跳到主要内容
  • 1M 上下文
  • 推理
  • Responses API

GLM 5.3 · QuickSilver Pro

glm-5.3
Z.ai实时可用性—

GLM 5.3 是 Z.ai 最新的推理旗舰,针对复杂软件工程和长程 agent 任务调优,拥有 1M token 的上下文窗口和 131K 最大输出。在 QuickSilver Pro 上,每百万 token 输入 $0.60 / 输出 $2.20,与本路由选择的 OpenRouter 上游端点平价,无加价或折扣。与 GLM 5.2 不同,这个 endpoint 上推理始终开启、无法关闭 —— 请改用 reasoning_effort 控制深度。

  • 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

$0.60 / $2.20

与官方价相同

与 OpenRouter 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$0.60$2.20—
OpenRouter(z-ai/glm-5.3)$0.60$2.20相同
OpenAI (GPT-4o)$2.50$10.00低 78%

OpenRouter 价格来源: openrouter.ai/api/v1/models/z-ai/glm-5.3/endpoints

概览

上下文
1M token
输入 / 1M
$0.60
输出 / 1M
$2.20
默认思考
是
最大输出
131K
延迟 · 实时
—
AA 智能指数
49

复杂软件工程和长程 agent —— Z.ai 最新的推理旗舰,拥有 1M token 的上下文窗口。

什么时候该选 GLM 5.3?

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

Z.ai 系列里最难的任务交给 GLM 5.3:仓库级重构、在长程任务中协调大量工具调用的「先规划后执行」型 agent,以及既需要在 1M token 上下文中容纳大型工作集、又需要单次调用输出最多 131K token 的任务。它以相同的每 token 价格接替 GLM 5.2,因此对于需要深思熟虑式推理的新项目,它是该系列的默认之选。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

这里推理是强制开启的,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 GLM,默认直接作答的 GLM 5.2 是该系列中更合适的选择。对于日常对话、短上下文代码生成或单次任务,它的每 token 价格和推理开销都大材小用 —— DeepSeek V4 Flash($0.06/$0.18)或 V4 Pro($0.70/$2.10)能以更低的成本搞定其中大部分。如果你已有一套针对 GLM 5.2 调优的提示词,切换前请先做 A/B 测试 —— 价格不同,推理轨迹和工具调用节奏不同。具体到 agent 式编码,还应与 Kimi K2.7 Code 做 A/B 对比。

在模型列表中比较其他选择

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",
    "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",
    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",
  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",
    "input": "Hello!"
  }'
python (OpenAI SDK)
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",
    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

目录 v83 · 无单独的长上下文价格档

目录核验日期
提示缓存 · 不参与对比
读取 $0.20

usage.cost = prompt_tokens × $0.60/1M + completion_tokens × $2.20/1M

/pricing.json

按基础价格计算;缓存的提示 token 按上方缓存价格计费。

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 —— 默认直接作答。

GLM 5.3

充值翻倍试用 GLM 5.3 —— 最高赠送 $50 额度

获取 API Key

$0.60 / $2.20每 1M token 输入 / 输出

试用获取 API Key