GLM 5.3 API 定价与端点：默认档 max 贵 35 倍

GLM 5.3 发布五天后独立 API 开了，输入 $1.40 / 输出 $4.40（每 100 万 token），与 GLM 5.2 同价。 会让你意外的不是价格。reasoning_effort 的默认档是 max，而我们在一个短分类请求上实测：max 的输出中位数是 105 个 token，low 是 3 个。

计费的那一半差 35 倍，决定它的是一个大多数人不会去传的参数。

价格：      $1.40 输入 / $0.26 缓存输入 / $4.40 输出（每 100 万 token）
规格：      1M 上下文，最大输出 128K
Base URL：  api.z.ai/api/coding/paas/v4  （OpenAI Chat Completions）
            api.z.ai/api/v1              （OpenAI Responses）
            api.z.ai/api/anthropic       （Anthropic Messages）
网关：      OpenRouter 和 ofox 上都是 z-ai/glm-5.3
effort：    low | high | max，默认 max，关不掉
已移除：    thinking.type "disabled" 现在返回 HTTP 400
实测：      分类任务 low / high / max 输出 3 / 8 / 105 个 token
快照日期：  2026-08-19

GLM 5.3 API 多少钱？

输入 $1.40、缓存输入 $0.26、输出 $4.40，每 100 万 token。 Z.ai 定价表已经有 GLM-5.3 这一行，与 GLM 5.2、GLM 5.1 逐项相同。

这张表里有两件事值得单独拎出来。缓存输入 $0.26 只是冷读的 19%，而平时让人犹豫「值不值得开缓存」的存储费在促销期是免费的，所以一段重复的 system prompt 基本是白捡的便宜。另一件是输出价是输入价的 3.1 倍——正是这个比例让下面那个 effort 参数变成你配置里最贵的一行。

OpenRouter 挂的也是 $1.4 / $4.4、上下文 1,048,576，说明第三方通道是原价透传，没有加价。

GLM 5.3 API 的 base URL 是哪个？

三个协议，而且文档在其中一个上自己跟自己打架。模型页列的是这三条：

然后同一页往下的 Quick Start 示例，请求打的是 https://api.z.ai/api/paas/v4/chat/completions，没有 /coding 这一段。一个页面两个答案。第一个 404 的话，先试第二个，别急着去查你的 key。

这两个都不是发布当天智谱预告的 https://open.bigmodel.cn/api/paas/v4。公告后 24 小时内写的任何教程，引的 base URL 都不是最终落地的那个。

还有一条限制特别容易漏，而且专门卡住最可能在读这篇的人：凡是订阅过 GLM Coding Plan 的账号（包括已过期的订阅），目前只能通过 OpenAI Chat Completions 协议访问模型 API。 如果你在一个用过套餐的账号上打 Responses 或 Anthropic 协议失败，原因就在这儿。

reasoning_effort 对账单的影响有多大？

比选哪个模型影响更大。 GLM 5.3 的推理恒开，reasoning_effort 只接受 low、high、max，默认 max。

2026-08-19，我们经一个 OpenAI 兼容网关打 z-ai/glm-5.3 跑了两组负载：一个短分类 prompt，每档 10 次；一个小代码生成 prompt，每档 5 次。同 prompt 同模型，只换 effort 这个字符串。

分类那一行值得看两遍。low 三个 token，max 一百零五个，而两边给的答案都是同一个单词。之后我们又把分类跑了 18 次、每档 6 次并抓下正文：三档全部返回正确标签 billing，一次没错。 这个任务上 max 多买了 102 个输出 token，什么也没换来。

折算成钱：同样 100 万次分类调用，low 是 $84.60，max 是 $533.40。模型一样、prompt 一样、答案一样，差别是一个字符串。

代码任务上推理确实在干活，不是在把显而易见的东西重述一遍，同一套算法是这样：

两行都是含输入的总成本：输入按 $1.40/100 万加输出按 $4.40，且按未缓存价计。分类那一行只算输出的话是 $13.20、$35.20、$462.00——固定的 $71.40 输入费就是把 token 上的 35 倍压缩成账单上的 6.3 倍的原因。

high 是最容易被跳过、但大概不该被跳过的那一档。分类任务上它比 low 贵 26%，代码任务上也是 26%，而且代码任务上它的中位延迟比 low 更短，8.6 秒对 11.6 秒。延迟并不随 effort 单调上升，只有 max 是断崖式变慢——代码任务上它花了 low 的 5.5 倍墙钟时间，产出的东西还是要人去读。

数字上要留一句保守话：这是两个 prompt，不是一套 benchmark，而且 max 的区间很宽——一个单词的答案 47 到 160 个 token，代码任务 2,807 到 10,596。拿它定预算之前先跑自己的 prompt。排序在每一次运行里都成立，倍数则取决于你的负载。

GLM 5.3 请求为什么返回 400？

最可能是因为推理关不掉，而 API 给你的说法只对了一半。 下面这些调用在我们的实测里全部返回 HTTP 400：

{
  "error": {
    "message": "This model always engages in thinking and cannot be disabled; please use low, high, or max"
  }
}

传 "thinking": {"type": "disabled"} 得到这条，合理且符合预期。但传 "reasoning_effort": "medium" 和 "reasoning_effort": "none" 得到的也是这条——这就不合理了，因为这两个都没试图关掉任何东西。从别家迁过来的人猜一个 medium 完全正常，而这条报错会把你送去找一个你根本没设过的思考参数。

真正会挂的清单很短：

怎么把 GLM 5.2 的负载迁到 GLM 5.3？

先改 effort 参数，再换模型 ID。 官方明确写了这个顺序，原因是带着 thinking.type: "disabled" 的请求，在模型 ID 一换的瞬间就会失败。

from openai import OpenAI

client = OpenAI(api_key="YOUR_KEY", base_url="https://api.ofox.ai/v1")

r = client.chat.completions.create(
    model="z-ai/glm-5.3",
    messages=[{"role": "user", "content": "Classify this ticket: ..."}],
    reasoning_effort="low",   # 不写这行就是按 max 计费
)
print(r.usage.completion_tokens)

这次迁移比 GLM 5.2 那组数据暗示的便宜。我们当初在发布那篇里测过关掉 disabled 的代价：GLM 5.2 上，最便宜的开思考档在一个极短 prompt 上仍要烧 69 到 122 个输出 token，而关思考只要 2 个。到了 GLM 5.3，low 的中位数回到 3。两代之间不管改了什么，让大家怕这次迁移的那个地板基本没了——前提是你把参数设上。

而且要处处显式设置，包括那些会继承默认值的地方：重试封装、评测 harness，以及任何帮你拼请求体的框架。少写一个 reasoning_effort 不是少了个功能，是一张 max 档的账单。

如果你是从零配 key，我们的 GLM 5.2 接入教程可以原样套用，因为端点、key 和请求结构都没变。高频短请求那类负载的算账方法，见 GLM 5.2 与 GPT-5.5 成本对比。

直连 Z.ai 还是走网关？

只跑 GLM 就直连。同时还跑别的模型，或者被 Coding Plan 那条协议限制卡住了，就走网关。

走网关有一条真金白银的坑：代理回传给你的，不一定等于它被计费的。在我们实测的网关上，usage.completion_tokens_details.reasoning_tokens 是有的——low 档返回 8 个 completion token，其中 3 个正确标为 reasoning。没有的是 prompt_tokens_details 里的缓存字段，reasoning 正文也不在 message 对象里。要拿这些建成本核算或缓存命中看板之前，先在你自己的 provider 上核一遍，因为计费跟的是上游实际做了什么，不是你响应体里显示了什么。

ofox 充值立减 15%，活动至 2026-08-31，一个 OpenAI 兼容端点后面挂着约 130 个模型，z-ai/glm-5.3 和 z-ai/glm-5.2 都已上架，所以拿这两个做 A/B 就是上面那段代码里改一个字符串。

跑分、权重时间表、以及 GLM 5.3 与 5.2 的能力对比，见我们的 GLM 5.3 发布报道，那篇有完整表格。线上目录规格见 ofox 的 GLM 5.3 模型页。

References

• Z.ai 开发者文档：GLM-5.3 模型页
• Z.ai 开发者文档：定价
• Z.ai 开发者文档：深度思考
• Z.ai 发布说明：GLM-5.3
• OpenRouter：z-ai/glm-5.3
• ofox 模型页：GLM 5.3