Z.ai: GLM 5.3 FlashX

GLM 5.3 FlashX adalah model generasi teks dari Z.ai, terdaftar di api14 dengan model id z-ai/glm-5.3-flashx. Ini adalah varian berkecepatan tinggi dari GLM-5.3-Flash milik Z.ai, dan Z.ai mendeskripsikannya sebagai model multimodal native yang dibangun di atas arsitektur perhatian sparse dan linear hibrida. Z.ai memposisikannya untuk kecepatan inferensi hingga 200 token per detik, yang menjadikannya opsi lebih cepat dalam lini GLM-5.3-Flash, bukan model dengan ukuran berbeda.

Model ini menerima teks, gambar dan video sebagai input, dan hanya mengembalikan teks. Jendela konteksnya adalah 1.048.576 token, dan panjang output maksimumnya adalah 131.072 token. Karena sisi input mencakup tiga modalitas, Anda dapat mengirim prompt yang mencampur instruksi tertulis dengan konten gambar atau video dalam permintaan yang sama, dan model akan menghasilkan respons teks seperti jawaban, ringkasan atau konten yang dihasilkan. Pemahaman gambar dan video bersifat native pada model ini, bukan ditambahkan melalui pipeline terpisah.

Kemampuan tersebut mengarah pada serangkaian penggunaan praktis yang cukup spesifik. Dokumen panjang, basis kode besar dan transkrip panjang muat dengan nyaman di dalam jendela konteks, sehingga tugas seperti merangkum laporan panjang, menjawab pertanyaan di seluruh repositori, atau mengekstrak data terstruktur dari catatan yang terakumulasi menjadi cocok. Input multimodal membuatnya berguna untuk mendeskripsikan atau menalar tentang gambar, memeriksa konten video terhadap serangkaian aturan, atau mengubah materi visual menjadi bentuk teks. Batas output yang tinggi mendukung generasi panjang dan jejak penalaran yang terperinci, dan throughput yang dilaporkan cocok untuk aplikasi interaktif di mana latensi respons penting, seperti antarmuka chat dan loop agen.

Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id z-ai/glm-5.3-flashx. Parameter permintaan yang didukung adalah include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, temperature, tool_choice, tools, top_k dan top_p. Dalam praktiknya, ini berarti Anda dapat mengontrol sampling dengan temperature, top_p dan top_k, membatasi respons dengan max_tokens, meminta output terstruktur melalui response_format, memberikan fungsi yang dapat dipanggil ke model dengan tools dan tool_choice, serta mengelola perilaku penalarannya dengan parameter reasoning, reasoning_effort dan include_reasoning.

Pilih model lain ketika tugas Anda tidak memerlukan input multimodal atau konteks sebesar itu. Pekerjaan yang hanya berbasis teks dengan ukuran input lebih kecil mungkin dapat dilayani sama baiknya oleh model teks yang lebih ringan, dan jika Anda tidak memerlukan gambar atau video, dukungan input tambahan tidak memberikan manfaat. Perhatikan juga bahwa model ini hanya menghasilkan teks, jadi tidak cocok jika Anda memerlukan gambar, audio atau video yang dihasilkan. Namun, dalam cakupan yang dinyatakan, model ini menangani input teks, gambar dan video pada panjang konteks yang mencakup sebagian besar pekerjaan konteks panjang dan multimodal.