GLM-5.3 Flash: reasoning-модель Z.ai у мережі Gonka

Z.ai — міжнародний бренд пекінської лабораторії Zhipu AI, що виросла з Університету Цінхуа. Сімейство GLM розвивається з 2023 року (ChatGLM), а починаючи з GLM-4.5 влітку 2025 компанія викладає ваги флагманських моделей під ліцензією MIT, через що серія стала однією з найпомітніших у світі відкритих ваг. Власні продукти Z.ai — середовище розробки ZCode та підписка GLM Coding Plan — побудовані навколо цих самих моделей.

GLM-5.3 Flash — легка модель лінійки 5.3. «Легка» тут означає відносне: це MoE-модель на 320 мільярдів параметрів, з яких на кожен токен активується близько 18 мільярдів. Ваги розповсюджуються у форматі FP8, ліцензія — MIT. Архітектурна особливість — гібридна увага: частина шарів використовує розріджену (sparse) увагу, частина — лінійну, і це помітно здешевлює довгий контекст за пам'яттю та часом порівняно з класичною повною увагою.

Друга властивість, що визначає поведінку моделі, — вбудоване міркування. GLM-5.3 Flash навчена спочатку думати, а потім відповідати: хід міркувань відокремлений від відповіді й віддається клієнту окремим полем. Міркування вмикається і вимикається параметром reasoning_effort, і за замовчуванням воно повне. Це робить модель сильною на завданнях, де потрібно розібратися в заплутаній логіці, — і вимогливою до налаштувань запиту, про що нижче.

Різниця між «Flash» та старшою GLM-5.3 добре видна за цінами у вендора: на OpenRouter на момент публікації Flash коштує $0.09 за мільйон вхідних і $0.30 за мільйон вихідних токенів, а старша модель — $1.40 і $4.40. У мережі Gonka цієї драбини немає: всі моделі мережі віддаються за єдиним тарифом.

Як і з іншими моделями мережі, важливо розрізняти характеристики моделі «з коробки» і робочі параметри конкретного розгортання: їх задає конфігурація vLLM-інференсу на GPU-хостах мережі. Фактичні значення через наш Gateway:

• Контекстне вікно: 390 000 токенів. Це доведений запитами мінімум, а не число з картки моделі: вхід у 390 013 токенів прийнято та оброблено, великий prefill ми проганяли безпосередньо до хостів мережі. Технічне налаштування хостів допускає 400 000, але публікуємо те, що перевірено.
• Максимальне виведення: 8 192 токени за відповідь. Важливо: у цей ліміт входять і токени міркувань, і сама відповідь. Модель, яка подумала 3000 токенів при ліміті 4096, залишить на відповідь близько тисячі.
• Reasoning і tool calling: модель розгорнута з парсером міркувань і парсером виклику інструментів — міркування приходять у полі reasoning_content, а виклики інструментів — у стандартному полі tool_calls, як у будь-якій OpenAI-сумісній моделі.
• Швидкість: у наших замірах через шлюз перший токен приходить приблизно через 0,75 секунди, генерація йде зі швидкістю 25–44 токени на секунду залежно від навантаження. Для reasoning-моделі це швидко — але пам'ятайте, що перші сотні токенів підуть на міркування, і видима відповідь почнеться пізніше.
• Вимога до VRAM хоста: близько 560 ГБ на репліку за on-chain параметрами моделі — більше, ніж у MiniMax M2.7 (320 ГБ) та DeepSeek V4 Flash (280 ГБ). Чим вищий поріг заліза, тим менше хостів здатні розгорнути модель, а це прямо впливає на її ємність у мережі — про це в розділі про сценарії та обмеження.

Ціна інференсу в мережі Gonka не залежить від вибору моделі: GLM-5.3 Flash доступна за тією ж ставкою, що MiniMax M2.7 та DeepSeek V4 Flash, — через JoinGonka Gateway це $0.0069 за мільйон вхідних і $0.021 за мільйон вихідних токенів. Токени міркувань тарифікуються як вихідні. Економіка мережі — окрема тема: ціна визначається розрахунком за обчислювальну роботу, а не прайсом вендора.

Найчастіша помилка при першому знайомстві з GLM-5.3 Flash виглядає так: розробник надсилає коротке питання зі звичним max_tokens: 256, отримує finish_reason: "length" і порожнє поле content. Нічого не зламано — модель витратила весь ліміт на міркування і до відповіді просто не дійшла. За нашими вимірами навіть на тривіальне питання міркування займає 250–450 токенів, а на змістовному завданні — тисячі.

Три практичні правила:

Приклад запиту для короткого завдання — з обмеженими міркуваннями і достатнім лімітом:

curl https://gate.joingonka.ai/v1/chat/completions \
  -H "Authorization: Bearer jg-ваш-ключ" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "zai-org/GLM-5.3-Flash",
    "reasoning_effort": "low",
    "max_tokens": 800,
    "messages": [{"role": "user", "content": "Назови столицю Австралії одним словом"}]
  }'

У відповіді міркування лежать у message.reasoning_content, а сама відповідь — у message.content; у стрімі вони приходять окремими дельтами. Більшість OpenAI-сумісних клієнтів мовчки ігнорують незнайоме поле, тому міркування не «протікають» у текст відповіді — але вони входять у completion_tokens і оплачуються як вихідні токени. Якщо міркування не потрібні зовсім, GLM-5.3 Flash — не найкращий вибір: для швидких коротких реплік економніше MiniMax M2.7.

Окреме застереження для агентних сценаріїв: інструменти на кшталт Cline або Cursor нерідко самі виставляють невеликий ліміт виводу для службових запитів — стиснення контексту, генерація заголовка діалогу. Якщо такий запит йде на GLM-5.3 Flash з лімітом у пару сотень токенів, він повернеться порожнім. Перевірте налаштування ліміту в інструменті або віддайте службові запити іншій моделі мережі.

Reasoning-моделі іноді погано уживаються з агентними фреймворками: міркування вклинюється між викликами інструментів і ламає формат. З GLM-5.3 Flash ми прогнали агентний цикл цілком — опис інструментів, виклик, повернення результату, другий раунд виклику — і за OpenAI-сумісним шляхом він працює штатно: виклики приходять структуровано в tool_calls, аргументи валідні, другий раунд не плутає історію. Працює і режим JSON (response_format: {"type": "json_object"}) — модель віддає валідний об'єкт, а міркування залишаються за межами відповіді. Для агентів діє те саме правило бюджету: ліміт виводу із запасом, інакше виклик інструменту може обірватися посередині.

Як GLM-5.3 Flash співвідноситься з двома іншими моделями мережі:

Практичний наслідок єдиної ціни той самий, що й раніше: модель вибирається під завдання, а не під бюджет. Потрібно подумати над складною логікою — GLM-5.3 Flash; потрібно прочитати репозиторій цілком — DeepSeek V4 Flash; потрібна швидка рівна відповідь — MiniMax M2.7.

Модель доступна через JoinGonka Gateway за OpenAI- та Anthropic-сумісним API. Ідентифікатор моделі: zai-org/GLM-5.3-Flash. Ключ виду jg-… створюється в особистому кабінеті одразу після реєстрації; новим акаунтам нараховується 3M безкоштовних токенів — вистачить, щоб протестувати модель на своїх завданнях та підібрати бюджет міркувань.

Прямий виклик API (OpenAI-формат, стрім увімкнено — рекомендований режим для reasoning-моделі):

curl https://gate.joingonka.ai/v1/chat/completions \
  -H "Authorization: Bearer jg-ваш-ключ" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "zai-org/GLM-5.3-Flash",
    "stream": true,
    "max_tokens": 4000,
    "messages": [{"role": "user", "content": "Знайди помилку в цій функції та поясни її: …"}]
  }'

В інструментах розробки модель підключається так само, як інші моделі мережі: base URL https://gate.joingonka.ai/v1, ключ jg-… та ідентифікатор моделі. Гайди по Cursor, Claude Code, Cline, Continue та іншим інструментам зібрані в розділі «Інструменти»; інсталятор npx @joingonka/setup пропише шлюз у конфіг інструменту однією командою. Для клієнтів на Anthropic Messages API достатньо задати ANTHROPIC_BASE_URL=https://gate.joingonka.ai.

Спробувати без реєстрації можна в безкоштовному чаті: оберіть GLM-5.3 Flash у списку моделей — міркування там показуються окремим згорнутим блоком, тому добре видно, скільки модель «думає» перед відповіддю.

Сильні сценарії для цієї моделі:

• Завдання, де потрібно подумати. Розбір заплутаної бізнес-логіки, пошук неочевидного багу, проєктування схеми даних, математика та багатокрокові висновки — те, заради чого reasoning-моделі і існують. Тут міркування окупаються якістю відповіді.
• Рев'ю та пояснення коду. Модель розкладає чужий код по поличках і аргументує зауваження, а хід міркувань із reasoning_content можна показати користувачеві як «чому я так вирішив».
• Структуроване вилучення з перевіркою. JSON-режим плюс міркування дають акуратніші результати на неоднозначних вхідних даних, ніж пряма відповідь без обдумування.
• Агентні пайплайни з роллю «планувальник». У зв'язці з кількох моделей GLM-5.3 Flash логічно ставити туди, де вирішується «що робити», а швидкі виконавчі кроки віддавати MiniMax M2.7.

Коли розумніша інша модель мережі: для коротких швидких відповідей, автодоповнення та масових дешевих запитів — MiniMax M2.7 (міркування там тільки додають затримку і витрати); для документів та репозиторіїв, які мають поміститися в один запит цілком — DeepSeek V4 Flash із контекстом 380K.

Що врахувати перед тим, як переводити навантаження. GLM-5.3 Flash — найновіша і найважча за залізом модель мережі, і обслуговує її поки що невелика частина хостів. Це означає менший запас ємності, ніж у MiniMax M2.7 та DeepSeek V4 Flash: у пікові хвилини запити можуть довше чекати на вільний слот або отримувати відповідь про перевантаження, яку варто повторити через кілька секунд. Друга рамка — час: провайдер, який зараз віддає модель мережі, обриває одну відповідь приблизно на п'ятій хвилині генерації; при 25–44 токенах за секунду це близько 7–10 тисяч токенів, тому дуже довгі генерації краще розбивати на кроки. Склад мережі змінюється голосуванням, тому актуальний список моделей та їх ліміти завжди беріть із живого GET https://gate.joingonka.ai/v1/models, а поточну доступність та затримки — на сторінці статусу шлюзу. Завдяки єдиній ціні експеримент нічого не коштує: перемикання моделі — один рядок у запиті.