通过 EvoLink 统一对话 API 接入 Z.ai 的 GLM-5.3(也常被搜索为 Zhipu GLM-5.3 / GLM 5.3)。集成前可先测试长上下文编程、多步 Agent、提示缓存。
智谱面向编程 Agent 与长周期工程任务的旗舰推理模型：100 万 Token 上下文、思考常开、工具调用、提示缓存，同时支持 Chat Completions 与 Anthropic Messages 两个端点。
GLM-5.3
智谱旗舰推理模型
glm-5.3仓库级编程 Agent、长链路任务、重工具调用流程，以及前缀稳定、输入量主要由缓存读取承担的 Agent 循环。
所有费率按每百万 Token 计,同时显示美元与 Credits,以你账户当前的价格为准。
集成前先估算一次 GLM-5.3 请求的费用。计算器按你账户的当前费率计算,官方价格仅作对照。
官方价预估 $0.0025 · 省 $0.0003(10%)
最低计费:每次请求 0.01 Credits。
快速测试
日常开发
生产评估
通过 EvoLink 统一 API 调用智谱旗舰推理模型：输入 $1.06、输出 $3.71/百万 Token，模型 ID 为 glm-5.3，并支持 100 万 Token 上下文、low/high/max 三档常开推理、工具调用与提示缓存。
GLM-5.3 在 EvoLink 上以模型 ID glm-5.3 提供,支持 Chat Completions · Responses · Anthropic Messages,和其他模型共用同一把 API 密钥与余额。它提供 1M 上下文窗口,最大输出 131K Token,并支持长上下文编程、多步 Agent、提示缓存。
数字取自 EvoLink 路由配置;能力以 API 当前实际提供为准。
主要靠三个特性。每一个特性同时也暗示着一种用错的方式，所以在切生产流量之前值得先弄明白。
没有长上下文阶梯价——第 90 万个 Token 的单价和第 1000 个完全一样。这消除了激进截断的一个常见理由，但并不意味着把窗口填满是免费的，或者是准确的。
除模型名外，请求体原封不动送到上游，所以 GLM 私有字段、提示缓存前缀哈希和思考签名在两个端点上都能保住。
推理不单列一项，而是算在 completion tokens 里，所以 131,072 的输出上限是推理和最终答案共用的。设置输出预算要按任务难度来，不要按上限来。
GLM-5.3 比 GLM-5.2 贵，比 Flash 贵得多，所以不该仅仅因为"它最新"就变成默认路由。它真正的优势场景，是更深的推理能实际省掉一次重试或一轮人工返工的任务。
把相互关联的模块、测试和项目约定放进同一个 100 万 Token 上下文，而不是让编程 Agent 一次只看一个文件。收益体现在跨文件改动不再互相打架，而不是单文件补全变好看了。
「规划—执行—验证」这种要跑很多步的循环受益最大，因为早期一个推理错误会沿整条链放大。评估时要看整链完成率，而不是单步质量。
庞大的工具定义和长指令块都待在被缓存的前缀里，所以多跑一步的边际成本接近缓存读取价，而不是完整输入价。
发往 /v1/messages 的请求按字节原样透传，提示缓存前缀和思考签名都完整保留。走 Claude 协议的编程 CLI 可以直接指向 EvoLink 并选择 glm-5.3，中间不需要任何转换层。
GLM-5.3 不是 GLM-5.2 的无痛替换。有一个参数变更属于硬性断裂，价格也变了。把生产路由切过去之前，先看完这四条。
GLM-5.3 始终思考，会直接拒绝 thinking.type: "disabled"。任何从 GLM-5.2 迁过来、仍在发送 disabled 模式的客户端都会直接失败。官方替代方案是 thinking.type: "enabled" 配合 reasoning_effort: "low"。
reasoning_effort 接受 low、high、max 三个值，默认 max。由于输出 Token 包含推理 Token，这个档位会直接改变花费——在大批量常规调用上原样保留默认值，是 5.3 上最常见的超支方式。
缓存读取按新输入的四分之一计费。在系统提示和工具定义占据大部分输入的长 Agent 循环里，保持这段前缀逐字节稳定，对账单的影响比选哪个模型还大。
输入、输出和缓存读取都比当前 GLM-5.2 高 12.5%：5.3 按官方价 9 折售卖，而 5.2 的折扣更深（8 折）。只在多出来的推理确实值这个价的任务上切 5.3，其余留在 5.2 或 Flash。
产品后端与批量任务走 EvoLink API;编码与分析类工作可直接在 Codex、Claude、Gemini 里调用 GLM-5.3。两条路径共用同一把 EvoLink API 密钥、余额、模型 ID 与请求记录。
适合:产品后端、批量任务、自动化流水线
向 EvoLink 发送 OpenAI 兼容的 Chat Completions(或 Anthropic Messages)请求,自行控制模型 ID、系统提示、输出预算、工具与结构化输出。
适合:在 Codex、Claude、Gemini 里做编码、评审与分析
把任务、要带入的材料和验收标准交给 Agent,由它组装请求、通过 EvoLink 调用 GLM-5.3,并把回答连同 token 用量一起返回。
这个示例是最短可运行的请求:一条 OpenAI 兼容的 Chat Completions 调用,带系统提示、用户消息和输出预算。完整参数与响应说明见 API 标签页。
curl -X POST https://api.evolink.ai/v1/chat/completions \
-H "Authorization: Bearer $EVOLINK_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.3",
"messages": [
{ "role": "system", "content": "You are a senior engineer. Answer in JSON when asked." },
{ "role": "user", "content": "Review this diff and list risky changes as a JSON array:\n<diff>" }
],
"reasoning_effort": "low",
"max_tokens": 2048,
"stream": true
}'
# Reasoning is always on: reasoning_effort accepts low / high / max
# (default max) and thinking.type "disabled" is rejected.
# The same model ID works on /v1/messages (Anthropic Messages).
# The response includes choices[0].message and a usage object (prompt,
# cached, and completion tokens; completion tokens include reasoning).对照 API 文档检查模型 ID、messages 数组和参数范围,去掉该路由不支持的字段。
检查 Authorization bearer token,并在控制台确认可用余额。
提示词 token 超过了 GLM-5.3 的上下文窗口。裁剪或只检索相关材料,并复用缓存前缀。
退避并带抖动重试;用批处理或队列代替并发突发。
重试前检查敏感内容、格式错误的 tool-call 参数和 JSON schema 不匹配。
这四项检查能拦下我们在这个模型上见到的绝大多数迁移问题。前两项是硬性失败，后两项是不会报错的成本问题。
Chat Completions 和 Anthropic Messages 用的是同一个 ID，与上游名称完全一致，没有别名需要转换。
这是相对 GLM-5.2 唯一的硬性断裂。改成 thinking.type: "enabled" 加 reasoning_effort: "low"，然后把回归用的提示词重跑一遍。
默认是 max。把常规调用和对延迟敏感的调用降到 low，确认通过率没掉，再把省下的钱落袋。
检查返回的 usage 里有没有出现缓存 Token。如果前缀在两次调用之间变了，每次请求都会按完整输入价计费，而响应本身完全看不出异常。
命中缓存的输入走单独的低费率，所以稳定的系统提示、仓库规则和工具定义在长 Agent 循环里始终便宜。没有单独的缓存写入费用——上游不返回缓存创建 Token，我们也就不设这项 SKU。
把相关代码、规范和 Agent 状态放在同一个上下文里。上限是容量不是目标：只检索真正需要的内容，保持前缀稳定以便命中缓存，并按任务难度设置输出预算。
GLM-5.3 的单价比 GLM-5.2 和 Flash 都高。这件事只有和「每个模型多久能产出一个你真的敢发布的结果」放在一起看才有意义。切换路由之前，先在自己的任务上跟踪这些指标一周。
单价贵 12.5% 但能三次里少返工一次的路由，实际更便宜；单价贵 12.5% 而什么都没改变的路由，只是个更贵的默认值。想分清这两者，唯一的办法是在同一批任务上把它们都测一遍。
GLM-5.3 的定价高于 GLM-5.2，所以真正要回答的问题是：在你自己的任务上，减少的重试和人工返工能不能盖住差价。先测量，再决定生产路由。
| 模型 | GLM-5.3 | GLM-5.2 | Kimi K3 |
|---|---|---|---|
| 输入 / 输出 | $1.059 / $3.706 | $0.942 / $3.295 | $2.85 / $14.25 |
| 上下文 | 1M | 1M | 1.05M |
| 缓存 | 缓存读取 | 缓存读取 | 自动缓存读取 |
| 最适合 | 仓库级编程 Agent、长链路任务、重工具调用流程，以及前缀稳定、输入量主要由缓存读取承担的 Agent 循环。 | 上一代 GLM 旗舰，单价仍然更低。在 5.3 拿不出可测收益的任务上继续用它，依赖"关闭思考"的客户端也只能留在这一代。 | Moonshot 的 100 万上下文推理模型。做长上下文编程与 Agent 任务时，适合当跨厂商对照基线。 |
同一把 API 密钥、同一份余额,换档位不用改接入。
可以。GLM-5.3 已是正式模型，Chat Completions 和 Anthropic Messages 两个端点都能用。
两个端点都用 glm-5.3。EvoLink 的对外模型名与上游模型名完全一致，不需要做名称映射。
可以。把客户端指向 EvoLink，用同一个 API Key，模型填 glm-5.3 即可。请求体除模型名外按字节原样透传，提示缓存前缀和思考签名都不会被破坏。
不能。GLM-5.3 始终启用思考，会直接拒绝 thinking.type: "disabled"。从 GLM-5.2 迁移时请改成 thinking.type: "enabled" 配合 reasoning_effort: "low"，这是官方给出的替代方案。
默认是 max。日常改动、分类和对延迟敏感的调用用 low；架构设计、调试和长链路任务用 high 或 max。输出 Token 包含推理 Token，所以这个档位会直接改变花费。
GLM-5.3 按官方价 9 折售卖，而 GLM-5.2 的折扣更深（8 折），所以输入、输出和缓存读取都高 12.5%。在多出来的推理确实能减少重试的任务上切 5.3，否则留在 5.2 或改用 GLM-5.3 Flash。
缓存读取有独立费率，是新输入的四分之一。没有缓存写入费用，因为上游不返回缓存创建 Token。想持续命中，就要保持提示前缀逐字节稳定。
上下文 1,000,000 Token，输出最多 131,072 Token，全程单一费率，没有长上下文阶梯价。
Flash 的输入和输出价都是十分之一，还能接收图片、视频和文件。大批量、多模态和常规任务先用 Flash；当任务确实需要更深的推理，且通过率能盖住差价时再换 GLM-5.3。
不能，GLM-5.3 是纯文本模型。需要图片、视频、文件输入请用 GLM-5.3 Flash。
用「每个通过验收的任务花多少钱」来评估 GLM-5.3 在编程 Agent 和长链路任务上的表现；Claude 和 GPT 当作能力上限基线；Kimi K3 当作跨厂商的长上下文对照。
首次通过率、被采纳的产出、重试次数、推理 Token 占输出的比例、缓存命中率、有效工具调用、拿到可用结果的耗时，以及回退率。
