- 1M 上下文
- 推理
- Responses API
GLM 5.3 Flash · QuickSilver Pro
通过一个 OpenAI 兼容 API 使用 GLM 5.3 Flash,上下文窗口为 1M token。每百万 token 输入 $0.0284,输出 $0.0923。
- 1M 上下文
- 最大输出 131K
- 工具调用
- 推理 · 默认开启
- 流式输出
- 不支持 JSON Schema 输出
你支付 · 每 1M 输入 / 输出
$0.0284 / $0.0923
与官方价相同
与 Published reference 价格相同
价格对比($/1M token)
条形长度 = 相对所列最高价的价格
| 服务商 | 输入 | 输出 | 对比 QSP |
|---|---|---|---|
| QuickSilver Pro | $0.0284 | $0.0923 | — |
| Published reference(z-ai/glm-5.3-flash) | $0.0284 | $0.0923 | 相同 |
| OpenAI (GPT-4o mini) | $0.15 | $0.60 | 低 85% |
概览
- 上下文
- 1M token
- 输入 / 1M
- $0.0284
- 输出 / 1M
- $0.0923
- 默认思考
- 是
- 最大输出
- 131K
- 延迟 · 实时
- —
- AA 智能指数
- 46
以主力模型的价位跑大批量 agent 和编码 —— Z.ai 最新推理系列中的高速开放权重成员,拥有 1M token 的上下文窗口。
什么时候该选 GLM 5.3 Flash?
依据目录中的能力和公开价格整理,而非基准测试。
适用场景
想以极低的价格获得 GLM 5.3 系列的推理与工具调用表现时,选 GLM 5.3 Flash:大批量 agent 循环、后台代码生成、在 1M token 上下文中对超大工作集做摘要,以及单次调用成本占主导的批处理流水线。每百万 token $0.0284 / $0.0923 的价格可与目录中最便宜的一档竞争,同时保留 1M token 的窗口 —— 这是其他低价模型给不了的组合。推理始终开启;可用 reasoning_effort 在深度与延迟、成本之间取舍。
- 长文档和代码库,最多 1M token 上下文
- 需要调用工具的 Agent
- 多步推理,默认开启
- 既支持 Chat Completions,也支持 Responses API 客户端
何时该选其他模型
对于最难的仓库级工程和长程规划,GLM 5.3 是该系列中更强的选择 —— 窗口相同,模型更深。这里推理同样是强制开启的,所以即使是简单的轮次也会消耗思考 token;如果你想要一个直接作答的便宜模型,DeepSeek V4 Flash($0.06/$0.18)作答时没有这部分开销。如果你的提示词是针对 GLM 5.2 或 GLM 5.3 调优的,降档切换前请先做 A/B 测试 —— 该系列各模型的推理轨迹和工具调用节奏并不相同。
快速开始(curl)
获取 API key →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)兼容 OpenAI。只需改一行 base_url 即可迁移。
网关行为
本模型的兼容性说明。
prompt- 提示最多 1M token。
max_tokens- 最多 131K 个输出 token。
- /v1/chat/completions: 支持
- /v1/responses: 支持
- 流式输出: 支持
- 工具调用: 支持
- 图片输入: 本模型未列出
- JSON Schema: 本模型未列出
- 推理: 支持
价格从何而来
- 服务商参考价
- $0.0284 / $0.0923
- 目录核验日期
- 提示缓存 · 不参与对比
- 读取 $0.0284
usage.cost = prompt_tokens × $0.0284/1M + completion_tokens × $0.0923/1M
常见问题
常见问题
推理始终开启 —— 在这个 endpoint 上推理是强制的,无法关闭(试图关闭推理的请求会被上游拒绝)。可以用 reasoning_effort 在深度与延迟、成本之间取舍。推理 token 按输出 token 计费,并会先于可见回答从你的 max_tokens 预算中扣除,所以 max_tokens 要设得宽裕一些,否则回复可能被截断。如果你想要一个不是始终思考的 GLM,请使用 GLM 5.2。
同一系列,不同量级:GLM 5.3 Flash 是 2026-08-26 发布的高速开放权重版本,每百万 token 输入 $0.0284 / 输出 $0.0923,而 GLM 5.3 是 $0.60 / $2.20 —— 输入价格约低 21.1x。两者共享 1M token 的上下文窗口、131K 的最大输出上限,以及推理始终开启的约定。跑量用 Flash;当瓶颈是任务难度而不是吞吐量时,再升级到 GLM 5.3。
可以 —— GLM 5.3 Flash 在 QuickSilver Pro 上是一个 OpenAI 兼容的 chat completions endpoint(Responses API 同样可用)。设置 base_url=https://api.quicksilverpro.io/v1,填入你的 QSP key,并使用 model="glm-5.3-flash"。流式输出、工具调用(tool_choice: "auto" —— 这个 endpoint 不接受强制指定某个函数)和 usage.cost 统计都可用。response_format: json_schema 在这个 endpoint 上暂不强制生效;如果需要严格的结构化输出,请使用 GLM 5.2。
每百万 token 输入 $0.0284,输出 $0.0923。