- 1M context
- Reasoning
- Responses API
GLM 5.3 Flash QuickSilver Pro पर
एक OpenAI-compatible API से GLM 5.3 Flash का इस्तेमाल करें, 1M टोकन की कॉन्टेक्स्ट विंडो के साथ। प्रति दस लाख टोकन इनपुट $0.0284 / आउटपुट $0.0923।
- 1M context
- अधिकतम 131K output
- Tools
- Reasoning · डिफ़ॉल्ट रूप से चालू
- Streaming
- JSON Schema output नहीं
आप चुकाते हैं · input / output प्रति 1M
$0.0284 / $0.0923
लिस्ट प्राइस पर
Published reference जैसी ही दरें
Pricing तुलना ($/1M tokens)
बार की लंबाई = दिखाई गई सबसे ऊँची क़ीमत के मुक़ाबले क़ीमत
| Provider | Input | Output | QSP की तुलना में |
|---|---|---|---|
| QuickSilver Pro | $0.0284 | $0.0923 | — |
| Published reference(z-ai/glm-5.3-flash) | $0.0284 | $0.0923 | बराबर |
| OpenAI (GPT-4o mini) | $0.15 | $0.60 | 85% कम |
एक नज़र में
- Context
- 1M tokens
- Input / 1M
- $0.0284
- Output / 1M
- $0.0923
- Default में सोचता है
- हाँ
- अधिकतम output
- 131K
- Latency · लाइव
- —
- AA Intelligence Index
- 46
Workhorse pricing पर high-volume agents और coding — Z.ai के सबसे नए reasoning परिवार का तेज़ open-weights सदस्य, 1M-token context window के साथ।
GLM 5.3 Flash कब सही चुनाव है?
catalog की क्षमताओं और प्रकाशित क़ीमतों से तैयार, benchmark से नहीं।
कब इस्तेमाल करें
GLM 5.3 Flash तब चुनें जब आपको GLM 5.3 परिवार का reasoning-और-tools वाला व्यवहार कीमत के एक छोटे हिस्से पर चाहिए: high-volume agent loops, background codegen, इसके 1M-token context में विशाल working sets पर summarization, और batch pipelines जहाँ per-call लागत ही सबसे बड़ा हिस्सा होती है। $0.0284 / $0.0923 प्रति million tokens पर यह catalog के सबसे सस्ते tier से मुकाबला करता है और साथ ही 1M-token window बनाए रखता है — ऐसा मेल जो budget models नहीं देते। Reasoning हमेशा चालू रहती है; गहराई और latency व लागत के बीच संतुलन के लिए reasoning_effort इस्तेमाल करें।
- लंबे दस्तावेज़ और codebases, 1M tokens तक के context के साथ
- Tools call करने वाले agents
- कई चरणों वाला reasoning, डिफ़ॉल्ट रूप से चालू
- Chat Completions के साथ Responses API clients भी
कब कोई और model चुनें
सबसे कठिन repo-scale engineering और long-horizon plans के लिए GLM 5.3 परिवार का ज़्यादा मज़बूत चुनाव है — वही window, ज़्यादा गहरा मॉडल। यहाँ भी reasoning अनिवार्य है, इसलिए यह मामूली turns पर भी thinking tokens खर्च करता है; अगर आपको ऐसा सस्ता मॉडल चाहिए जो सीधे जवाब दे, तो DeepSeek V4 Flash ($0.06/$0.18) बिना overhead के जवाब देता है। अगर आपके prompts GLM 5.2 या GLM 5.3 पर tune किए हुए हैं, तो नीचे switch करने से पहले A/B करें — पूरे परिवार में traces और tool-call cadence अलग-अलग हैं।
- काम को ज़्यादा मज़बूत मॉडल चाहिएGLM 5.3 का AA Intelligence Index स्कोर 49 है (यहाँ 46), output क़ीमत 23.835×।GLM 5.3 $0.60 / $2.20 · 1M
- आपको strict JSON Schema output चाहिएGLM 5.2 JSON Schema output देता है, output क़ीमत 23.835×।GLM 5.2 $0.70 / $2.20 · 1M
- आपको image input चाहिएQwen3.7 Flash image input लेता है, output क़ीमत 1.127×।Qwen3.7 Flash $0.024 / $0.104 · 1M
Quickstart (curl)
API key पाएँ →curl https://api.quicksilverpro.io/v1/chat/completions \
-H "Authorization: Bearer $QSP_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.3-flash",
"messages": [{"role": "user", "content": "Hello!"}]
}'import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.quicksilverpro.io/v1",
api_key=os.environ["QSP_KEY"],
)
response = client.chat.completions.create(
model="glm-5.3-flash",
messages=[{"role": "user", "content": "Hello!"}],
)
print(response.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api.quicksilverpro.io/v1",
apiKey: process.env.QSP_KEY,
});
const response = await client.chat.completions.create({
model: "glm-5.3-flash",
messages: [{ role: "user", content: "Hello!" }],
});
console.log(response.choices[0].message.content);curl https://api.quicksilverpro.io/v1/responses \
-H "Authorization: Bearer $QSP_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-5.3-flash",
"input": "Hello!"
}'import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.quicksilverpro.io/v1",
api_key=os.environ["QSP_KEY"],
)
response = client.chat.completions.create(
model="glm-5.3-flash",
messages=[{"role": "user", "content": "Hello!"}],
)
print(response.choices[0].message.content)OpenAI-संगत। base_url बदलकर एक लाइन में migration।
Gateway का व्यवहार
इस मॉडल के लिए compatibility नोट्स।
prompt- 1M tokens तक के prompts।
max_tokens- 131K output tokens तक।
- /v1/chat/completions: समर्थित
- /v1/responses: समर्थित
- streaming: समर्थित
- tools: समर्थित
- image input: इस मॉडल के लिए सूचीबद्ध नहीं
- JSON Schema: इस मॉडल के लिए सूचीबद्ध नहीं
- reasoning: समर्थित
क़ीमत कहाँ से आती है
- Provider reference
- $0.0284 / $0.0923
- Catalog में सत्यापित
- Prompt cache · तुलना नहीं
- $0.0284 read
usage.cost = prompt_tokens × $0.0284/1M + completion_tokens × $0.0923/1M
FAQ
सामान्य प्रश्न
Reasoning हमेशा चालू रहती है — इस endpoint पर यह अनिवार्य है और बंद नहीं की जा सकती (इसे बंद करने की कोशिश करने वाली request upstream पर reject हो जाती है)। गहराई और latency व लागत के बीच संतुलन के लिए reasoning_effort इस्तेमाल करें। Reasoning tokens output tokens के रूप में bill होते हैं और दिखने वाले जवाब से पहले आपके max_tokens budget में से लिए जाते हैं, इसलिए max_tokens खुलकर सेट करें, वरना जवाब कटा हुआ आ सकता है। अगर आपको बिना always-on thinking वाला GLM चाहिए, तो GLM 5.2 इस्तेमाल करें।
परिवार वही, weight class अलग: GLM 5.3 Flash तेज़, open-weights variant है जो 2026-08-26 को release हुआ, और इसकी कीमत $0.0284 input / $0.0923 output प्रति million tokens है, जबकि GLM 5.3 की $0.60 / $2.20 — input पर लगभग 21.1x सस्ता। दोनों में 1M-token context window, 131K की max-output सीमा, और always-on reasoning की शर्त एक जैसी है। Volume के लिए Flash इस्तेमाल करें; जब रुकावट throughput नहीं बल्कि task की कठिनाई हो, तब GLM 5.3 पर जाएँ।
हाँ — QuickSilver Pro पर GLM 5.3 Flash एक OpenAI-compatible chat completions endpoint है (Responses API भी काम करता है)। base_url=https://api.quicksilverpro.io/v1 सेट करें, अपनी QSP key paste करें, और model="glm-5.3-flash" इस्तेमाल करें। Streaming, tool calling (tool_choice: "auto" — यह endpoint किसी ख़ास function को force करने वाली request reject करता है), और usage.cost accounting सब काम करते हैं। response_format: json_schema इस endpoint पर अभी enforce नहीं होता; अगर आपको strict structured output चाहिए, तो GLM 5.2 इस्तेमाल करें।
प्रति दस लाख टोकन इनपुट $0.0284 / आउटपुट $0.0923।