Databricks 在兩日內把 Z.ai 的 GLM 5.3 系列帶到企業環境，重點似乎不在於重新訓練或大幅改造模型，而是沿用現有的 Model Serving 及 Foundation Model API 基建，將模型包裝成 Databricks-hosted、按 token 收費的 endpoint。

GLM 5.3 Flash 於 2026 年 8 月 26 日列入 Databricks 託管模型；Databricks 其後表示，完整 GLM 5.3 於 8 月 28 日以 day-zero release 形式提供。314

現有資料沒有交代 Databricks 內部做了多少工程工作、模型轉換方法，或者實際部署時間表。可以確認的是，企業毋須先自行處理模型權重及推理基建，就能透過 Databricks workspace 使用模型。

Databricks 實際接入了甚麼？

要分清楚兩件事：Z.ai 負責開發模型，Databricks 負責企業級分發及存取。

在 Azure Databricks，GLM 5.3 Flash 可經 ADI Services 使用，endpoint 名稱為 databricks-glm-5-3-flash，支援文字及圖片輸入。同一個模型目錄亦列有 GLM 5.2、Moonshot AI 的 Kimi K3，以及 DeepSeek V4 Flash。5

Databricks 文件亦在 AWS 及 Google Cloud 的模型目錄列出 GLM 5.3 Flash。1718 文件所描述的使用方式，是透過客戶 Databricks workspace 內的 pay-per-token endpoint 存取，而不是直接呼叫 Z.ai API，或要求企業自行營運模型權重。5

換句話說，Databricks 加快的是由「模型發布」到「企業可測試」之間的流程：模型供應商一推出新模型，平台便可利用既有的存取、計費及權限管理層，快速將它納入企業工作流。

GLM 5.3 Flash：細一級，但仍然相當龐大

GLM 5.3 Flash 定位為較平價的版本，但規模並不算小，主要規格包括：

• 3,200 億總參數
• 每個 token 啟用 180 億參數
• Mixture-of-Experts（MoE）架構
• 原生多模態輸入，支援文字及圖片
• 1,048,576-token context window
• 針對推理、寫程式及 agent 工具使用作出最佳化 317

相關資料指模型以 MIT license 發布，對希望自行託管或使用 managed inference 的機構而言，權重相對容易取得。67 不過，寬鬆授權不代表企業可以跳過法律及安全審查，仍要核對完整 license 條文、衍生作品義務、供應鏈風險及採購規則。

Databricks 曾以內部 OfficeQA Pro v2 測試推廣 Flash，聲稱其質素比 GLM-5.2 高約 10%，成本則只有十分之一。這是 Databricks 的宣稱，並非本文所見證據中的獨立公開結果。13

Flash 價格取決於供應商

公開價格並不一致，原因是不同平台採用不同 rate card。其中一份公開價目表列出每 100 萬個 input tokens 收費 0.15 美元、output tokens 收費 0.50 美元。9 OpenRouter 的列表則顯示較低價格，分別為每 100 萬個 input tokens 0.05 美元及 output tokens 0.1667 美元。12

這些數字都不應直接當成 Databricks 的企業合約價。實際採購前，企業應確認 Databricks 環境中的 rate card、cache 計算方式、最低承諾用量、配額及帳單處理方式。

完整 GLM 5.3：面向推理及 coding 的旗艦模型

完整 GLM 5.3 是系列旗艦。現有文件指它沿用 GLM-5.2 的 MoE 基礎架構，約有 7,440 億總參數、400 億啟用參數，context window 約為 100 萬 tokens。目前報道所指的能力提升，主要來自擴大 reinforcement-learning post-training，而不是公布全新的基礎架構。1

一份公開 API 價目表列出完整 GLM 5.3 的價格為每 100 萬個 input tokens 1.40 美元，output tokens 4.40 美元。1 這同樣只是公開 API 參考價，並不代表 Databricks 的企業價格。

與 Z.ai 有關的報道指 GLM 5.3 在 CyberGym 取得 84.5%，並在 coding 及 terminal-use 測試取得大幅進步。不過，本文檢視的證據未能證明相關結果已獲獨立驗證，因此應視為發布時的宣稱或報道數字，而不是已經定案的排行榜結果。7

這對企業採購尤其重要。供應商自行選擇的 benchmark、不同 prompt 設定或不同工具環境，未必能預測模型處理企業內部 codebase、受規管文件、私人數據及實際 production workflow 的表現。真正測試應以企業自己的任務及數據為核心。

雲端供應及託管模式

Databricks 文件確認，GLM 5.3 Flash 出現在 AWS 及 Google Cloud 模型目錄；Azure Databricks 則透過 ADI Services 列出 Flash。51718 模型以 Databricks 的按 token 計費 Model Serving 介面提供。5

對企業而言，價值不一定是改變模型本身，而是改變使用模型的方法。Databricks-hosted endpoint 可以接入現有 workspace、API、帳單及存取管理流程，亦讓團隊用同一套介面比較不同供應商的模型。Azure 目錄便同時涵蓋 OpenAI、Google、Zhipu AI、Moonshot AI 及 DeepSeek 等模型。5

但託管在 Databricks，並不等於自動消除跨境或監管風險。客戶仍需自行評估：

• 模型及權重授權
• 數據所在地及跨境傳輸要求
• 出口管制限制
• 國家安全及採購政策
• 供應商及 subprocessor 條款
• 安全測試及濫用防護
• endpoint 的保留、記錄及 logging 行為是否符合內部政策

managed endpoint 可以降低部署門檻，卻不能代替法律或合規判斷。現有來源亦不足以支持「Databricks 消除了出口管制風險」這類更強的結論。

為何這次接入對企業 AI 有意義？

這次安排令 Databricks 更像是快速變動的 open-weight 及 frontier model 市場的企業分發層。Databricks 表示，GLM 5.3 Flash 加入平台上超過 30 款 open-source 及 frontier models。13

對希望取得超長 context、coding 能力、agent workflow 及相對低推理成本的企業而言，這種集中式入口可以減少逐一建立供應商關係及推理基建的需要。Azure 目錄同時收錄 Zhipu AI、Kimi K3 及 DeepSeek，正好反映這種策略。5

這亦是 2026 年 8 月 frontier-model 競爭加劇的其中一個例子。相關報道形容：

• DeepSeek V4 Pro 是約 1.6 萬億參數、每 token 啟用 490 億參數的 MoE 模型，context window 為 100 萬 tokens；
• Qwen3.8-Max 是約 2.4 萬億參數、每 token 啟用 950 億參數的 MoE 模型；
• Grok 4.6 是 context window 500,000 tokens 的推理模型。

這些比較需要小心解讀。相關報道混合了官方發布、第三方評估及供應商宣稱，而各模型未必使用相同 prompt、推理設定或工具環境測試。因此，它們的重要性不只在參數數字，更在於市場正朝向幾個方向發展：超長 context、agent workflow、open 或部分開放權重，以及較低成本的 inference。

企業採用前要核實甚麼？

Databricks 令 GLM 5.3 更容易試用，但不代表評估可以慳得。實際審查至少應包括四方面：

1. 工作負載是否匹配： 用企業自己的 coding、文件理解、推理及工具使用任務，比較 Flash 與完整 GLM 5.3。
2. 整體成本： 按真實流量估算 input、output 及 cached-token 成本；公開供應商價格不一定等於 Databricks 價格。
3. 運作控制： 確認 endpoint 所在區域、logging、數據保留、存取控制、配額及事故處理程序。
4. 法律及安全審查： 檢查模型 license、數據路由條款、出口管制風險、私隱要求及對抗性行為。

最值得留意的訊息是：Databricks 縮短了由模型發布到企業試驗的路徑，但沒有令模型選擇變成純粹的技術決定。

結論

Databricks 之所以能夠快速接入 Z.ai 的 GLM 5.3 系列，主要是把模型放進現有的託管 serving 及 API 層：GLM 5.3 Flash 於 8 月 26 日提供，完整 GLM 5.3 則於 8 月 28 日登陸平台。314

GLM 5.3 Flash 採用 320B/18B MoE 設計、原生多模態輸入及 1,048,576-token context window；完整 GLM 5.3 則被報道為約 744B/40B 的 MoE 模型，context window 同樣接近 100 萬 tokens。13

對企業來說，吸引力十分直接：可以經熟悉的雲端平台測試中國 AI 團隊推出的模型，而不必一開始就自行營運模型權重。不過，Databricks 提供的是存取便利及操作層支援，並不會自動回答 benchmark 是否可靠、license 是否適用、數據應存放在哪裏，或是否涉及出口管制。這些問題，仍然要由客戶自行評估及治理。

Databricks 在兩日內把 Z.ai 的 GLM 5.3 系列帶到企業環境，重點似乎不在於重新訓練或大幅改造模型，而是沿用現有的 Model Serving 及 Foundation Model API 基建，將模型包裝成 Databricks-hosted、按 token 收費的 endpoint。

GLM 5.3 Flash 於 2026 年 8 月 26 日列入 Databricks 託管模型；Databricks 其後表示，完整 GLM 5.3 於 8 月 28 日以 day-zero release 形式提供。314

現有資料沒有交代 Databricks 內部做了多少工程工作、模型轉換方法，或者實際部署時間表。可以確認的是，企業毋須先自行處理模型權重及推理基建，就能透過 Databricks workspace 使用模型。

Databricks 實際接入了甚麼？

要分清楚兩件事：Z.ai 負責開發模型，Databricks 負責企業級分發及存取。

在 Azure Databricks，GLM 5.3 Flash 可經 ADI Services 使用，endpoint 名稱為 databricks-glm-5-3-flash，支援文字及圖片輸入。同一個模型目錄亦列有 GLM 5.2、Moonshot AI 的 Kimi K3，以及 DeepSeek V4 Flash。5

Databricks 文件亦在 AWS 及 Google Cloud 的模型目錄列出 GLM 5.3 Flash。1718 文件所描述的使用方式，是透過客戶 Databricks workspace 內的 pay-per-token endpoint 存取，而不是直接呼叫 Z.ai API，或要求企業自行營運模型權重。5

換句話說，Databricks 加快的是由「模型發布」到「企業可測試」之間的流程：模型供應商一推出新模型，平台便可利用既有的存取、計費及權限管理層，快速將它納入企業工作流。

GLM 5.3 Flash：細一級，但仍然相當龐大

GLM 5.3 Flash 定位為較平價的版本，但規模並不算小，主要規格包括：

• 3,200 億總參數
• 每個 token 啟用 180 億參數
• Mixture-of-Experts（MoE）架構
• 原生多模態輸入，支援文字及圖片
• 1,048,576-token context window
• 針對推理、寫程式及 agent 工具使用作出最佳化 317

相關資料指模型以 MIT license 發布，對希望自行託管或使用 managed inference 的機構而言，權重相對容易取得。67 不過，寬鬆授權不代表企業可以跳過法律及安全審查，仍要核對完整 license 條文、衍生作品義務、供應鏈風險及採購規則。

Databricks 曾以內部 OfficeQA Pro v2 測試推廣 Flash，聲稱其質素比 GLM-5.2 高約 10%，成本則只有十分之一。這是 Databricks 的宣稱，並非本文所見證據中的獨立公開結果。13

Flash 價格取決於供應商

公開價格並不一致，原因是不同平台採用不同 rate card。其中一份公開價目表列出每 100 萬個 input tokens 收費 0.15 美元、output tokens 收費 0.50 美元。9 OpenRouter 的列表則顯示較低價格，分別為每 100 萬個 input tokens 0.05 美元及 output tokens 0.1667 美元。12

這些數字都不應直接當成 Databricks 的企業合約價。實際採購前，企業應確認 Databricks 環境中的 rate card、cache 計算方式、最低承諾用量、配額及帳單處理方式。

完整 GLM 5.3：面向推理及 coding 的旗艦模型

完整 GLM 5.3 是系列旗艦。現有文件指它沿用 GLM-5.2 的 MoE 基礎架構，約有 7,440 億總參數、400 億啟用參數，context window 約為 100 萬 tokens。目前報道所指的能力提升，主要來自擴大 reinforcement-learning post-training，而不是公布全新的基礎架構。1

一份公開 API 價目表列出完整 GLM 5.3 的價格為每 100 萬個 input tokens 1.40 美元，output tokens 4.40 美元。1 這同樣只是公開 API 參考價，並不代表 Databricks 的企業價格。

與 Z.ai 有關的報道指 GLM 5.3 在 CyberGym 取得 84.5%，並在 coding 及 terminal-use 測試取得大幅進步。不過，本文檢視的證據未能證明相關結果已獲獨立驗證，因此應視為發布時的宣稱或報道數字，而不是已經定案的排行榜結果。7

這對企業採購尤其重要。供應商自行選擇的 benchmark、不同 prompt 設定或不同工具環境，未必能預測模型處理企業內部 codebase、受規管文件、私人數據及實際 production workflow 的表現。真正測試應以企業自己的任務及數據為核心。

雲端供應及託管模式

Databricks 文件確認，GLM 5.3 Flash 出現在 AWS 及 Google Cloud 模型目錄；Azure Databricks 則透過 ADI Services 列出 Flash。51718 模型以 Databricks 的按 token 計費 Model Serving 介面提供。5

對企業而言，價值不一定是改變模型本身，而是改變使用模型的方法。Databricks-hosted endpoint 可以接入現有 workspace、API、帳單及存取管理流程，亦讓團隊用同一套介面比較不同供應商的模型。Azure 目錄便同時涵蓋 OpenAI、Google、Zhipu AI、Moonshot AI 及 DeepSeek 等模型。5

但託管在 Databricks，並不等於自動消除跨境或監管風險。客戶仍需自行評估：

• 模型及權重授權
• 數據所在地及跨境傳輸要求
• 出口管制限制
• 國家安全及採購政策
• 供應商及 subprocessor 條款
• 安全測試及濫用防護
• endpoint 的保留、記錄及 logging 行為是否符合內部政策

managed endpoint 可以降低部署門檻，卻不能代替法律或合規判斷。現有來源亦不足以支持「Databricks 消除了出口管制風險」這類更強的結論。

為何這次接入對企業 AI 有意義？

這次安排令 Databricks 更像是快速變動的 open-weight 及 frontier model 市場的企業分發層。Databricks 表示，GLM 5.3 Flash 加入平台上超過 30 款 open-source 及 frontier models。13

對希望取得超長 context、coding 能力、agent workflow 及相對低推理成本的企業而言，這種集中式入口可以減少逐一建立供應商關係及推理基建的需要。Azure 目錄同時收錄 Zhipu AI、Kimi K3 及 DeepSeek，正好反映這種策略。5

這亦是 2026 年 8 月 frontier-model 競爭加劇的其中一個例子。相關報道形容：

• DeepSeek V4 Pro 是約 1.6 萬億參數、每 token 啟用 490 億參數的 MoE 模型，context window 為 100 萬 tokens；
• Qwen3.8-Max 是約 2.4 萬億參數、每 token 啟用 950 億參數的 MoE 模型；
• Grok 4.6 是 context window 500,000 tokens 的推理模型。

這些比較需要小心解讀。相關報道混合了官方發布、第三方評估及供應商宣稱，而各模型未必使用相同 prompt、推理設定或工具環境測試。因此，它們的重要性不只在參數數字，更在於市場正朝向幾個方向發展：超長 context、agent workflow、open 或部分開放權重，以及較低成本的 inference。

企業採用前要核實甚麼？

Databricks 令 GLM 5.3 更容易試用，但不代表評估可以慳得。實際審查至少應包括四方面：

1. 工作負載是否匹配： 用企業自己的 coding、文件理解、推理及工具使用任務，比較 Flash 與完整 GLM 5.3。
2. 整體成本： 按真實流量估算 input、output 及 cached-token 成本；公開供應商價格不一定等於 Databricks 價格。
3. 運作控制： 確認 endpoint 所在區域、logging、數據保留、存取控制、配額及事故處理程序。
4. 法律及安全審查： 檢查模型 license、數據路由條款、出口管制風險、私隱要求及對抗性行為。

最值得留意的訊息是：Databricks 縮短了由模型發布到企業試驗的路徑，但沒有令模型選擇變成純粹的技術決定。

結論

Databricks 之所以能夠快速接入 Z.ai 的 GLM 5.3 系列，主要是把模型放進現有的託管 serving 及 API 層：GLM 5.3 Flash 於 8 月 26 日提供，完整 GLM 5.3 則於 8 月 28 日登陸平台。314

GLM 5.3 Flash 採用 320B/18B MoE 設計、原生多模態輸入及 1,048,576-token context window；完整 GLM 5.3 則被報道為約 744B/40B 的 MoE 模型，context window 同樣接近 100 萬 tokens。13

對企業來說，吸引力十分直接：可以經熟悉的雲端平台測試中國 AI 團隊推出的模型，而不必一開始就自行營運模型權重。不過，Databricks 提供的是存取便利及操作層支援，並不會自動回答 benchmark 是否可靠、license 是否適用、數據應存放在哪裏，或是否涉及出口管制。這些問題，仍然要由客戶自行評估及治理。