来源：光子星球

就在今天凌晨，智谱的GLM-5.3-Flash模型正式上线并开源。

此前一周，它以Ox-Alpha的匿名身份在OpenCode和OpenRouter上公测，并迅速登顶双平台调用量榜首。社区赋予它中文名“牛来”，既呼应“牛市”寓意，也暗合Ox（公牛）的本义。

定价方面，GLM-5.3-Flash标价为GLM-5.3的1/10，限时优惠期内仅为1/20。按每百万token计，输入0.075美元，输出0.25美元。相比之下，DeepSeek-V4-Flash的最低输入价为0.22美元，输出0.66美元。GLM的输入成本便宜近3倍，输出便宜2.6倍。而与其性能同级的Claude Opus 4.8，定价则为GLM的40倍。

我们花费整整一晚，将模型接入真实开发环境，用一套面向实际工作流的测试方案进行实测。结论明确：原生多模态能力显著提升前端开发效率，Agent稳定性超出预期，但复杂3D场景仍存在瓶颈。

一、这头“牛”到底什么来头？

GLM-5.3-Flash属于GLM-5系列，是首个原生多模态模型。总参数量为320B，但每次推理仅激活18B（约180亿）参数，采用稀疏激活架构，在保持高性能的同时大幅降低计算成本。

关键规格：

上下文长度：1M token，可处理长篇文档、整部代码库或长时间视频；多模态能力：视觉编码器与语言模型深度耦合，能直接“看见”图像、截图、渲染结果，并基于视觉反馈修正代码；接口兼容：提供OpenAI格式API，可无缝接入各类Agent框架和工具链。

官方在Artificial Analysis Intelligence Index（AA 综合智能指数）中给出57分，与Claude Opus 4.8持平。在Terminal-Bench 2.1和DeepSWE基准上分别取得84.3和63.4分，高于DeepSeek-V4-Flash的82.7和54.4。

不过社区存在一些质疑声音，认为部分任务仍稍逊于Opus 4.8。因为官方未公开完整benchmark报告，所以我们决定亲自验证。

二、纸上数据很漂亮，社区为何吵翻天？

我们摒弃传统的单轮问答测试，转而模拟真实工作场景中的多步骤、跨工具任务。所有测试均在API环境下进行，模型需自主调用工具、处理多格式输入、并根据中间结果迭代修正。

测试共6项，难度递进，覆盖从设计稿到代码、从视频到文稿、从算法优化到跨应用自动化、从3D场景到视觉纠错等多个维度。

（一）草图扔进去，网页直接跑起来

这里我上传了一张网络安全大数据平台的仪表盘图片，在仅输入一句“根据图片生成一个可交互网页”的情况下，让我们看看5.3-Flash会有什么样的表现。

差不多5分钟后我们拿到了运行结果：除了部分UI一些细微的差别，在设计上的观感可以说是一模一样了，我们本以为这种看起来交互复杂的页面，还需人工再调整几次，但没想到一次就输出了不错的效果。

在原生多模态的“看图编程”方面，GLM-5.3-Flash确实可以将原型设计到初稿状态，同时其代码周期压缩到了令人难以置信的地步。

（二）5分钟的纪录片，文案精华搞定

接下来要测试视频理解能力，这里由于测试平台以及时间上限制，我们只选取了一个五分钟的纪录片作为素材，要求模型提取视频核心论点、关键数据和视觉元素，最后按“问题-论证-结论”的叙事结构重组，输出文案文稿。

测试结果显示，GLM-5.3-Flash生成的摘要并非简单截取字幕，而是将分散在不同时间点的三个实验案例串联成一个逻辑链条，这展示了它跨段落的语义理解和内容重构能力。

处理总耗时约8分钟，时间主要消耗在视频解码和逐帧分析上。输出结果也不是干巴巴的文案提取，GLM-5.3-Flash展现了自身的思考和对视频的解读能力，每个步骤在逻辑上也站得住脚。

（三）代码慢成蜗牛？它直接给你三套优化方案

接下来我们将测试的目光转向算法工程领域。我们提供了一段经典的斐波那契数列计算代码（纯递归实现，输入n=40时耗时约12秒），并附上一句指令：“分析这段代码的性能瓶颈，提供优化方案，生成改进后的代码，并对比执行时间。”

让我们意外的是这次处理问题时间仅花费了35分钟，模型首先给出了详细的性能分析：递归版本存在大量重复计算，时间复杂度为O(2^n)，调用栈深度过大。随后它主动提出了三种优化策略——记忆化递归（缓存中间结果）、迭代法（动态规划）、以及矩阵快速幂（适合大数）。

模型不仅生成了三种方案的Python代码，还主动编写了一个性能测试脚本，使用timeit模块分别测量各方案在n=40、n=100、n=1000下的运行时间。

我们执行了测试脚本，结果如下：递归版本在n=40时耗时11.8秒；记忆化递归仅需0.0003秒；迭代法耗时0.0003秒；矩阵快速幂在n=1000时仍能保持0.001秒以内。模型在输出中还附带了内存占用的对比分析和适用场景建议（如迭代法适合中等规模，矩阵法适合超大数值）。

更令人惊喜的是，模型主动指出原始代码中缺少输入校验，因此它在优化版本中增加了对负数及非整数输入的处理，并添加了详细的docstring和类型注解。

整体测试下来感觉GLM-5.3-Flash在代码理解、算法设计、性能工程和文档编写方面的综合能力，以及主动生成测试用例和多方案对比的行为，已经接近资深开发者的工作习惯。

（四）抓网页、做表格、写文案、生成卡片，一条龙

接下来的任务我们模拟真实的数字营销场景：为一个品牌制作竞品对比素材。我们随机在某手机测评平台挑选了四款竞品智能手表，详情页的本地网页中包含了图片、参数、评分，指令要求其生成对比表格，再撰写一段营销文案并输出朋友圈卡片HTML。

模型首先调用浏览器工具抓取页面，成功获取全部数据。

随后将产品信息整理成Markdown表格，并用加粗项标明了每个维度最强或者是最具差异化的卖点，这让人在众多数据中一眼就可以看到核心参数。

所生成的文案更像是种草文案，长度和语言风格都适合在朋友圈展示，而且也抓住了每个机型不同特点。

最后生成的卡片HTML采用1:1方形比例，GLM-5.3-Flash不仅提取了所有关键信息，而且整体卡片内容也很简洁。

上述测试从侧面看出GLM-5.3-Flash在结构化数据整理、文案创作、前端编码以及Agent闭环等能力都在逐步走向成熟。

（五）Three.js光点跑偏？它看了一眼截图就修好了

接下来的场景，我们想检验一下模型的3D生成能力，要求模型编写Three.js场景：旋转地球，在纽约、伦敦、东京、北京标注发光粒子并带有呼吸灯动画。遗憾的是，在首次生成代码运行后，页面没有出现任何画面，直接宣告失败。

于是，我们马上将运行结果反馈给模型。模型通过查看代码，虽然发现了问题，开始着手修正，但是第二次运行结果再次失败。在这种情况下，我们不得不进行第三次修正，终于在10分钟后运行成功。

（六）Blender生成室内场景，翻车了但没完全翻

最后一项是难度最高的Blender脚本生成任务：创建包含桌子、两把椅子、发光台灯、真实材质和摄像机环绕动画的室内场景。模型生成的初版直接连渲染都失败了。

第三版模型调整了粗糙度和背光位置，但同时也导致整体材质以及模型出了问题，以上问题在第三轮反复出现，最终未达到可用标准。

尽管失败，但模型已能生成部分正确的几何体和材质，并基于视觉反馈进行局部调整。结果显示，其瓶颈在于多物理参数（尺寸、光照、动画曲线）的联合优化。

三、“牛”来了，但路还长

把六项测试摊开来看，这头“牛”的能力边界比一串benchmark分数更具体。

前端审美是这次最大的质变。从仪表盘复刻还原，到Three.js场景的精准落点，再到社交媒体卡片的版式设计，它已彻底告别“AI前端一眼假”的粗糙感。

算法与工程同样扎实，斐波那契优化中主动给出三套方案并自动测试，交付即上线。跨应用Agent闭环跑通，四个环节无缝衔接，是“能连续干活”的样子。

问题也存在。Blender场景两次连锁错误，都发生在已接近正确的领域，多物理参数联合优化仍是难点，但是强如Opus 4.8也有类似失误，目前尚无完美解法。

至于“值不值”，以本次表现，即便优惠结束恢复标价，它依然极具性价比。

同时考虑到其定价仅为同级模型的1/40，对于绝大多数实际开发场景：前端原型、算法开发、数据报告、自动化营销、教育演示，它已足够好用且足够便宜。智谱通过稀疏激活架构，在成本与性能之间找到了一个极具竞争力的平衡点。

“牛来”确实来了，它不贵，而且已经在多个真实任务中证明了自己。那些暂时无法跨越的高墙，留给下一个版本去冲击。以当前迭代速度，也许那一天不会遥远了。

（本文全部实测于GLM-5.3-Flash上线当日完成，环境为官方在线体验平台。）

特别声明：以上内容仅代表作者本人的观点或立场，不代表Hehson财经头条的观点或立场。如因作品内容、版权或其他问题需要与Hehson财经头条联系的，请于上述内容发布后的30天内进行。