Zhipu GLM-5.3-FlashX belooft 200 tokens per seconde

Zhipu AI positioneert GLM-5.3-FlashX als een snellere, gehoste inferentievariant van GLM-5.3-Flash — niet als een afzonderlijk getraind basismodel. De dienst werd op 18 september 2026 gelanceerd en Zhipu claimt een piek van maximaal 200 tokens per seconde. De API zou live zijn onder de model-ID glm-5.3-flashx. 1012

FlashX: een servinglaag, geen nieuw model

Het onderscheid is relevant voor ontwikkelaars die prijs, snelheid en zelf-hosting tegen elkaar afwegen:

• GLM-5.3-Flash is het onderliggende open model, uitgebracht op 26 augustus 2026. 4
• GLM-5.3-FlashX is de high-speed servingvariant binnen diezelfde modelfamilie. 35
• De FlashX-API is beschikbaar als glm-5.3-flashx; volgens aankondigingsberichtgeving is de dienst ook toegankelijk via het experience center van Zhipu. 910
• De standaardversie GLM-5.3-Flash is volgens de ontwikkelaarsdocumentatie van Z.ai beschikbaar via het GLM Coding Plan. 1

Een bericht stelt dat FlashX eerder voor internationale ontwikkelaars beschikbaar was onder de naam Ox Alpha. Die naamsgeschiedenis wordt niet bevestigd in de meegeleverde primaire documentatie van Z.ai en moet daarom als gerapporteerde informatie worden gezien, niet als officieel vastgestelde productgeschiedenis. 10

Wat zit er onder de motorkap van GLM-5.3-Flash?

Z.ai omschrijft GLM-5.3-Flash en FlashX als de eerste native multimodale modellen in de GLM-5-serie. Het basismodel kan tekst, afbeeldingen, video en bestanden verwerken en genereert tekst. 1

De gepubliceerde specificaties van GLM-5.3-Flash zijn:

• 320 miljard parameters in totaal;
• ongeveer 18 miljard actieve parameters per token;
• een contextvenster van 1 miljoen tokens;
• een mixture-of-experts-architectuur met een combinatie van sparse en linear attention. 14

Volgens Z.ai verlaagt dit aandachtmechanisme de rekenbelasting voor attention met 3,01× en het gebruik van de KV-cache met 4,44× ten opzichte van GLM-5.3. Dat zijn claims van de leverancier, maar ze helpen verklaren waarom Flash wordt neergezet als een model voor lange contexten met lagere servingkosten. 1

De claim van 200 tokens per seconde

Zhipu zegt dat FlashX tot 200 tokens per seconde kan genereren. In de berichtgeving wordt dat neergezet als vijf keer de snelheid van de bestaande GLM-5.3-Flash-dienst. 1216

Het bedrijf koppelt die prestatie aan inferentiecapaciteit op basis van ongeveer 100.000 in eigen land geproduceerde accelerators, aangevuld met investeringen in infrastructuur en optimalisaties voor inferentie. 910

Daarbij is een belangrijke nuance nodig: 200 tokens per seconde is een geclaimde pieksnelheid van een specifieke gehoste implementatie. Het is geen inherente snelheid die elke organisatie automatisch haalt wanneer zij het open Flash-model zelf draait.

De feitelijke prestaties hangen onder meer af van:

• lengte van prompt en gegenereerd antwoord;
• grootte van het gebruikte contextvenster;
• verwerking van beeld, video of bestanden;
• decodeerinstellingen;
• batching en gelijktijdige aanvragen;
• caching, wachtrijen en gewenste latency.

Een rapport noemt een op GLM-5.3 gebaseerde Infra Agent die hielp bij het optimaliseren van de servingstack. De beschikbare publieke informatie is echter onvoldoende om onafhankelijk vast te stellen welke concrete knelpunten, kernelpatches, aanpassingen aan de stack of efficiencywinsten daarbij hoorden. 15

Sneller, maar ook duurder

De hogere snelheid komt volgens de berichtgeving met een hogere prijs: FlashX kost 2,5 keer zoveel als de standaardversie van Flash. 1216

Voor toepassingen waarin generatielatency direct doorwerkt in gebruikersbehoud, doorlooptijd van AI-agents of benodigde clustercapaciteit, kan die meerprijs verdedigbaar zijn. Voor batchtaken — of voor workflows waarin lange prompts, tool calls of externe systemen de bottleneck zijn — kan de standaardtier economisch aantrekkelijker blijven.

Zo toets je FlashX op je eigen workload

Behandel de lanceringcijfers als een vertrekpunt, niet als een garantie. Een praktijkproef met representatieve verzoeken zou minimaal moeten meten:

• tijd tot de eerste token en duurzame output in tokens per seconde;
• p50- en p95-latency bij de beoogde gelijktijdigheid;
• fout- en time-outratio's;
• throughput bij realistische promptlengtes, antwoordlengtes en multimodale invoer;
• cachegedrag en wachtrijen onder belasting;
• effectieve kosten per succesvol afgeronde taak, niet alleen kosten per token.

Dat is vooral van belang voor systemen met lange contexten of AI-agents. Een hoge piek bij het decoderen kan relevant zijn, maar vertelt niet het hele verhaal over retrieval, toolgebruik, bestandsverwerking, retries en druk verkeer.

Conclusie

GLM-5.3-FlashX is het best te begrijpen als Zhipu's snellere, premium gehoste uitvoering van het open GLM-5.3-Flash-model. De publieke claim is helder: maximaal 200 tokens per seconde op infrastructuur rond circa 100.000 binnenlands geproduceerde accelerators. De beschikbare bronnen geven echter niet genoeg technische details om de onderliggende infrastructuur- of efficiencyclaims zelfstandig te verifiëren. 91015

Voor operators draait de keuze daarom niet alleen om de headline-snelheid. De kernvraag is of FlashX voor het eigen verkeer voldoende end-to-end-latency of capaciteit oplevert om de hogere prijs te rechtvaardigen. 12