Z.ai lance GLM-5.3-Flash, un modèle MoE multimodal natif de 320B (18B actifs) avec un contexte d'1 million de tokens
Z.ai a dévoilé GLM-5.3-Flash, le premier modèle nativement multimodal de la série GLM-5 et le modèle de codage le moins cher jamais lancé par le laboratoire chinois. Il s'agit d'un modèle à architecture mixture-of-experts comptant 320 milliards de paramètres au total, dont 18 milliards actifs par token, doté d'une fenêtre de contexte de 1 048 576 tokens et capable de traiter des entrées image et vidéo. Publié sous licence MIT avec ses poids disponibles sur Hugging Face, il a d'abord tourné anonymement pendant une semaine sous le nom "Ox Alpha" sur OpenCode et OpenRouter, entièrement servi par des puces d'IA fabriquées en Chine. Selon les propres rapports de Z.ai, il surpasse GLM-5.2 sur les benchmarks et les cas d'usage réels pour environ un dixième du prix, tout en se situant à moins d'un demi-point de Claude Opus 4.8 sur son benchmark interne de codage. Sur Terminal-Bench 2.1, il obtient 84,3 contre 85,0 pour Opus 4.8. L'architecture repose sur trois innovations : une attention hybride combinant couches linéaires KDA et couches sparses NoPE MLA, un mécanisme IndexPool qui réduit de 3 fois le calcul d'attention et de 4,4 fois la mémoire cache à grand contexte, et la technique mHC qui améliore l'efficacité du passage à l'échelle.
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Cette sortie change la donne sur l'économie de l'accès aux modèles de pointe. Le déploiement se joue sur deux tableaux : les poids sont librement téléchargeables sous licence MIT, et une API hébergée est déjà tarifée et opérationnelle. Mais l'auto-hébergement reste réservé à un nombre limité d'acteurs, puisque le checkpoint FP8 par défaut pèse environ 306 Gio avant même la mise en cache, et que le chemin de déploiement vLLM actuel ne supporte que les puces NVIDIA Hopper et plus récentes, ce qui exige au minimum un nœud à 8 GPU. Pour la majorité des entreprises, la consommation se fera donc via l'API, où l'argument central devient le rapport qualité-prix plutôt que la puissance matérielle. Les secteurs les plus concernés sont le développement logiciel, l'automatisation BPO, les services financiers et assurantiels pour le traitement documentaire, la business intelligence d'entreprise et le commerce en ligne, avec des usages allant des agents de codage à l'échelle d'un dépôt entier à l'analyse de contrats et de journaux sur un million de tokens, en passant par la vérification visuelle d'interfaces.
Ce lancement s'inscrit dans une bataille plus large pour l'efficience des modèles à grande échelle, où Z.ai mise sur l'ingénierie architecturale plutôt que sur la seule taille brute pour rivaliser avec les modèles occidentaux comme ceux d'Anthropic ou de Google. Le fait que l'intégralité de la phase de prévisualisation "Ox Alpha" ait tourné sur des accélérateurs chinois, via un moteur maison basé sur SGLang capable de dissocier encodage, préremplissage et décodage, illustre la volonté de la Chine de construire une chaîne d'inférence indépendante du matériel américain, avec une amélioration de service revendiquée de 3 fois sur des dizaines de milliers d'accélérateurs. Reste un point faible identifié par les évaluations indépendantes d'Artificial Analysis, qui attribue au modèle un score de 57 sur son Intelligence Index avec un débit de 48,7 tokens par seconde, jugé lent et verbeux, et une performance en vision inférieure à celle de Gemini 3.7 Flash sur les benchmarks BabyVision et MVbench, signe que la course à l'efficience n'a pas encore résolu tous les compromis techniques.
Les entreprises européennes pourraient bénéficier via l'API de couts réduits pour le codage et le traitement documentaire, mais aucun acteur français ou européen n'est implique dans ce lancement.