Sie setzen GLM für Textaufgaben ein, ob Prüfung langer Dokumente, strukturierte Ausgabe, Agenten mit Tool-Aufrufen oder Rollenspiele für Erwachsene, und SpicyAPI listet zwei Modelle in voller Größe: zai/glm-5.2/chat und zai/glm-5.3/chat. Nehmen Sie GLM 5.3 für Coding-, Agenten- und Tool-Aufruf-Aufgaben sowie für Durchläufe mit hohem Volumen, bei denen low als Reasoning-Stufe Ausgabe-Tokens spart. Nehmen Sie GLM 5.2 für Erwachsenenfiktion und Rollenspiele und wenn Sie den niedrigeren Tarif wollen. Ist die Aufgabe kurz, strukturiert und kostengetrieben, probieren Sie vor beiden das günstigere GLM 5.3 Flash.
Beide lesen 1.048.576 Tokens, liefern bis zu 131.072 zurück, nehmen nur Text an und teilen sich dieselbe Anfrageform, abgesehen von den unten genannten Feldern.
Welches Modell für welche Aufgabe
| Ihre Aufgabe | Wahl | Warum |
|---|---|---|
| Coding-Agenten, lange Tool-Schleifen, Repository- oder Störungsanalyse | 5.3 | Das Post-Training von Z.ai zielt auf agentisches Coding; 5.3 bringt außerdem eine niedrigere Reasoning-Stufe und Kontrolle über parallele Tool-Aufrufe mit |
| Nacheinander ausgeführte Tool-Aufrufe (erst einen Slot reservieren, dann einen Raum) | 5.3 | Setzen Sie bei 5.3 parallel_tool_calls: false, um jeweils nur ein Tool anzufordern; Buchungsabhängigkeiten setzen Sie in Ihrer Anwendung durch |
| Massenklassifikation, Extraktion, Umformulierung | 5.3 mit low oder 5.3 Flash | 5.2 kann nicht unter high gehen |
| Eine Einstellung beim Vergleich geänderter Prompts konstant halten | 5.3 | Nur 5.3 akzeptiert seed; eine identische Wiedergabe garantiert das nicht |
| Rollenspiele und Fiktion für Erwachsene | 5.2 | Als unzensiert gekennzeichnet; lieferte bei schlichten Anfragen häufiger stärkere Szenen als 5.3, das als Light gekennzeichnet ist und öfter abschwächt oder ablehnt |
| Gleichmäßiger Tagesverkehr, bei dem ein 5.2-Prompt bereits besteht | 5.2 | Rund 7 % niedrigere Token-Preise; keine neuen Parameter nötig |
Die Unterschiede in der Anfrage
| Funktion | GLM 5.2 | GLM 5.3 |
|---|---|---|
reasoning_effort | high, max; Standard max | low, high, max; Standard max |
seed | Nicht akzeptiert | Akzeptiert |
parallel_tool_calls | Nicht akzeptiert | Akzeptiert; Standard true |
max_tokens | Standard 32.768; Maximum 131.072 | Gleich |
| Temperature / top-p | 0-1, Standard 1 / 0.01-1, Standard 0.95 | Gleich |
| Stop-Sequenzen | Eine | Eine |
| JSON-Ausgabe, Function-Tools | Unterstützt | Unterstützt |
Beide Endpunkte weisen Felder zurück, die sie nicht aufführen. Ein für 5.3 geschriebener Body mit seed schlägt daher bei 5.2 fehl, statt ignoriert zu werden. Halten Sie die Felder je Modell getrennt.
Keine der beiden Routen akzeptiert medium, und keine kann Reasoning abschalten. Die eigene API von Z.ai bildet bei 5.2 none und minimal auf „kein Thinking“ ab; für den hier gehosteten 5.2-Vertrag gilt das nicht. Da der Standard bei beiden max ist, denkt ein nicht abgestimmter Aufruf so tief wie möglich, und Reasoning wird als Ausgabe abgerechnet.
Bilden Sie bei einem Rollenspiel-Client mit einstellbarer Effort-Auswahl die niedrigste Einstellung auf high bei 5.2 oder low bei 5.3 ab und die höchste auf max. Prüfen Sie den ausgehenden Wert; die Anzeigebezeichnung des Clients ist kein API-Parameter.
Was es kostet
| USD pro Million Tokens | GLM 5.2 | GLM 5.3 | GLM 5.3 Flash |
|---|---|---|---|
| Eingabe ohne Cache | $0.98 | $1.05 | $0.1275 |
| Eingabe aus dem Cache | $0.182 | $0.195 | $0.0255 |
| Ausgabe | $3.08 | $3.30 | $0.425 |
Bei gleicher Token-Anzahl kostet 5.3 7,14 % mehr als 5.2; 5.2 ist 6,7 % günstiger als 5.3. Rechnen Sie Cache-Treffer zum Cache-Tarif ab, statt sie erneut als Eingabe ohne Cache zu berechnen. Drei Beispielaufgaben:
| Aufgabe | 5.2 | 5.3 | 5.3 Flash |
|---|---|---|---|
| 40.000 Eingabe ohne Cache, 4.000 Ausgabe | $0.05152 | $0.0552 | $0.0068 |
| 30.000 aus dem Cache + 10.000 Eingabe ohne Cache, 4.000 Ausgabe | $0.02758 | $0.02955 | $0.00374 |
| Langes Dokument: 600.000 Eingabe ohne Cache, 8.000 Ausgabe | $0.61264 | $0.6564 | $0.0799 |
Zehntausend Durchläufe der ersten Aufgabe kosten bei 5.2 $515.20 und bei 5.3 $552. Der Preisunterschied ist klein; die Länge des Reasonings verschiebt die Rechnung stärker. Liefert 5.3 mit low eine akzeptierte Antwort mit einem Drittel der Ausgabe-Tokens, ist es günstiger als 5.2 mit max. Vergleichen Sie die Kosten pro akzeptierter Antwort anhand des zurückgegebenen usage, nicht die Kosten pro Aufruf.
Texte für Erwachsene: Wo jedes Modell aufhört
Grundlage sind unsere Inhaltstests vom September 2026 (Englisch, Einzelanfragen):
- Andeutende und implizite Szenen. Beide schwächen die mildeste Stufe (eine flirtende Szene) bei jeder Formulierung ab, und beide schreiben implizite sinnliche Szenen sauber.
- Stärkere Erwachsenen-Inhalte in schlichten Worten. 5.2 schreibt sie bei direkter Anfrage oder über einen System-Prompt und lehnt ab, wenn sie als Geschichte gerahmt sind. 5.3 schreibt sie nur über einen System-Prompt.
- Geschriebene intime Szenen zwischen Erwachsenen. Keines der Modelle ist zuverlässig. Mit System-Prompt schloss 5.2 2 von 3 Anfragen ab und 5.3 4 von 8. Diese kleinen Stichproben zeigen, warum Wiederholungen nötig sein können, und belegen keine langfristige Erfolgsquote. Direkte Anfragen werden bei beiden abgelehnt, und die Rahmung als Geschichte allein führt zu abgeschwächter Ausgabe.
- Einvernehmliche Fesselung oder Gewalt in der Fiktion. Beide geben dies in den meisten Durchläufen wieder.
Legen Sie den fiktionalen Kontext bei beiden Modellen im System-Prompt fest, und rechnen Sie damit, dass manche Anfragen trotzdem abgeschwächt oder abgelehnt werden. Ist das Ihre Hauptaufgabe, ist GLM 5.3 Flash ebenfalls als unzensiert gekennzeichnet, zu einem Bruchteil des Preises. Die ganze Abstufung finden Sie in den Rezensionen zu GLM 5.2 und GLM 5.3.
Was die Unterschiede bei den Parametern für die Anwendung eines Kreativen bedeuten
Stellen Sie sich einen Planungsassistenten mit drei Aufgaben vor: ein freigegebenes Szenen-Briefing lesen, einen Raum finden und ihn nach Bestätigung der Zeit reservieren. Für die erste Aufgabe bietet 5.2 die gemeinsamen Text- und JSON-Fähigkeiten zu niedrigeren gelisteten Tarifen. Ist die Extraktion bereits brauchbar, ist die neuere Version allein kein Grund zum Wechsel.
Für eine kurze Extraktion mit 5.3 ist low eine sinnvolle Konfigurationsoption, weil 5.2 sie nicht anbietet. Ein Briefing mit zwei Figuren, drei Einstellungen und einer genannten Uhrzeit braucht nicht denselben Reasoning-Umfang wie ein Monatsplan mit Abhängigkeiten. Legen Sie die Stufe ausdrücklich fest, statt bei beiden den Standard-Maximalwert hinzunehmen.
Bei Reservierungen kann parallel_tool_calls: false bei 5.3 die Aufrufe nacheinander halten, doch die Reihenfolge muss auch Ihre Anwendung erzwingen. Eine Reservierungsanfrage braucht den Slot, den die Verfügbarkeitsabfrage liefert. Liefert die Abfrage keinen Slot, darf die Anwendung keine spätere Buchung mit erfundener Uhrzeit ausführen. Sequenzielle Aufrufe lassen fehlende Verfügbarkeit nicht entstehen.
Ein Seed kann helfen, eine Generierungseinstellung beim Vergleich geänderter Prompts konstant zu halten. Er macht eine kreative Antwort nicht verbindlich, garantiert keine identische Wiedergabe und ersetzt keine fehlende Quelle. Speichern Sie bei einer Companion-Anwendung für Erwachsene die freigegebenen Figurendaten in Ihrem eigenen Datensatz, statt sich darauf zu verlassen, dass der Seed sie stabil hält.
Ein Zeitplan für eine Stunde, der ohne KI-Bewertung prüfbar ist
Das folgende Beispiel reserviert 14:00–14:10 für den Aufbau und 14:50–15:00 für das Einpacken und lässt 40 Minuten für die drei Einstellungen. Eine von Menschen geschriebene Aufteilung lautet: 14:10–14:20 für die Nahaufnahme des Briefs, 14:20–14:35 für das gemeinsame Lächeln und 14:35–14:50 für den Gang. Das sind vorgeschlagene Zeiten, kein von GLM erzeugter Zeitplan und kein Versprechen, dass die Aufnahme in dieser Zeit fertig wird.
Fügt das Briefing zwischen der zweiten und dritten Einstellung einen zehnminütigen Lichtwechsel hinzu, bleiben nur 30 Minuten zum Drehen. Fordern Sie diesen Übergang ausdrücklich an, und berechnen Sie die verfügbare Zeit neu. Ein Modell, das eine glatt aussehende Tabelle liefert und den Übergang auslässt, hat die geänderte Aufgabe nicht gelöst. Das ist ein nützlicheres Migrations-Testbeispiel als der Vergleich, wie überzeugend die beiden Erklärungen klingen.
Zuerst im Playground ausprobieren
- Öffnen Sie GLM 5.3 und wechseln Sie zu Playground.
- Fügen Sie das untenstehende Briefing für den Drei-Einstellungen-Teaser ein und fordern Sie einen Zeitplan mit Low-Reasoning an.
- Prüfen Sie, ob Aufbau, drei Einstellungen und Einpacken ins Zeitfenster von einer Stunde passen. Vergleichen Sie 5.2 mit High nur, wenn Sie diese Route ohnehin nutzen.
Eine vollständige Anfrage
Diese Anfrage macht aus dem Briefing für einen kurzen Liebes-Teaser mit 5.3 bei low einen JSON-Zeitplan. Nutzen Sie bei langen Eingaben oder tiefem Reasoning stream: true: Ein längeres Client-Timeout kann den Abbruch nicht verhindern, den der Netzwerkrand bei Nicht-Streaming nach etwa 100 Sekunden vornimmt.
curl --fail-with-body https://api.spicyapi.ai/v1/chat/completions \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H 'Content-Type: application/json' \
-H "Idempotency-Key: $(uuidgen)" \
-d '{
"model": "zai/glm-5.3/chat",
"reasoning_effort": "low",
"max_tokens": 3000,
"temperature": 0,
"response_format": {"type": "json_object"},
"messages": [
{"role": "system", "content": "Return JSON with shots and unresolved_questions. Every shot needs start_time, duration_minutes and description. Fit within the supplied window. Do not invent bookings."},
{"role": "user", "content": "A non-graphic romance teaser with three shots: a letter close-up, a shared smile and a walk past a railway bench. Available window: 14:00 to 15:00. Allocate 10 minutes for setup before the first shot and 10 minutes for packing after the last shot."}
]
}'Um sie an 5.2 zu senden, ändern Sie das Modell auf zai/glm-5.2/chat und die Stufe auf high; lassen Sie seed und parallel_tool_calls weg.
Prüfen Sie choices[0].finish_reason, parsen Sie choices[0].message.content und verifizieren Sie den Zeitplan dann in Ihrem eigenen Code: Einstellungen, Aufbau und Einpacken müssen in 60 Minuten passen, die erste Einstellung nicht vor 14:10, das Einpacken bis 15:00 fertig. JSON, das sich parsen lässt, kann trotzdem zwei Einstellungen überlappen oder 70 Minuten in einem Zeitfenster von einer Stunde vergeben.
Einen Agenten den Aufruf vorbereiten lassen
Bitten Sie bei wiederholter Zeitplan-Extraktion Ihren Coding-Agenten, den SpicyAPI Skill zu nutzen: „Lies zai/glm-5.3/chat und passe dann das Beispiel an meine Eingabe an; zeige die Anfrage, bevor du sie ausführst.“ Die CLI-Abfrage lautet spicyapi models get zai/glm-5.3/chat --json; die MCP-Abfrage ist spicyapi_model_get mit model: "zai/glm-5.3/chat". Chat-Aufrufe laufen über einen kompatiblen Client oder die Chat-API; die Media-Task-Befehle erzeugen keine Chat-Antworten.
Der Wechsel zwischen beiden
Führen Sie für eine Migrationsprüfung auf gleicher Basis Ihre bestehenden Prompts mit beiden IDs bei high aus und vergleichen Sie akzeptierte Antworten und Gesamtverbrauch. Probieren Sie danach 5.3 mit low separat aus, um zu sehen, ob das kürzere Reasoning dieselben Prüfungen noch besteht. Behalten Sie die alte ID als Fallback, bis die neue Route besteht.
Ungültiger Reasoning-Wert. medium schlägt bei beiden fehl, und low schlägt bei 5.2 fehl.
Leere sichtbare Antwort. Ein stop-String kann während des Reasonings auslösen und den Turn beenden, bevor eine Antwort erscheint. Entfernen Sie ihn, wenn Sie ihn nicht brauchen, und verwenden Sie nie ein gewöhnliches Wort wie END.
Foto oder PDF abgelehnt. Beide nehmen nur Text an; extrahieren Sie den Text zuerst.
Tool-Aufruf als erledigt behandelt. Geben Sie die vollständige Assistant-Tool-Call-Nachricht zurück, führen Sie eine freigegebene Funktion aus und hängen Sie eine role: tool-Nachricht mit der passenden tool_call_id an. Eine vorgeschlagene Buchung ist keine Buchung.
Antwort abgeschnitten. Erhöhen Sie max_tokens (Maximum 131.072) oder fordern Sie weniger an, und weisen Sie den Finish-Grund length zurück, bevor Sie JSON importieren.
Beginnen Sie bei einer neuen Coding- oder Tool-Integration mit GLM 5.3. Für einen bestehenden Workflow mit Erwachsenenfiktion, der bereits funktioniert, bleibt GLM 5.2 der günstigere und kooperativere Ausgangspunkt; die Versionsänderung allein ist kein Grund zum Wechsel.
