Z.ai lanza GLM-5.3-Flash: el MoE multimodal de 320B que fue "Ox Alpha" en OpenRouter

El misterio de Ox Alpha, resuelto

La semana pasada, un modelo desconocido llamado "Ox Alpha" apareció en OpenRouter y OpenCode sin que se supiera quién lo había creado. Rápidamente empezó a generar atención por su calidad y velocidad. Hoy, Z.ai ha revelado que Ox Alpha es en realidad GLM-5.3-Flash, el primer modelo multimodal nativo de la serie GLM-5.

Qué es GLM-5.3-Flash

GLM-5.3-Flash es un modelo Mixture-of-Experts (MoE) multimodal nativo con las siguientes características:

Característica	Valor
Parámetros totales	320B
Parámetros activos por token	18B
Ventana de contexto	1.048.576 tokens (1M)
Input multimodal	Imágenes y video
Licencia	MIT (pesos en Hugging Face)
Checkpoint FP8	~306 GiB antes de KV cache

Rendimiento: 10x más barato que GLM-5.2

Z.ai reporta que GLM-5.3-Flash cuesta aproximadamente una décima parte que su predecesor GLM-5.2, manteniendo o superando su rendimiento. En benchmarks:

• GDPval-AA v2: primer lugar (mide capacidad de knowledge work) — supera a Claude Opus 4.8, GPT-5.6 Terra y Gemini 3.7 Flash
• AutomationBench: segundo lugar (mide capacidad de completar tareas en aplicaciones cloud)
• Queda a medio punto de Claude Opus 4.8 en su benchmark interno de coding

Arquitectura: MoE con 18B activos

Con 320B de parámetros totales pero solo 18B activos por token, GLM-5.3-Flash logra una eficiencia extrema. El modelo solo activa ~5.6% de sus parámetros en cada inferencia, lo que explica el costo 10x menor. La entrada multimodal nativa significa que el modelo procesa imágenes y video sin necesidad de un encoder separado.

Self-hosting: quién puede correrlo

No todos pueden self-hostear GLM-5.3-Flash. Los requisitos son significativos:

• Checkpoint FP8: ~306 GiB solo de pesos (antes del KV cache)
• La ruta vLLM actual solo soporta NVIDIA Hopper o superior
• Mínimo un nodo de 8 GPUs (o bandeja GB200 en TP4)
• Organizaciones medianas/grandes con capacidad GPU dedicada

Para todos los demás, el modelo está disponible como API alojada con pricing competitivo.

Casos de uso inmediatos

• Agentes de coding a escala de repositorio: con 1M de contexto, puede procesar codebases completos
• Agentes de uso de terminal y browser/computadora: tool use nativo
• Análisis de contratos y registros de millones de tokens
• Verificación de regresión de UI a partir de capturas de pantalla
• Razonamiento de spreadsheets y dashboards que normalmente necesitarían pipeline OCR-to-text

Industrias con fit inmediato

• Software y herramientas de desarrollo
• Automatización IT/BPO
• Servicios financieros y operaciones de documentos de seguros
• BI empresarial y trabajo de conocimiento administrativo
• E-commerce y equipos que shipan UI en volumen

Hecho en chips chinos

Un detalle notable: GLM-5.3-Flash pasó su primera semana corriendo anónimamente como "Ox Alpha" y se utilizó íntegramente en chips de IA chinos de producción nacional. Esto refuerza la tendencia de China hacia soberanía de hardware para IA, independizándose de las GPUs de NVIDIA.

Disponibilidad

• Pesos open-source: disponibles en Hugging Face bajo licencia MIT
• API alojada: ya tiene pricing y servicio activo
• OpenRouter: disponible como modelo gratuito y de pago
• OpenCode: integrado como opción de modelo

Contexto: la carrera de modelos MoE

GLM-5.3-Flash se une a una oleada de modelos MoE que priorizan eficiencia sobre tamaño bruto. La misma semana, Alibaba lanzó Qwen3.8-Flash-Next (125B, 6B activos) y IBM lanzó Granite 4.2. La tendencia es clara: menos parámetros activos, más contexto, más modalidades, menor costo.

Conclusión

GLM-5.3-Flash es un hito para Z.ai y para el ecosistema open-source. Que un modelo de 320B con 1M de contexto y capacidades multimodales nativas esté disponible bajo MIT, a 1/10 del costo de su predecesor, y que haya sido probado en producción de forma anónima en OpenRouter, dice mucho sobre la madurez del ecosistema. Y que corra en chips chinos sin depender de NVIDIA añade una dimensión geopolítica que no se puede ignorar.