GLM系列最新:Nano三款匿名模型跑分曝光与API选型指南
GLM Nano三款匿名模型跑分曝光:Pro/Med/Small成绩59.4%/57.1%/54.0%。开发者如何验证API能力、设计模型路由,并在GLM-5.3/Flash与多模型间选型。

GLM 系列可能正在酝酿新的产品布局。
2026 年 11 月 13 日,AI 开发者社区流传出一张 KingBench 模型评测榜单截图。三款模型的名称被打码,但对应成绩分别达到 59.4%、57.1% 和 54.0%。由于截图中仍然保留了部分字形轮廓,有开发者尝试通过字体结构、字符比例和模糊区域进行反向识别,认为这三款匿名模型可能属于 GLM Nano 系列。按照社区还原结果,三个名称分别为 GLM Nano Pro、GLM Nano Med 和 GLM Nano Small。
如果这一判断最终得到证实,意味着 GLM 的产品体系可能出现新的变化:在旗舰模型之外,进一步探索不同能力档位的模型,以适应代码开发、日常推理和高频 API 调用等不同任务。
不过,截至 2026 年 11 月 13 日,智谱尚未正式公布 GLM Nano 系列的产品公告、模型卡和 API 接口。当前名称及分数仍属于社区推测,不能作为正式发布信息。
相比单纯讨论三款匿名模型是否超过其他旗舰产品,这次消息还有一个更值得开发者关注的方向:如果 GLM 未来推出不同规模或能力档位的模型,企业应该如何选择 GLM API,怎样在模型质量、调用延迟和成本之间找到平衡?
本文结合 GLM 已公开的模型进展、官方技术资料和社区流传的榜单信息,分析 GLM 产品体系的变化,以及不同模型在实际 API 应用中的选择方法。
一、GLM Nano 三款匿名模型曝光,社区还原成绩分别是多少?
这次讨论的起点,是 KingBench 榜单中三款模型的匿名成绩。根据流传的截图,三个模型的名称区域被模糊处理,但右侧的分数仍然可以辨认。社区根据字符轮廓和榜单进度条,给出了以下还原结果:
表格
| 匿名模型 | 社区推测名称 | 推算成绩 |
|---|---|---|
| 模型 A | GLM Nano Pro | 59.4% |
| 模型 B | GLM Nano Med | 57.1% |
| 模型 C | GLM Nano Small | 54.0% |
三个分数呈现出比较明显的梯度:Pro 版本达到 59.4%,Med 版本为 57.1%,Small 版本为 54.0%。从结果上看,三款匿名模型之间存在一定差距;如果模型名称还原准确,可能意味着 GLM 正在测试不同能力档位的模型。
但目前需要明确三个问题:首先,模型名称并未获得官方确认;其次,榜单截图没有提供完整的原始测试记录;最后,三个成绩并不能直接说明模型参数规模、推理速度和 API 成本。因此,本文将 GLM Nano Pro、GLM Nano Med 和 GLM Nano Small 作为社区推测名称使用,不将其描述为已经正式发布的产品。
1. 59.4%、57.1% 和 54.0% 是如何计算的?
根据流传的榜单还原材料,这次测试采用六项任务、总分 60 分的计分方式。社区结合进度条长度和模糊分数字符,推算出三个模型的原始得分。
GLM Nano Pro:
估计原始得分为 35.65/60。
换算为百分比:
35.65 ÷ 60 × 100% ≈ 59.42%
四舍五入后为 59.4%。
GLM Nano Med:
估计原始得分为 34.25/60。
换算为百分比:
34.25 ÷ 60 × 100% ≈ 57.08%
四舍五入后为 57.1%。
GLM Nano Small:
估计原始得分为 32.4/60。
换算为百分比:
32.4 ÷ 60 × 100% = 54.0%。
从数学关系来看,这三个结果能够与截图中的显示分数对应。但原始得分本身也是通过模糊截图反推得到的,并不是公开的完整评测记录。因此,59.4%、57.1% 和 54.0% 应当理解为社区推算值,而不是经过独立复核的官方 Benchmark 成绩。
2. 三款模型的成绩意味着什么?
如果后续能够确认这三个模型确实属于 GLM Nano 系列,那么值得进一步研究的是不同版本之间的能力分布。例如,Pro 可能面向复杂任务,Med 可能承担常规推理,Small 则可能针对简单、高频请求进行优化。但目前没有公开资料能够证明这种分工。
开发者也不能仅凭 Pro、Med、Small 这些名称,就推断它们对应具体参数规模或推理预算。更合理的判断方式,是等待官方公布模型规格,再结合实际 API 测试比较不同版本的表现。
二、从 GLM-5.3 到 GLM-5.3-Flash,智谱已经形成怎样的模型布局?
在讨论 GLM Nano 之前,有必要先看 GLM 已经公开的产品体系。
截至 2026 年 11 月 13 日,公开列出的近期模型包括 GLM-5.3、GLM-5.3-Flash、GLM-5.2 和 GLM-5.1 等。其中,GLM-5.3 和 GLM-5.3-Flash 是当前值得关注的两个方向。
1. GLM-5.3:侧重复杂编程与长程任务
2026 年 8 月 14 日,智谱正式发布 GLM-5.3。官方介绍显示,GLM-5.3 与 GLM-5.2 使用相同的基础模型,此次能力提升主要来自后训练阶段的改进。
根据官方公布的数据,GLM-5.3 在内部 Code Bench 上相较 GLM-5.2 提升了 50%,并在 Terminal Bench 3.0 和 Agents' Last Exam 等公开评测中取得较好的表现。这一变化说明,模型能力提升并不一定需要完全重新设计基础架构;高质量训练数据、强化学习和长程任务环境,也会对最终表现产生重要影响。
对于开发者而言,GLM-5.3 的价值主要体现在复杂代码分析、跨文件修改和多步骤工程任务等场景。如果企业正在开发代码助手或研发自动化系统,可以将其纳入复杂任务的模型候选。
2. GLM-5.3-Flash:将重点放在推理效率与多模态能力
2026 年 8 月 26 日,智谱发布 GLM-5.3-Flash。官方公布的模型参数为:
表格
| 技术指标 | GLM-5.3-Flash |
|---|---|
| 总参数量 | 320B |
| 激活参数量 | 18B |
| Transformer 层数 | 45 |
| 多模态预训练语料 | 30T Token |
| 上下文长度 | 最高 1M Token |
| 模型架构 | 混合稀疏注意力与线性注意力 |
GLM-5.3-Flash 采用 MoE 架构,每次推理只激活部分专家参数。与 GLM-5.3 相比,官方公布的架构对比中,Flash 的注意力计算量约降低 3 倍,KV Cache 规模约缩小至原来的 1/4.4。这些优化主要针对长上下文推理中的计算和显存开销。
它并不意味着完整模型只需要 18B 参数对应的显存即可部署;总参数量仍然是部署时必须考虑的因素。
另外,GLM-5.3-Flash 是 GLM-5 系列中首个原生多模态模型,能够处理文本、图片和视频等输入。这让它不仅可以用于文本问答,还可以参与视觉分析、办公资料处理和需要环境反馈的 Agent 任务。
3. 两款模型的定位有什么区别?
可以从任务类型理解:
表格
| 任务类型 | GLM-5.3 | GLM-5.3-Flash |
|---|---|---|
| 复杂代码分析 | 重点方向 | 可作为候选 |
| 长程工程任务 | 重点方向 | 需要实测 |
| 高频文本处理 | 可以使用 | 可重点评估 |
| 多模态输入 | 需核对具体能力 | 原生支持 |
| 成本与效率优化 | 按实际用量评估 | 官方重点优化方向 |
这并不是说 Flash 在所有任务中都更快或更便宜,而是两个模型的架构设计重点有所不同。对于 API 使用者来说,最重要的是根据实际任务测试模型,而不是仅根据模型名称选择。
三、GLM Nano 的出现,是否意味着智谱正在探索轻量模型市场?
目前还没有足够证据证明 GLM Nano 系列已经正式存在。但从整个大模型行业的发展来看,轻量化模型确实有明确的应用需求。
过去,企业接入大模型时,往往直接选择一个旗舰模型处理所有请求。这种方式比较简单,却可能造成资源浪费。例如,一个企业客服系统每天接收大量请求,其中既有复杂业务咨询,也有简单的订单状态分类、文本归档和字段提取。如果每个请求都交给复杂推理模型,可能会增加调用成本和响应时间。更合理的做法,是根据任务难度分配模型。
1. 轻量模型可以承担高频、低复杂度任务
例如:
- 意图识别。
- 文本分类。
- 关键词提取。
- 简单信息转换。
- 标准 JSON 生成。
- 常见问题初步分流。
这些任务通常有相对明确的输入和输出结构。如果轻量模型能够满足准确率要求,就可以减少旗舰模型处理简单任务的比例。
2. 中间能力档位适合常规业务推理
部分任务虽然不复杂,但需要结合上下文进行判断。例如,企业内部知识库检索后,需要模型整理多个资料片段并生成回答。这类任务可能不需要最高强度的推理,但对信息整合和输出稳定性有一定要求。如果未来存在 Med 这样的模型档位,可以通过测试判断其是否适合承担此类任务。
3. 旗舰模型仍然承担高复杂度任务
例如:
- 复杂代码重构。
- 多步骤推理。
- 长文档分析。
- 多工具协同。
- 高风险业务判断的辅助分析。
这些任务需要更强的上下文理解和问题处理能力。但需要注意,以上是对轻量模型产品形态的应用分析,并不是 GLM Nano 三款疑似模型已经确定的官方用途。
四、如果 GLM Nano 正式发布,开发者应该如何测试它的 API 能力?
模型榜单只能作为初步参考。真正接入生产系统之前,开发者需要测试模型在具体任务中的表现。建议先建立一套包含不同复杂度的 API 测试集。
1. 结构化输出测试
让模型根据不同格式的输入生成固定 JSON。例如:
{
"intent": "technical_support",
"priority": "high",
"category": "api_error",
"needs_human_review": true
}重点检查:
- JSON 是否能够正常解析。
- 字段是否缺失。
- 枚举值是否符合预设。
- 是否产生不存在的信息。
- 多次请求的结果是否稳定。
这类任务可以用来判断轻量模型是否适合承担高频业务请求。
2. 代码分析测试
准备一批真实的程序错误和代码片段,让模型识别异常类型并提供修复建议。可以重点测试:
- 语法错误识别。
- 边界条件判断。
- API 参数检查。
- 异常处理建议。
- 单元测试生成。
DeepSeek 可以作为代码推理对照模型,Gemini 可以根据具体版本参与多模态和复杂资料分析,Codex 则可以用于辅助修改代码和执行测试。需要注意,Codex 是编程工具,不是与 GLM、DeepSeek 完全相同类别的模型 API。
3. 多轮上下文测试
例如,第一轮提供用户需求,第二轮补充业务数据,第三轮要求模型根据之前的信息生成结果。测试模型能否准确保留关键字段,以及在上下文增长后是否出现信息遗漏。
4. API 性能测试
建议记录:
表格
| 指标 | 测试目的 |
|---|---|
| TTFT | 首 Token 响应速度 |
| Total Latency | 完整请求耗时 |
| Input Tokens | 输入消耗 |
| Output Tokens | 输出消耗 |
| Error Rate | 请求失败比例 |
| Retry Count | 重试次数 |
| Task Success Rate | 最终任务成功率 |
| Cost per Task | 单任务实际成本 |
只有将质量、速度和成本结合起来,才能判断不同模型是否适合实际业务。
五、GLM API 的选型重点正在从模型数量转向任务分配
当企业同时使用多个大模型时,最容易出现的问题是所有业务都依赖同一个模型。例如,一个 AI 助手可能需要处理:
- 用户意图识别。
- 技术问题分析。
- 文档检索。
- 代码生成。
- 最终回答整理。
如果全部交给旗舰模型处理,简单任务也会消耗较多推理资源。一种更合理的方式,是建立模型路由层。
用户请求
|
v
任务分类
|
+--------+--------+
| | |
v v v
简单任务 常规任务 复杂任务
| | |
v v v
轻量模型 通用模型 旗舰模型
| | |
+--------+--------+
|
v
结果校验
|
v
返回业务这套结构可以根据任务类型分配不同模型。但模型路由不能只依靠名称判断,还需要结合历史测试结果。例如,如果某个模型在 JSON 生成任务中表现稳定,可以将它用于高频结构化输出;如果另一个模型在复杂代码任务中表现更好,则可以将其分配到研发场景。
对于 GLM 系列,可以先使用已公开的 GLM-5.3 和 GLM-5.3-Flash 建立测试基线。如果 GLM Nano 后续正式开放,再将其作为新的候选型号加入测试,而不是提前在业务代码中写入未经确认的模型 ID。
六、GLM API 与 DeepSeek、Gemini 如何形成多模型协作?
企业不一定需要将所有任务绑定在同一个模型家族中,不同模型可以根据实际能力承担不同任务。例如,一个技术研究系统可以这样组织:
表格
| 模型或工具 | 可承担的任务 |
|---|---|
| GLM-5.3 | 复杂代码与长程任务分析 |
| GLM-5.3-Flash | 多模态处理和效率型推理 |
| DeepSeek | 文本推理、代码分析 |
| Gemini | 图像、视频及复杂多模态信息理解 |
| Codex | 工程代码修改和测试辅助 |
这里的安排是应用架构建议,不代表这些产品已经实现原生互通。在实际开发中,还需要为不同模型建立统一的请求参数层和结果处理层。例如,业务程序可以先定义统一任务:
task = {
"task_type": "code_review",
"model": "glm-5.3",
"input": {
"language": "python",
"code": "def calculate(a, b): return a / b"
}
}随后由模型适配层负责转换为具体 API 请求。当模型发生变化时,只需要修改配置和适配逻辑,不必在整个业务系统中搜索并替换大量模型名称。
七、GLM 系列 API 接入时,需要提前规划哪些问题?
对于已经使用 GLM 的开发者来说,模型版本增加后,最重要的是保证接入方式可维护。
官方 API 文档目前提供标准 HTTP 接口,并支持 Python、Java 和 Node.js 等开发环境。通用 API 地址为:
https://api.z.ai/api/paas/v4官方示例使用 Bearer Token 进行身份验证,并通过 Chat Completions 接口发送请求。例如,当前官方文档中提供的 GLM-5.3 调用结构如下:
from openai import OpenAI
client = OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.z.ai/api/paas/v4/"
)
response = client.chat.completions.create(
model="glm-5.3",
messages=[
{
"role": "user",
"content": "分析这段代码中的潜在边界问题。"
}
]
)
print(response.choices[0].message.content)这段代码展示的是官方 GLM-5.3 通用 API 调用方式,不是 GLM Nano 的调用示例。
在实际项目中,还应该关注以下内容:
第一,模型标识管理。 模型名称应当通过配置文件管理,避免在业务代码中大量写死。
第二,API Key 安全。 凭证应保存在服务端环境变量或密钥管理系统中,不能直接暴露在浏览器代码中。
第三,调用量统计。 应当记录每个模型的输入、输出 Token 和实际请求费用。
第四,模型版本切换。 新型号上线后,先通过测试环境验证,再逐步切换生产流量。
第五,接口兼容性。 不同模型可能在推理参数、工具调用和多模态输入方面存在差异,不能因为支持 OpenAI 兼容协议,就认为所有参数完全一致。
对于需要统一管理多种模型 API 的开发团队,可以通过 KoalaAPI 管理平台目前支持的模型接入入口,将模型配置与业务代码适当分离。但 GLM Nano 当前尚未获得官方确认,因此不能认为它已经开放 API 或已经进入任何第三方模型目录。具体可用型号仍应以正式模型列表为准。
八、3.8 天后就会发布 GLM Nano?这个推测有多少参考价值?
除了榜单成绩,社区还流传出一个关于正式发布时间的判断。
根据流传的材料,AICodeKing 从 GLM-4 时代开始,多次获得 GLM 系列模型的提前内测资格。社区根据五次内测经历统计,内测信息出现到模型正式上线的平均间隔约为 3.8 天。这个数字可以作为观察新模型动态的参考,但不能理解为正式发布时间。
主要原因有三个:首先,样本量只有五次,统计结果不足以证明未来发布周期具有稳定规律;其次,不同模型的发布流程可能不同,内部测试、模型评估、安全审查、服务部署和商业化准备都会影响发布时间;最后,内测用户获得模型权限的时间,不一定等于官方正式发布流程的起点。
因此,即使过去出现过相似的发布节奏,也不能推断 GLM Nano 一定会在接下来的 3.8 天内上线。
对于开发者而言,更可靠的跟踪渠道包括:
- 官方研究页面。
- GLM 官方模型仓库。
- 官方 API 文档。
- 官方模型目录。
- 官方产品更新公告。
只有这些渠道出现明确的型号、技术规格和 API 信息,才能将社区线索升级为正式发布消息。
九、GLM 系列接下来的发展,开发者应该关注什么?
如果把这次匿名榜单与 GLM 已公开的产品路线结合起来,可以重点关注四个方面。
- 模型是否会出现更明确的能力分层
如果 GLM Nano 最终发布,开发者需要观察 Pro、Med 和 Small 是否具有不同的参数规模、上下文能力和推理预算。
- 轻量模型是否会开放独立 API
如果未来提供不同档位的 API,模型选择就可能从单纯的旗舰模型调用,转向根据任务复杂度进行分配。
- GLM 是否继续强化 Agent 与多模态能力
GLM-5.3-Flash 已经展示了原生多模态能力,而官方 API 平台也提供 Function Calling、结构化输出、视觉理解、Web Search 和上下文缓存等能力。这些功能可以作为构建 AI 应用的基础,但具体可用范围仍然需要查看对应模型的接口文档。
- 模型效率能否转化为更低的实际任务成本
轻量化不等于一定便宜。如果模型需要更多次调用才能完成任务,实际成本可能并不低。因此,开发者应该比较单位有效任务成本,而不是只比较单次 Token 价格。
十、结语:GLM 的下一步,值得从模型能力与 API 生态两个方向观察
这次 KingBench 匿名榜单引发的讨论,让 GLM Nano 成为开发者关注的新关键词。按照社区还原结果,三款匿名模型的成绩分别为 59.4%、57.1% 和 54.0%。如果模型身份得到官方确认,这可能意味着 GLM 系列将进一步探索不同能力档位的模型产品。
但现阶段,GLM Nano 仍然缺少正式公告、模型卡和 API 接口信息。社区推测的名称、跑分和发布时间都需要保留验证空间。
相比等待新模型上线,开发者现在就可以做一些准备:使用 GLM-5.3 和 GLM-5.3-Flash 建立自己的任务测试集,记录模型响应速度、输出质量、Token 消耗和任务成功率。当新型号正式发布后,再将它加入相同的测试体系,判断它是否适合具体业务。
对于正在建设 AI 应用的企业来说,GLM 的价值不仅取决于旗舰模型能完成多复杂的任务,也取决于不同模型能否通过 API 形成合理分工。未来真正值得关注的,可能不是某一款模型在榜单上取得了多少分,而是它能否在真实业务中以合理的成本、稳定的质量和可维护的接口完成工作。
FAQ:GLM 系列与 GLM Nano 最新消息
1. GLM Nano 系列已经正式发布了吗?
截至 2026 年 11 月 13 日,尚未找到官方确认 GLM Nano Pro、Med 和 Small 的正式公告。目前名称来自社区对匿名榜单的识别。
2. GLM Nano 三款模型的成绩是多少?
社区根据流传截图还原的成绩分别为 59.4%、57.1% 和 54.0%。这些属于推算数据,并非经过独立验证的官方 Benchmark。
3. GLM Nano Pro 是否超过 Claude Opus 5.5?
目前社区有相关说法,但缺少完整测试集、推理配置和原始记录,不能将其视为已经证实的统一测试结论。
4. GLM-5.3 与 GLM-5.3-Flash 有什么区别?
GLM-5.3 更侧重复杂编程和长程任务;GLM-5.3-Flash 采用 320B 总参数、18B 激活参数的 MoE 架构,并结合稀疏与线性注意力,重点优化推理效率和原生多模态能力。
5. GLM Nano 是否已经支持 API 调用?
目前没有可验证的 GLM Nano Model ID、API Endpoint 或定价信息。开发者应等待官方开放后再进行接入。
6. GLM API 可以与 DeepSeek 和 Gemini 一起使用吗?
可以在开发者自行设计的多模型应用中分别调用不同模型,并通过统一任务路由分配工作。但各模型的接口、参数和权限需要独立适配。
7. 开发者应该如何选择 GLM 模型?
建议根据任务复杂度、输出质量、响应延迟、Token 消耗和实际成本进行测试。复杂推理与高频简单任务不一定需要使用同一型号。
新闻说明: GLM Nano Pro、GLM Nano Med、GLM Nano Small 的名称和成绩来自 2026 年 11 月 13 日社区流传的匿名榜单及截图还原。本文未将其认定为智谱官方发布产品。

