GLM-5.3-Flash de Zhipu : modèle multimodal natif open source à grande échelle : 320B de paramètres et support full-stack par des puces nationales
Zhipu lance officiellement et met en open source le premier modèle multimodal natif à grande échelle au monde, GLM-5.3-Flash. Ce modèle atteint un total de 320B de paramètres, avec seulement 18B de paramètres activés, ses performances globales rivalisant avec Claude Opus 4.8. S'appuyant sur une architecture d'attention hybride sparse et linéaire ainsi que sur plusieurs techniques d'optimisation mémoire, il réalise des progrès significatifs dans le traitement des contextes longs et la réduction des coûts de service. L'inférence est entièrement assurée par des clusters de puces IA nationales, réduisant considérablement les coûts. Il est actuellement open source mondialement et son API enterprise est accessible.
Zhipu open-source officiellement GLM-5.3-Flash (320B-A18B). En tant que premier modèle multimodal natif de la série GLM-5, il atteint un total de 320B de paramètres. Il obtient 57 points à l'évaluation de l'Artificial Analysis Intelligence Index, surpassant globalement les produits de la génération précédente, et affichant des performances équivalentes à Claude Opus 4.8 lors des benchmarks de programmation internes.
Ce modèle a permis une optimisation significative de l'efficacité au niveau architectural. En introduisant un paradigme hybride combinant attention sparse et linéaire, couplé à la technologie de pooling pondéré IndexPool, il résout efficacement les goulots d'étranglement computationnels dans les scénarios de contextes longs. Les tests comparatifs montrent que sa charge de calcul par Token et la taille du cache KV ont diminué d'environ 3 fois et 4,4 fois respectivement par rapport à la version précédente, plaçant son efficacité computationnelle globale parmi les leaders du secteur.
Pour s'adapter à l'écosystème matériel national, Zhipu a développé un moteur d'inférence dédié profondément personnalisé sur la base de SGLang, assisté par un Infra Agent piloté par GLM-5.3 pour le développement d'opérateurs CUDA et l'optimisation des performances. Le système intègre des stratégies d'optimisation mémoire agressives telles que la quantification des poids W8A8, le cache KV en précision mixte et le Layer Split, surmontant avec succès les contraintes de bande passante mémoire des puces nationales.
Au niveau du déploiement en cluster, l'équipe déploie une architecture de séparation Encode–Prefill–Decode de niveau production, découplant le codage multimodal, le pré-remplissage des prompts et le décodage token par token en pools de travail indépendants. Les mesures réelles indiquent que cette approche améliore les performances de service de bout en bout de 3 fois. Le coût d'inférence par Token et l'utilisation matérielle atteignent désormais le niveau des GPU NVIDIA grand public, validant la viabilité commerciale du soutien par la puissance de calcul nationale pour les modèles de l'ordre du centaine de milliards de paramètres.
En matière de commercialisation et d'intégration écosystémique, la stratégie de tarification de GLM-5.3-Flash est très compétitive : le prix officiel n'est que d'un dixième de celui de GLM-5.3, et il descend jusqu'à un quarantième de celui d'Opus 4.8 durant la phase de lancement. Le modèle est actuellement open source à l'échelle mondiale, s'intégrant sans couture à des plateformes de développement comme ZCode, et distribue quotidiennement un quota limité de cartes d'essai via le programme GLM Coding, tout en ouvrant une API enterprise pour les développeurs.
KEY HIGHLIGHTS
Points clés de cette mise à jour
Zhipu présente le premier modèle multimodal natif open source au monde, GLM-5.3-Flash, totalisant 320B de paramètres et 18B de paramètres activés.
L'indice d'intelligence globale du modèle atteint 57 points, ses capacités de génération de code et de débogage logique étant équivalentes à celles de Claude Opus 4.8.
Adoptant une architecture d'attention hybride sparse et linéaire ainsi que la technologie IndexPool, il réduit considérablement l'utilisation de la VRAM et la latence lors du traitement des contextes longs.
Les services d'inférence sont entièrement adaptés aux clusters de puces IA nationales. Grâce à une architecture EPD séparée et à des stratégies d'optimisation mémoire, les performances de bout en bout sont multipliées par 3.
Le tarif n'est que d'un dixième de celui de GLM-5.3, et pendant la période de lancement limitée, le coût chute à un quarantième de celui d'Opus 4.8. Il est désormais entièrement open source et son API enterprise est accessible.