GLM-5.3-FlashX เร็ว 200 โทเคนต่อวินาที และราคาที่แลกมา 2.5 เท่า

โดย Nokka (นก-กา) | 19 กันยายน 2026

บทความนี้เขียนโดย AI (โมเดล deepseek-v4.1-flash ของผู้ให้บริการ ollama-cloud) ผ่าน Hermes Agent จาก Nous Research ตรวจสอบและเรียบเรียงโดย Nokka ข้อความในเครื่องหมายคำพูดที่เป็นคำแปลเป็นคำแปลของผม ไม่ใช่สำเนาต้นฉบับ

Z.ai เปิดตัว GLM-5.3-FlashX เมื่อวันที่ 18 กันยายน 2026 เป็นรุ่นเร่งความเร็วของ GLM-5.3-Flash ที่ให้ความเร็วในการประมวลผลสูงถึง 200 โทเคนต่อวินาที [1][2]

⇒ จุดที่ทำให้รุ่นนี้เหมาะกับงาน agent คือความสามารถ native multimodal รับได้ทั้งวิดีโอ ภาพ ข้อความ และไฟล์ พร้อม context 1 ล้านโทเคน [1]

แต่สิ่งที่ต้องเข้าใจก่อนใช้คือ ราคาที่สูงขึ้น 2.5 เท่า เมื่อเทียบกับรุ่น Flash ธรรมดา ซึ่งผมเปิดเอกสารทางการของ Z.ai ตรวจแล้วว่าตัวเลขนี้ถูกต้อง [1]

ภาพรวมบทความ: แกนสามข้อของ GLM-5.3-FlashX คือความเร็วที่โฆษณา ราคาที่สูงขึ้น 2.5 เท่า และตัวโมเดลที่เปิดใช้งานเพียง 18B จาก 320B

สองรุ่นที่ชื่อคล้ายกันจนสับสน

ตัวเลข 2.5 เท่าในชื่อเรื่องคือฝั่ง output ส่วน input อยู่ที่ 2.47 เท่า ผมปัดเป็น 2.5 ในชื่อเพื่อให้อ่านง่าย แต่ในตารางจะเห็นตัวเลขจริงทั้งสองฝั่ง [1][6][7]

ก่อนไปต่อ ต้องแยกให้ชัดก่อนว่า GLM-5.3 มีด้วยกันหลายรุ่น และไม่ใช่สิ่งเดียวกัน [1][2]

⇒ ตัวเลขทั้งหมดมาจากหน้าตาราคาทางการของ Z.ai [1]

อัตราส่วนราคา FlashX ต่อ Flash คือ 2.47 เท่าสำหรับ input และ 2.5 เท่าสำหรับ output ตรงกับที่โฆษณาไว้ [1]

และมีอีกจุดที่ต้องรู้ เท่าที่ผมตรวจจากหน้าเอกสารของ Z.ai FlashX ยังไม่ถูกระบุว่าใช้ได้กับ GLM Coding Plan ส่วน Flash ระบุไว้ชัดว่าใช้ได้ และได้โควตาเพิ่มเป็น 3 เท่า เมื่อเทียบกับ GLM-5.3 [1]

นั่นหมายความว่าถ้าคุณจ่ายค่า plan อยู่ FlashX จะไม่ครอบคลุม ต้องจ่ายตามการใช้งานแยก

สถาปัตยกรรมที่ทำให้ต้นทุนต่ำ

ส่วนนี้คือแกนของเรื่อง และเป็นเหตุผลที่รุ่นนี้ทำราคาได้ต่ำทั้งที่ตัวใหญ่ [1]

GLM-5.3-Flash มี 320B พารามิเตอร์รวม แต่เปิดใช้งานเพียง 18B ต่อโทเคน เป็นสถาปัตยกรรมแบบ mixture-of-experts ทำให้พลังประมวลผลต่อโทเคนใกล้เคียงกับโมเดลเล็ก [1][3]

⇒ จุดที่เป็น "ครั้งแรกของวงการ" ตามที่ Z.ai ระบุ คือการเป็น โมเดลโอเพนซอร์สตัวแรกที่ผสม sparse attention กับ linear attention [1]

ผลที่ได้คือ ลดการคำนวณของ attention ลง 3.01 เท่า และลดขนาด KV cache ลง 4.44 เท่า เมื่อเทียบกับ GLM-5.3 โดยยังรักษาคุณภาพบริบทยาวได้ [1]

สถาปัตยกรรมนี้ใช้ 45 ชั้น โดย 34 ชั้นเป็น linear attention และ 11 ชั้นเป็น full attention เป็นอัตราส่วน 3 ต่อ 1 [4]

การบรรจบกันที่ผมคิดว่าน่าสนใจที่สุด

วันเปิดตัวของ GLM-5.3-Flash มีสองวันที่ที่ขัดกัน หน้าโมเดลบน Hugging Face ระบุวันที่สร้าง 25 สิงหาคม 2026 [3] ส่วนการรีวิวของ eesel เขียนว่าเปิดตัว 26 สิงหาคม 2026 [5]

ผมไม่กล้าฟันธงว่าวันไหนคือวันประกาศจริง จึงยึดวันที่บนหน้าโมเดลเป็นหลัก และรายงานความต่างไว้ให้เห็น

และ Qwen3.8-Flash-Next มีวันที่สร้างบน Hugging Face คือ 24 สิงหาคม 2026 [9] ทั้งสองทีมออกแบบโดยไม่ได้ประสานกัน แต่ config ของทั้งคู่อ่านแล้วเหมือนกันจนน่าตกใจ [4]

จุดที่ตรงกันสี่ข้อ [4]

หนึ่ง · อัตราส่วน attention 3 ต่อ 1 GLM ใช้ 34 linear ต่อ 11 full Qwen ใช้ 36 ต่อ 12 ลงเอยที่อัตราส่วนเดียวกัน [4]

ชั้น linear ทำหน้าที่บีบประวัติทั้งหมดไว้ใน recurrent state ขนาดคงที่ ทำให้การคำนวณต่อโทเคนคงที่ไม่ว่าจะยาวแค่ไหน ส่วนชั้น full attention มีไว้ค้นข้อมูลระยะไกลอย่างแม่นยำ [4]

สอง · บีบ context 4 เท่า แล้วเก็บงบไว้ 2,048 โทเคน ทั้งคู่มีตัวจัดอันดับขนาดเล็กที่ให้คะแนนทีละก้อนของประวัติ แล้วเก็บแค่ก้อนที่ชนะ [4]

GLM ใช้ตัวจัดอันดับ 32 head แบบ lightning เลือก top-2048 และเพิ่มเทคนิคชื่อ IndexPool ที่บีบเวกเตอร์ key ของ indexer สี่ตัวเป็นหนึ่งตัวก่อนให้คะแนน [4]

⇒ Qwen ใช้ QSA ที่ทำงานระดับ micro-block ให้คะแนนทีละบล็อก 4 โทเคน แล้วเก็บบล็อกที่ดีที่สุด 512 บล็อก ซึ่งเท่ากับ 2,048 โทเคนพอดี [4]

สาม · เปลี่ยน residual stream เดียวเป็นสี่สาย ทั้งสองทิ้งแนวทาง residual stream เดี่ยวที่เป็นมาตรฐานของ transformer ตั้งแต่ปี 2017 แล้วขยายเป็น 4 สายขนาน ที่มีประตูควบคุมการอ่านและเขียน [4]

GLM ใช้ Manifold-Constrained Hyper-Connections (mHC) ซึ่งเป็นดีไซน์ที่มาจาก DeepSeek Qwen เขียนของตัวเองชื่อ Gated Residual [4]

และจุดที่ผมคิดว่าน่าสนใจ ทีม Qwen ทดลองเทียบทั้งสองวิธีแล้วพบว่าคุณภาพพอ ๆ กัน สองทีม สองวิธี แต่ได้ข้อสรุปเดียวว่า สี่สายที่มีประตูควบคุมดีกว่าสายเดียว [4]

สี่ · เทรนด้วย Muon optimizer และแยกเมทริกซ์ที่หลอมรวมก่อน orthogonalize ทั้งคู่ทำเหมือนกัน [4]

และ Qwen บันทึกไว้ว่า ตัดขั้นตอน warm-up ของ batch size ออกทั้งหมด หลังจากวัดแล้วพบว่ามันกินเพิ่ม 18.8% ของ optimizer step โดยไม่ช่วยให้ผลดีขึ้น [4]

จุดเดียวที่สองทีมขัดกัน

การเข้ารหัสตำแหน่ง GLM-5.3-Flash ทิ้ง rotary position embedding ในชั้น full attention ตั้งค่า qk_rope_head_dim = 0 ทำให้ชั้น sparse MLA เป็น NoPE ทั้งหมด [4]

ข้อมูลตำแหน่งไหลผ่านชั้น linear ที่เป็น recurrent แทน [4]

ส่วน Qwen ลองทำแบบเดียวกันแล้วเลือกเก็บ RoPE ไว้ และเหตุผลที่เขาเก็บน่าสนใจมาก [4]

ตามรายงานเทคนิคของ Qwen3.8-Next NoPE ไม่ได้สร้างความต่างที่วัดได้ในระหว่าง pre-training แต่ปัญหาปรากฏ หลัง post-training คือรุ่นที่ใช้ NoPE มักไม่ยอมหยุดสร้างข้อความ [4]

⇒ ผมคิดว่านี่คือบทเรียนที่มีค่าที่สุดในเรื่องนี้ เส้นกราฟ loss ในขั้น pre-training ซ่อนข้อบกพร่องทางพฤติกรรมที่โผล่หลังขั้น RLHF ไว้ได้ [4]

ฝ่ายที่เห็นต่าง

สูตรนี้ไม่ได้จำกัดอยู่แค่สองทีม DeepSeek เป็นคนเริ่มรูปแบบ sparse-indexer บวกงบ 2,048 โทเคน ด้วย DSA ใน DeepSeek-V3.2-Exp และ mHC ก็เป็นดีไซน์ของ DeepSeek ที่ GLM นำไปใช้ [4]

ส่วน Moonshot ส่ง KDA ซึ่งเป็นชั้น linear attention ที่ GLM นำไปใช้ตรง ๆ [4]

แต่มีฝ่ายที่เห็นต่างชัดเจน คือ MiniMax ระหว่างพัฒนา M2 ทีมงานทดสอบ linear attention และ sliding-window attention ในระดับใหญ่ แล้วพบ ข้อบกพร่องรุนแรงในการให้เหตุผลหลายช่วง (multi-hop) โดยเฉพาะเมื่อบริบทเกิน 32K โทเคนหลัง SFT [4]

M2 จึงออกด้วย full softmax attention ทุกชั้น และสำหรับ M3 ทีมเลือกใช้ MiniMax Sparse Attention (MSA) ที่ทำ softmax attention ให้เบาลงด้วยการเลือกบล็อก แต่ไม่มีชั้น linear attention เลย [4]

⇒ สรุปคือวงการยังไม่ยุติ สี่ทีมเดิมพันว่าสูตร 3 ต่อ 1 รักษาความสามารถในการให้เหตุผลได้ ส่วนผลทดลองของ MiniMax บอกว่าไม่ได้ อย่างน้อยก็กับ stack ของเขา [4]

ตัวเลขผลทดสอบ

จากเอกสารทางการของ Z.ai GLM-5.3-Flash ได้ 57 คะแนนบน Artificial Analysis Intelligence Index v4.1.1 ที่ราคา $0.045 ต่อ task (หลังส่วนลด) [1]

Z.ai ระบุว่าระดับสติปัญญาเท่านี้เคยได้มาในราคาสูงกว่าราว 10 เท่า [1]

บนหก benchmark ด้านการเขียนโค้ดและ agent ผลที่ Z.ai เปิดคือ DeepSWE v1.1 ได้ 63.4 เทียบกับ GLM-5.2 ที่ 46.2 และ AutomationBench ได้ 48.8 เทียบกับ 26.2 [1]

และ Z.ai สรุปว่า เข้าใกล้ Claude Opus 4.8 [1]

⇒ ⚠️ ตัวเลขทั้งหมดนี้เป็นตัวเลขที่ Z.ai เปิดเอง ไม่ใช่การทดสอบโดยองค์กรอิสระ ผมยังไม่พบการวัดแบบเดียวกันจากคนนอก

ส่วนราคาที่ผู้ให้บริการรายอื่นประกาศนั้นตรงกับหน้าทางการของ Z.ai ทั้ง OpenRouter และ Vercel AI Gateway ระบุ $0.37 ต่อ input และ $1.25 ต่อ output ต่อ 1M โทเคนเท่ากัน [6][7]

ความเร็ว 200 โทเคนต่อวินาที มาจากอะไร

จุดนี้ผมคิดว่าสำคัญและมักถูกมองข้าม ความเร็วไม่ได้มาจากตัวโมเดลเท่านั้น แต่มาจากฮาร์ดแวร์ที่ให้บริการด้วย [1]

Z.ai ระบุว่าก่อนเปิดตัว บริษัททดสอบรุ่นนี้แบบไม่ระบุชื่อในชื่อ ox-alpha บน OpenCode และ OpenRouter และมันกลายเป็นโมเดลที่ถูกใช้มากที่สุดของสัปดาห์นั้น [1]

และบริษัทระบุชัดว่า ทราฟฟิกทั้งหมดนั้นให้บริการบนชิป AI ของจีน [1]

ในส่วนท้ายของเอกสาร Z.ai เขียนว่าได้ปรับการให้บริการบน accelerators ที่พัฒนาภายในประเทศ ซึ่งมี หลายพันตัว และเมื่อเทียบกับ baseline แรกบนฮาร์ดแวร์เดียวกัน ปรับประสิทธิภาพการให้บริการแบบ end-to-end ได้ 3 เท่า จนถึงระดับประสิทธิภาพฮาร์ดแวร์และต้นทุนต่อโทเคนที่เทียบได้กับ GPU ของ NVIDIA [1]

⇒ ผมคิดว่านี่คือข้อความที่ตรงที่สุดในเอกสารทั้งชิ้น เพราะมันบอกว่า ราคาต่ำไม่ได้มาจากโมเดลอย่างเดียว แต่มาจากการออกแบบโครงสร้างพื้นฐานควบกับฮาร์ดแวร์ [1]

จุดที่ต้องระวังก่อนใช้

หนึ่ง · ความเร็วที่โฆษณากับความเร็วที่ได้จริงต่างกันได้มาก จากการรีวิวของ eesel บน API ของ Z.ai เอง รุ่น Flash วิ่งที่ราว 49 โทเคนต่อวินาที และชื่อเสียงว่าเป็น "โมเดลที่ช้าที่สุดที่ Artificial Analysis เคยเจอ" มาจาก endpoint ตัวนั้น ไม่ใช่จากตัว weights [5]

เมื่อย้ายไป host อื่นอย่าง Databricks จะได้ถึง 273 โทเคนต่อวินาทีจากโมเดลเดียวกัน [5]

สอง · เรื่องข้อมูล eesel ระบุว่า ไม่มีข้อตกลงที่ลงนาม ไม่มีระดับ zero-retention และบริการของเจ้าของโมเดลอยู่ภายใต้กฎหมายจีน [5]

สาม · ขนาดสำหรับรันเอง GLM-5.3-Flash มี 320B พารามิเตอร์ quant ที่เล็กที่สุดที่ผมเจอบน Hugging Face คือ UD-IQ1_S อยู่ที่ 93.1 GB และ UD-Q4_K_XL อยู่ที่ 199.7 GB [8] ต้องมีฮาร์ดแวร์ระดับเซิร์ฟเวอร์จึงจะรันเองได้

⇒ ตัวเลขนี้เป็นผลรวมของทุกไฟล์ในแต่ละ quant ผมดึงจาก Hugging Face API ตรง ไม่ใช่ตัวเลขจากบทความ [8]

สี่ · ตัวเลข benchmark เป็นของ Flash ไม่ใช่ FlashX ผมไม่พบตาราง benchmark แยกของ FlashX การอ้างว่ามีความสามารถเท่ากันจึงยังไม่ยืนยัน

สิ่งที่ผมเห็นจากเรื่องนี้

ถ้าดูแค่ชื่อ "FlashX" เรื่องนี้อ่านเป็นข่าวเปิดตัวรุ่นเร็วขึ้นได้ แต่สามเรื่องที่ผมคิดว่าสำคัญกว่าคือ [1][4]

หนึ่ง · การบรรจบกันของสถาปัตยกรรม สองทีมที่แข่งกัน กลับได้ข้อสรุปเดียวกันในเกือบทุกจุด และจุดที่ขัดกันมีแค่การเข้ารหัสตำแหน่ง ซึ่งบอกว่าในช่วงนี้ของวงการ มีคำตอบที่ถูกน้อยมาก และทุกคนกำลังเดินไปทางเดียวกัน [4]

สอง · บทเรียนเรื่อง NoPE การที่ Qwen ทดลองแล้วพบว่าปัญหาโผล่หลัง post-training เป็นเครื่องเตือนว่าการวัดผลจาก pre-training ไม่พอ และเป็นข้อมูลที่ทีมอื่นนำไปใช้ต่อได้ทันที [4]

สาม · ความเร็วคือผลรวมของทั้งระบบ 200 โทเคนต่อวินาทีไม่ได้เป็นคุณสมบัติของ weights eesel เจอว่าโมเดลเดียวกันบน host ต่างกันให้ 49 กับ 273 โทเคนต่อวินาที [5]

⇒ คำถามที่ผมยังไม่มีคำตอบ ในเมื่อทั้ง Flash และ FlashX ใช้ weights ชุดเดียวกัน แล้วรุ่นที่จ่ายแพงกว่า 2.5 เท่าได้อะไรกลับไป Z.ai ตอบว่าได้ความเร็ว แต่ยังไม่มีใครวัดว่าความเร็วที่เพิ่มขึ้นนั้นมาจาก config ของโมเดล หรือมาจากการจัดสรรฮาร์ดแวร์ให้ผู้จ่ายแพงกว่า [1]

ถ้าคุณกำลังเลือกใช้ GLM-5.3 ในงานใดก็ตาม ลำดับที่ผมแนะนำคือ เริ่มจาก GLM-5.3-Flash เพราะราคาต่ำกว่า 2.5 เท่า และรวมอยู่ใน Coding Plan ที่ให้โควตา 3 เท่า [1]

ค่อยขยับไป FlashX เฉพาะเมื่องานนั้นหน่วงเวลาไม่ได้จริง ๆ เช่น agent ที่ต้องตอบแบบเรียลไทม์ [1]

และถ้าจะรันเอง ให้เช็คขนาด quant ก่อนว่าฮาร์ดแวร์รับไหว IQ1_S เริ่มที่ 93 GB ซึ่งไม่ใช่ขนาดของเครื่องทั่วไป

แหล่งอ้างอิง

[1] Z.AI Developer Document — "GLM-5.3-Flash/FlashX Overview" และหน้า Pricing, กันยายน 2026 — https://docs.z.ai/guides/vlm/glm-5.3-flash

[2] TPS Report — "Z.ai Releases GLM-5.3-FlashX, a 200 Tokens/Second Variant of Its GLM-5.3-Flash Model", 18 กันยายน 2026 — https://tpsreport.news/news/glm-5-3-flashx-200-tokens-per-second

[3] Hugging Face — zai-org/GLM-5.3-Flash (MIT license, downloads 2,669,173, likes 2,450 — ข้อมูลจาก HF API), สิงหาคม 2026 — https://huggingface.co/zai-org/GLM-5.3-Flash

[4] MarkTechPost — "GLM-5.3-Flash vs Qwen3.8-Flash-Next: Two Chinese AI Labs Independently Converge on the Same Model Architecture" (Asif Razzaq), 28 สิงหาคม 2026 — https://www.marktechpost.com/2026/08/28/glm-5-3-flash-vs-qwen3-8-flash-next-two-chinese-ai-labs-independently-converge-on-the-same-model-architecture/

[5] eesel AI — "GLM-5.3 Flash review: frontier scores at flash cost" (Kurnia Kharisma Agung Samiadjie), 29 สิงหาคม 2026 — https://www.eesel.ai/blog/glm-5-3-flash-review

[6] OpenRouter — "Z.ai: GLM 5.3 FlashX" (หน้าข้อมูลโมเดลและราคา), กันยายน 2026 — https://openrouter.ai/z-ai/glm-5.3-flashx

[7] Vercel AI Gateway — "GLM 5.3 FlashX now available on AI Gateway", กันยายน 2026 — https://vercel.com/changelog/glm-5-3-flashx-now-available-on-ai-gateway

[8] Hugging Face API — unsloth/GLM-5.3-Flash-GGUF (ผลรวมทุกไฟล์ต่อ quant: UD-IQ1_S 93.1 GB · UD-Q4_K_XL 199.7 GB · BF16 641.6 GB · ดึงผ่าน API 19 กันยายน 2026) — https://huggingface.co/unsloth/GLM-5.3-Flash-GGUF

[9] Hugging Face API — Qwen/Qwen3.8-Flash-Next (createdAt 2026-08-24 · downloads 724,142 · likes 5,406), กันยายน 2026 — https://huggingface.co/Qwen/Qwen3.8-Flash-Next