cline at Cursor, suriin ang limitasyon ng output sa mga service request — compression ng konteksto, pamagat ng usapan: sa limitasyong ilang daang token, ang GLM-5.3 Flash ay magbabalik ng walang laman na sagot.

Ang parehong modelo ay available sa JoinGonka sa isang presyo, kaya dapat pumili batay sa gawain, hindi sa budget:

Sa madaling salita: GLM-5.3 Flash — kapag kailangan mong mag-isip sa komplikadong lohika at hindi kailangan ng mahabang sagot; DeepSeek V4 Flash — para sa mahahabang sagot, malalaking dokumento at mga agent na nagtatrabaho nang maraming oras. Ang ikatlong modelo ng network, MiniMax M2.7, ay angkop para sa mabilis at maiikling sagot, ngunit ang MiniMax mismo ay inaalis ito sa kanilang API. Ang paglipat sa pagitan ng mga modelo — isang linya ng model sa kahilingan.