Z.ai a confirmé le 26 août 2026 que le mystérieux modèle Ox Alpha, apparu anonymement sur OpenCode et OpenRouter six jours plus tôt, était en réalité le GLM-5.3-Flash, premier modèle nativement multimodal de la série GLM-5, désormais disponible en poids ouverts sous licence MIT sur HuggingFace.
Pendant une semaine entière, des développeurs ont disséqué le tokenizer, lancé des analyses de compression, remonté la piste jusqu’à la famille GLM du groupe Zhipu… sans qu’aucun nom officiel ne soit jamais apposé. Le modèle, gratuit, doté d’une fenêtre de contexte d’un million de tokens et capable d’ingérer texte, images et vidéo, est devenu en quelques jours le plus populaire de la semaine sur OpenRouter. Et tout ce trafic tournait sur des puces chinoises, et non sur du matériel NVIDIA.
320 milliards de paramètres au total, 18 milliards activés par token, 45 couches (contre 92 pour le GLM-4.5). La fiche technique du GLM-5.3-Flash raconte une obsession architecturale pour l’inférence bon marché. Z.ai a volontairement sacrifié profondeur et largeur au profit d’une forme facile à servir, puis a compensé par un corpus d’entraînement multimodal de 30 000 milliards de tokens et une innovation baptisée Manifold-Constrained Hyper-Connections (mHC) censée muscler l’efficacité de mise à l’échelle. Le résultat, selon les benchmarks publiés par l’éditeur, tutoie les performances de Claude Opus 4.8 en codage tout en coûtant environ un dixième du prix de son grand frère GLM-5.3.
L’architecture hybride qui mêle attention sparse et attention linéaire constitue sans doute la brique la plus ambitieuse du projet. L’attention linéaire modélise les dépendances locales via un mécanisme d’état, tandis que l’attention sparse va chercher le contexte global pertinent à travers un indexeur léger. Pour dompter la latence à un million de tokens, Z.ai a introduit IndexPool, qui compresse quatre vecteurs-clés d’indexation en un seul par pooling pondéré. La facture comparée avec le GLM-5.3 plein format donne le vertige : calcul d’attention divisé par 3, taille du KV cache réduite d’un facteur 4,4. Sur le premier critère, GLM-5.3-Flash affiche la consommation la plus basse du lot face à DeepSeek-V4-Flash et Kimi-K3, même si son cache reste légèrement plus volumineux que celui de ces deux rivaux.
A lire également
Les chiffres de performance avancés par Z.ai sur six benchmarks de codage et d’agents autonomes montrent une progression franche par rapport au GLM-5.2, notamment 63,4 contre 46,2 sur DeepSWE v1.1 et 48,8 contre 26,2 sur AutomationBench (où le modèle devance même GPT-5.6 Terra et Claude Opus 4.8). Sur le propre banc d’essai de l’entreprise (Z.ai Code Bench v1.0, exécuté dans Claude Code 2.1.207), le GLM-5.3-Flash atteint 29,0 à effort maximal contre 29,5 pour Opus 4.8. La vision, elle, brille sur l’analyse de documents et de graphiques (62,4 sur OfficeQA Pro, loin devant les 48,9 d’Opus 4.8 et les 57,9 de DeepSeek-V4-Vision-Exp) mais fléchit franchement sur la compréhension vidéo brute, avec un score de 53,4 sur BabyVision face aux 70,9 de Gemini 3.7 Flash. Il faut évidemment garder à l’esprit que ces résultats sont exclusivement ceux du constructeur, aucune vérification indépendante n’ayant encore été publiée.
La capacité multimodale native ouvre un champ que les modèles texte pur ne pouvaient pas couvrir, celui du codage visuel en boucle fermée. Quand un LLM génère du code frontend, les bugs les plus traîtres sont visuels, un composant désaligné, un layout cassé, une interaction qui ne plante qu’au rendu. GLM-5.3-Flash a été entraîné avec des pipelines de synthèse de données fondés sur le jugement visuel autonome, où le modèle interagit avec un environnement, inspecte sa propre sortie rendue et la corrige itérativement. L’apprentissage par renforcement avec retour d’environnement et la vérification par agent ancré dans des flux utilisateur réels prolongent cette logique jusqu’au développement 3D dans Blender et à l’automatisation de navigateurs web.
L’infrastructure de service déployée pendant la semaine Ox Alpha nous donne aussi des enseignement techniques. Z.ai a fait tourner l’intégralité du trafic sur un cluster de puces d’IA chinoises, contraintes en mémoire et en bande passante. La société a ensuite construit un moteur d’inférence dédié sur SGLang avec quantification W8A8, cache hybride INT8/FP8/BF16, architecture désagrégée Encode-Prefill-Decode ainsi qu’un agent d’infrastructure propulsé par GLM-5.3 qui a aidé les ingénieurs à développer des noyaux de calcul et à diagnostiquer les goulets d’étranglement. Le modèle a optimisé lui même le système qui le sert… Le gain annoncé atteint un facteur 3 en performance de bout en bout par rapport à la ligne de base initiale, avec un coût par token décrit comme comparable à celui des GPU NVIDIA grand public.
Côté tarification, GLM-5.3-Flash s’affiche à 0,15 dollar par million de tokens en entrée et 0,50 dollar en sortie (0,03 dollar pour l’entrée en cache), soit environ dix fois moins que GLM-5.3 standard facturé 1,40/4,40 dollars. Le GLM Coding Plan offre un quota trois fois supérieur à celui du modèle précédent au même tarif, et la consommation hors heures de pointe (week-ends compris) ne pèse que 50 % des points standard. Les poids sont téléchargeables sur HuggingFace sous l’identifiant zai-org/GLM-5.3-Flash, compatibles SGLang, vLLM et TokenSpeed.
Un modèle open source à licence MIT de cette envergure, multimodal natif, avec un contexte d’un million de tokens et des performances de codage qui frôlent celles des modèles fermés les plus chers, impose à chaque fournisseur d’API de justifier ses prix. Z.ai affirme déjà que les leçons tirées du GLM-5.3-Flash alimentent son prochain modèle frontière… et vu la cadence de publication du groupe Zhipu depuis un an, le prochain coup de théâtre pourrait bien arriver avant que quiconque ait fini d’évaluer celui-ci.
