数据来源非线智能Nonelinear 非线智能团队，维护着GitHub上的开源项目 chinese-llm-benchmark，目前 6,000+ Stars，长期占据中文LLM商业评测类项目Star数第一

github （非线智能）官网正文：

智谱AI新发布GLM-5.3。官方博客给出的核心定位很明确：GLM-5.3沿用GLM-5.2的基座模型，主要增量来自后训练扩展，重点面向复杂coding、长程任务和网络安全能力。本次我们对其API版本glm-5.3进行ReLE评测，观察其在中文综合任务中的准确率、响应时间、token消耗和调用花费等表现。

需要说明的是，本次ReLE评测侧重中文场景下的综合能力考察，覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用以及coding八个板块。

glm-5.3版本表现：

  • 测试题数：约1.5万
  • 总分（准确率）：75.2%
  • 平均耗时（每次调用）：154s
  • 平均token（每次调用消耗的token）：4981
  • 平均花费（每千次调用的人民币花费）：134.9

1、新旧对决

对比上一代参照模型glm-5.2，glm-5.3的变化并不是简单的全维度上升：总分和排名继续上移，语言指令、推理数学、医疗和金融改善明显；但agent工具调用、coding、法律和教育出现回调，同时平均耗时、token消耗和调用花费继续增加。数据如下：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】智谱AI GLM-5.3 实测：总分挺进前十，聚焦复杂编码与长程任务的“新平衡”引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】智谱AI GLM-5.3 实测：总分挺进前十，聚焦复杂编码与长程任务的“新平衡”

*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

*输出价格单位： 元/百万token

  • 总分进入前十：glm-5.3总分为75.2%，相比glm-5.2的73.0%提升2.2个百分点，排名从第19位升至第9位。
  • 语言指令提升最大：语言与指令遵从从64.8%提升至75.0%，提升10.2个百分点，是所有分项中变化最大的一项。这说明新版本在中文指令理解、格式约束和任务遵循上有较清楚改善。
  • 推理数学和专业领域上升：推理与数学计算从78.0%提升至84.5%（+6.5个百分点），医疗与心理健康从83.7%提升至89.5%（+5.8个百分点），金融从79.0%提升至84.0%（+5.0个百分点）。这些分项共同拉动了总分上移。
  • 部分维度出现回调：agent与工具调用从71.6%降至65.7%（-5.9个百分点），法律与行政公务从86.7%降至84.3%（-2.4个百分点），coding从68.7%降至67.3%（-1.4个百分点），教育从63.3%降至62.6%（-0.7个百分点）。这与官方长程coding/agentic基准形成口径差异，后文会继续展开。
  • 响应时间明显变长：平均耗时从93s增加至154s，增加61s，约为上一代的1.66倍。GLM-5.3在中文综合准确率上提升，但端到端响应速度变慢。
  • Token与花费同步增加：平均token从4109增至4981，增加约21%；输出价格维持28.0元/百万token不变，每千次调用花费从110.5元升至134.9元，增加24.4元，约22%。

2、横向对比

在当前主流大模型竞争格局中，glm-5.3作为智谱AI官方定位为拟开放权重的新一代旗舰，表现如何？我们从三个维度进行横向对比分析：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】智谱AI GLM-5.3 实测：总分挺进前十，聚焦复杂编码与长程任务的“新平衡”
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

同成本档位对比

  • 约110至160元区间的中高位模型：glm-5.3（75.2%，134.9元）所在成本区间内，重点可比对象包括qwen3.6-max-preview（75.4%，139.2元）、gpt-5.5（75.3%，158.5元）、gemini-3.5-flash（73.9%，151.2元）、doubao-seed-2-1-turbo-260628（73.0%，136.3元）、gpt-5.4-high（72.6%，122.3元）、grok-4.5（70.0%，125.7元）和grok-4.6（69.7%，118.4元）。在这一组里，glm-5.3的中文综合总分仅略低于qwen3.6-max-preview和gpt-5.5。
  • 速度不是优势：glm-5.3平均耗时154s，慢于qwen3.6-max-preview（80s）、gpt-5.5（15s）、gemini-3.5-flash（13s）、gpt-5.4-high（24s）、grok-4.5（92s）和grok-4.6（144s），但快于doubao-seed-2-1-turbo-260628（218s）。
  • 向下看低成本替代方案：deepseek-v4-pro（74.9%，94.1元）是更接近GLM-5.3总分的低花费参照；qwen3.7-plus（73.5%，31.7元）、qwen3.5-plus（73.3%，22.9元）、Doubao-Seed-2.0-pro（72.8%，22.5元）、kimi-k2.7-code（72.6%，49.7元）等模型花费也更低，但总分低约1.7至2.6个百分点。对于花费敏感的大规模中文调用，这些模型仍值得纳入候选；对于更看重拟开放权重、复杂工程任务和后训练生态的场景，GLM-5.3需要结合官方长程任务能力一起评估。

新旧模型对比

  • 智谱产品线继续上移：glm-5.3（75.2%，第9位）相比glm-5.2（73.0%，第19位）提升2.2个百分点，排名提升10位；相比GLM-5.1（70.7%，第32位）提升4.5个百分点；相比GLM-5（69.0%，第41位）提升6.2个百分点。智谱AI在ReLE中文综合榜单中的位置继续前移。
  • 能力结构发生再平衡：GLM-5.2相对GLM-5.1的核心变化是coding补强；GLM-5.3相对GLM-5.2则更偏语言指令、推理数学、医疗和金融提升。与此同时，ReLE中的agent工具调用和coding出现回调。
  • 智谱模型矩阵位置：当前榜单中，glm-5.3位于glm-5.2、GLM-5.1、GLM-5-Turbo、GLM-5和GLM-4.7之前，承担智谱体系内更高准确率、更高花费的旗舰位置；旧版和Turbo系列仍更适合更低花费或更轻量的调用场景。

开源/商用对比

  • 按ReLE类别划分的开源前排：在当前榜单中，ReLE归入开源类别的模型里只有kimi-k3（75.6%，172.4元）高于glm-5.3（75.2%，134.9元）。GLM-5.3高于deepseek-v4-pro（74.9%，94.1元）、qwen3.5-plus（73.3%，22.9元）、glm-5.2（73.0%，110.5元）、kimi-k2.6（72.9%，100.4元）、kimi-k2.7-code（72.6%，49.7元）等开源模型。需要注意的是，官方博客称GLM-5.3权重仍待开放。
  • 与商用头部仍有差距：qwen3.7-max（76.9%，99元）、claude-opus-5（76.8%，168.8元）、doubao-seed-evolving（75.5%，304.7元）、gemini-3.7-flash（75.4%，27.8元）、qwen3.6-max-preview（75.4%，139.2元）、qwen3.8-max（75.4%，107.3元）和gpt-5.5（75.3%，158.5元）仍在glm-5.3之前。不过，GLM-5.3也高于多款商用类别模型，包括doubao-seed-2-1-pro-260628（74.8%，313.2元）、claude-opus-4.8-thinking（74.7%，238.2元）和gpt-5.6-sol-pro（74.4%，398.7元），并与gemini-3.1-pro-preview（75.2%，250.5元）同分但表中排位更靠前。

3、官方评测

根据智谱AI官方博客（https://z.ai/blog/glm-5.3），官方强调，GLM-5.3与GLM-5.2使用同一基座模型，主要通过后训练扩展获得提升；核心方向包括复杂coding、长程任务、网络安全能力，以及基于slime的长程RL训练体系。

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】智谱AI GLM-5.3 实测：总分挺进前十，聚焦复杂编码与长程任务的“新平衡”

Coding与长程工程任务

  • Terminal Bench 3.0：GLM-5.3为28.3，高于GLM-5.2的4.6，也高于Kimi K3的17.4和Opus 4.8的21.1；但仍低于Fable 5的33.7和GPT-5.6 Sol的34.6。官方将其作为拟开放权重模型在复杂终端任务上的重要提升。
  • DeepSWE v1.1：GLM-5.3为66.9，高于GLM-5.2的46.2，也高于DeepSeek-V4 Pro-0813的62.7和Opus 4.8的58.0；但略低于Kimi K3的67.5，并低于GPT-5.6 Sol的72.7。
  • FrontierSWE：GLM-5.3为78.1，高于GLM-5.2的67.5和Opus 4.8的66.5，但低于Fable 5的88.2。SWE-Marathon v1.1上，GLM-5.3为42.5，高于GLM-5.2的19.4，与GPT-5.6 Sol同分。
  • PostTrainBench：GLM-5.3为39.8，高于GLM-5.2的31.7和GPT-5.6 Sol的36.2，但低于Fable 5的41.8。

Cyber能力与安全披露

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】智谱AI GLM-5.3 实测：总分挺进前十，聚焦复杂编码与长程任务的“新平衡”
  • CyberGym：GLM-5.3为84.5%，高于GLM-5.2的77.2%、DeepSeek-V4 Pro-0813的83.3%、Fable 5的83.8%和GPT-5.6 Sol的83.6%。这是官方表中GLM-5.3较突出的项目。
  • ExploitBench：GLM-5.3为54.4%，高于GLM-5.2的24.4%和Opus 4.8的40.0%，但低于Fable 5的78.0%和GPT-5.6 Sol的76.5%。
  • ExploitGym：GLM-5.3在2小时/6小时预算下完成105/130个任务，高于GLM-5.2的29/39和Opus 4.8的80/120，但低于Fable 5的181/247和GPT-5.6 Sol的216/293。

官方还披露，自GLM-5.2以来，团队与多家中国安全团队合作，在真实代码库中识别出2436个漏洞，涉及269个项目，其中1097个为高危及严重级别问题；截至博客发布时，53个已公开披露，2383个仍处于披露流程中。

Agentic任务与知识工作

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】智谱AI GLM-5.3 实测：总分挺进前十，聚焦复杂编码与长程任务的“新平衡”
  • AutomationBench v1.0.6：GLM-5.3为48.2，高于GLM-5.2的26.2，也高于Kimi K3的46.7和GPT-5.6 Sol的45.8。
  • Agents' Last Exam（ALE-CLI）：GLM-5.3为28.5，高于GLM-5.2的23.8和Kimi K3的27.6，略低于GPT-5.6 Sol的28.6。
  • HLE w/ Tools：GLM-5.3为62.5，高于GLM-5.2的54.7和Kimi K3的59.8，但低于Fable 5的63.9和GPT-5.6 Sol的64.5。
  • GDPval-AA v2：GLM-5.3为1769，高于GLM-5.2的1508、Qwen3.8-Max的1739、Fable 5的1743和GPT-5.6 Sol的1730。


我们非线智能官网 https://nonelinear.com/static/models.html 已上线glm-5.3，支持一键接入（附接入代码），添加客服 发送 体验金，可享20-50元首充奖励，欢迎对比体验。

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】智谱AI GLM-5.3 实测：总分挺进前十，聚焦复杂编码与长程任务的“新平衡”

快速接入代码如下：

from openai import OpenAI


client = OpenAI(
    base_url="https://api.nonlinear.com/v1",
    api_key="YOUR_API_KEY",
)


response = client.chat.completions.create(
    model="glm-5.3",
    messages=[
        {"role": "user", "content": "分析一个复杂代码仓库的重构风险，并给出分阶段执行计划"}
    ],
)


print(response.choices[0].message.content)