GLM-5.3-Flash 공개 — 스텔스 모델 Ox Alpha의 정체, 스펙과 가격
OpenRouter에 회사명도 라이선스도 없이 stealth/ox-alpha라는 이름으로만 올라와 있던 모델의 정체가 GLM-5.3-Flash로 밝혀졌습니다. 두 모델 페이지가 등록된 시각의 차이는 약 5일 18시간입니다. 가중치는 MIT 라이선스로 공개됐고 정가는 100만 토큰당 입력 0.15달러 · 출력 0.50달러입니다.
지금 OpenRouter에 보이는 0.075달러와 0.25달러는 정가가 아니라 50% 프로모션가이고 종료 시각은 한국시간으로 2026년 9월 10일 01시입니다. 이 글은 모델 카드와 config.json, OpenRouter 메타데이터, Z.ai 공식 문서를 읽고 정리한 것입니다. 모델을 직접 돌려 보고 쓴 글이 아니므로 성능에 대한 감상은 적지 않습니다.
스텔스 등록과 정식 공개 사이는 6일에 조금 못 미친다.
회사명 없이 올라온 모델이 약 6일 만에 이름을 얻었습니다
OpenRouter의 stealth/ox-alpha 페이지는 2026년 8월 20일 20시 04분(UTC)에 등록됐고 페이지에도 Released Aug 20, 2026으로 적혀 있습니다. 허깅페이스 저장소는 8월 25일 06시 43분(UTC)에 만들어졌고 z-ai/glm-5.3-flash 페이지는 8월 26일 13시 59분(UTC)에 등록됐습니다. 두 시각의 차이는 496,446초, 약 5일 18시간입니다. 흔히 "6일 만에"라고 하는 간격이 실제로는 6일에 조금 못 미칩니다.
정체를 확인해 주는 가장 강한 근거는 관찰이나 추측이 아니라 실제로 서빙한 플랫폼 자신의 진술입니다. OpenRouter는 옛 페이지를 지우지 않고 아래 문장을 달아 뒀습니다.
This stealth model was developed and operated by ZAI, revealed to be ZAI GLM-5.3-Flash.
블룸버그도 8월 26일자로 관련 기사를 냈습니다. 다만 본문이 페이월이라 이 글에서는 읽지 못했고 그런 기사가 있다는 사실만 적습니다. 공개 전 커뮤니티에서는 토크나이저 동작이 GLM 계열과 같다는 관찰이 돌았는데, 1차 게시물을 찾지 못해 구체적인 수치는 옮기지 않습니다. 스텔스 기간의 사용량을 두고 도는 숫자들도 출처마다 값이 다르고 측정한 플랫폼도 섞여 있어 이 글에서는 다루지 않습니다.
스펙 — 321B MoE, 입력 100만 토큰
허깅페이스 API가 돌려주는 safetensors.total 값은 321,323,031,390입니다. 모델 카드 문구는 With 320B total parameters and just 18B active parameters이므로 320B는 반올림 표기이고 실측은 약 321.3B입니다. 활성 파라미터 18B는 파일에서 세어지는 값이 아니라 자사 표기입니다. dtype 내역은 F8_E4M3 314,396,639,232, BF16 6,926,096,640, F32 295,518입니다.
구조는 config.json에 그대로 적혀 있습니다. model_type은 glm5_next, architectures는 Glm5NextForConditionalGeneration, 레이어는 45층, hidden_size 4096, vocab_size 154880입니다. MoE 구성은 라우팅 전문가 288개에 공유 전문가 1개, 토큰당 활성 전문가 8개(num_experts_per_tok), moe_intermediate_size 2048, topk_method는 noaux_tc입니다.
컨텍스트 길이는 모델 카드가 아니라 config.json의 max_position_embeddings를 봅니다. 값은 1,048,576입니다. 최대 출력은 모델 카드에 명시가 없고 OpenRouter에 올라온 Z.AI 1차 엔드포인트의 max_completion_tokens가 131,072입니다. 즉 "출력 13만 토큰"은 모델 고유값이 아니라 그 엔드포인트의 값입니다.
총 파라미터는 파일에서 센 값이고, 활성 18B는 자사 표기다.
실무에서는 같은 모델인데 공급자마다 컨텍스트와 최대 생성 토큰이 다르다는 점이 더 중요합니다. OpenRouter의 엔드포인트 목록에 공급자별로 따로 적혀 있습니다.
| 공급자 | 컨텍스트 | 최대 생성 |
|---|---|---|
| Z.AI | 1,048,576 | 131,072 |
| Novita | 1,048,576 | 131,072 |
| GMICloud | 1,048,576 | 943,718 |
| Cloudflare | 1,310,720 | 1,179,648 |
| DeepInfra | 1,048,576 | 943,718 |
| Io Net | 262,144 | 131,072 |
Cloudflare 쪽은 컨텍스트가 1,310,720으로 config.json 값보다 큰 수가 표시돼 있는데 그 이유는 확인하지 못했습니다. Z.AI와 Novita, GMICloud, DeepInfra 네 곳은 1,048,576으로 config.json 값과 같고, 그보다 낮은 곳은 Io Net 하나입니다. Io Net을 잡으면 100만 토큰은커녕 26만 토큰에서 막힙니다. 최대 생성 토큰은 컨텍스트와 따로 움직여서, 컨텍스트가 같은 1,048,576인 공급자들 사이에서도 131,072와 943,718로 갈립니다. "1M 컨텍스트 모델"이라고 적어 두고 공급자를 아무거나 고르면 안 되는 이유가 여기 있습니다.
입력 모달리티는 텍스트와 이미지, 그리고 비디오입니다. 근거가 갈리므로 나눠 적으면, 이미지는 허깅페이스 저장소 메타데이터의 image-text-to-text 태그가 근거이고 비디오는 OpenRouter 메타데이터의 architecture.input_modalities 기준입니다. 출력은 텍스트뿐입니다. 모델 카드는 이 모델을 the first natively multimodal model in the GLM-5 series라고 부르고 구조는 hybrid architecture combining sparse and linear attention에 Manifold-Constrained Hyper-Connections (mHC)를 얹은 것이라고 적었습니다. 기존 모델을 이어받은 것이 아니라 starts from a newly trained base model이며 사전학습은 30T-token multimodal pre-training corpus라고 밝혔습니다.
가중치가 MIT로 열려 있습니다
README frontmatter의 license 필드와 허깅페이스 API가 모두 mit입니다. 가중치가 MIT로 열려 있다는 것은 프로모션이 끝나든 API 정책이 바뀌든 직접 올려서 쓸 선택지가 남는다는 뜻입니다.
배포 형식은 FP8입니다. 양자화 방식은 E4M3이고 weight_block_size는 [128, 128], activation_scheme은 dynamic입니다. 지원 프레임워크로는 SGLang, vLLM, TokenSpeed, KTransformers가 적혀 있습니다. 다만 모델 카드의 자체 호스팅 절은 이 네 곳으로 가는 링크 네 줄이 전부이고 실행 예시나 권장 샘플링 설정은 적혀 있지 않으므로, 호출 방식과 설정값은 각 프레임워크 문서에서 따로 확인해야 합니다.
다만 모델 카드에 공식 GPU 요구 사양이 없습니다. "H100 몇 장이면 된다" 같은 문장은 이 글에서 쓸 수 없습니다. 대신 파일 크기만 더해 보면 FP8 부분이 약 314.40GB, BF16 부분이 약 13.85GB로 가중치만 약 328GB입니다(1GB를 10^9바이트로 계산). 이건 공식 수치가 아니라 파라미터 수와 dtype으로 우리가 계산한 값이고 KV 캐시와 활성값, 프레임워크 오버헤드는 빠져 있습니다. 컨텍스트를 100만 토큰까지 실제로 쓴다면 KV 캐시가 여기에 더 붙습니다.
가격 — 정가와 프로모션, 9월 10일 새벽에 끝납니다
100만 토큰당 단가입니다. Z.ai 공식 가격표와 OpenRouter의 원시값이 서로 일치합니다.
| 항목 | 정가 | 프로모션가 |
|---|---|---|
| 입력 | 0.15달러 | 0.075달러 |
| 출력 | 0.50달러 | 0.25달러 |
| 캐시 입력(read) | 0.03달러 | 0.015달러 |
지금 OpenRouter 화면에 뜨는 값은 공급자마다 다릅니다. Z.AI와 Novita, GMICloud는 할인이 적용된 0.075달러 · 0.25달러로 표시되고 Cloudflare와 DeepInfra, Io Net은 이미 정가인 0.15달러 · 0.50달러입니다. 정가와 프로모션가를 섞어서 계산하면 예산이 두 배로 틀어지고, 여기서도 어느 공급자로 라우팅되는지를 먼저 봐야 합니다. 종료 시각은 Z.ai 문서에 24:00 on September 9, 2026 (UTC+8, Singapore time)으로 적혀 있고 한국시간으로 옮기면 2026년 9월 10일 01시, UTC로는 9월 9일 16시입니다. 함께 걸려 있는 Cached Input Storage: Limited-time Free는 캐시 저장 요금이 한시적으로 무료라는 뜻이라 위 표의 캐시 읽기 요금과는 다른 항목입니다.
자사 표현은 10분의 1이지만 실제 배수는 입력 9.33배, 출력 8.8배다.
모델 카드는 이 모델이 GLM-5.2를 at one-tenth the price로 앞선다고 적었습니다. 자사 주장이고 비교 대상이 GLM-5.2라는 점을 먼저 봐야 합니다. 실제 정가를 놓고 보면 Z.ai 공식 가격표 기준으로 GLM-5.2와 GLM-5.3(비-Flash)이 둘 다 입력 1.4달러 · 출력 4.4달러 · 캐시 0.26달러이므로 입력은 9.33배, 출력은 8.8배 차이입니다. OpenRouter 모델 페이지는 같은 GLM-5.2를 15% 내린 입력 1.19달러 · 출력 3.74달러로 적고 있어 화면에서 본 값과는 어긋날 수 있습니다. 10분의 1은 대략의 표현이지 계산에서 나온 값이 아닙니다.
thinking을 끌 수 없습니다
Z.ai 공식 문서는 thinking.type only supports enabled; thinking cannot be disabled라고 적었습니다. 추론을 끄는 스위치가 없습니다. 문서가 함께 권하는 설정은 thinking.clear_thinking을 false로 두는 것입니다.
이 제약은 가격과 함께 봐야 합니다. 출력 토큰에 추론 토큰이 항상 포함되므로 같은 길이의 최종 답변을 받아도 청구되는 출력 토큰 수는 답변 길이보다 많아집니다. 출력 정가 0.50달러는 입력 0.15달러의 3.3배이고 짧은 답변을 대량으로 받는 용도라면 이 구조를 먼저 계산에 넣어야 합니다. 얼마나 늘어나는지는 작업에 따라 다르고 이 글에는 직접 측정한 값이 없습니다.
툴 콜은 지원합니다. Z.ai 공식 문서가 Provides powerful tool-calling capabilities and supports integration with a wide range of external tools.라고 적었습니다. 벤치마크도 함께 공개돼 있지만 전부 Z.ai가 발표한 자료이고 Claude Opus 4.8과의 코딩·에이전트 비교가 포함돼 있습니다. 평가 조건은 벤치마크마다 따로 적혀 있습니다. 그중 HLE w/ tools는 최대 컨텍스트 300,000 토큰에 최대 생성 163,840 토큰으로 돌렸는데, 이 두 수는 모델 스펙이 아니라 벤치마크 설정값입니다. 스펙표에 옮겨 적으면 안 됩니다.
내 코드에 뭘 해야 하나
먼저 모델 ID입니다. 새 ID는 z-ai/glm-5.3-flash입니다. 옛 stealth/ox-alpha 페이지는 지워지지 않고 안내문을 단 채 남아 있는데, API로 조회하면 메타데이터는 오지만 endpoints 배열이 비어 있습니다. 라우팅 가능한 공급자가 0개라는 뜻입니다. 옛 ID 페이지는 남아 있어도 서빙 엔드포인트가 없으므로 새 ID로 바꿔야 합니다. 실제로 추론을 호출하면 어떤 응답이 오는지는 호출해 보지 않았으므로 적지 않습니다.
그다음은 공급자입니다. 컨텍스트가 공급자마다 다르므로 긴 입력을 넣는 코드라면 대상 공급자를 고정하고 그쪽의 컨텍스트 표기를 확인해 두는 편이 안전합니다. 26만 토큰까지만 받는 공급자에 100만 토큰을 밀어 넣는 실패는 배포한 뒤에야 드러납니다.
네 항목 모두 배포 전에 확인할 수 있는 것들이다.
세 번째는 비용입니다. 9월 10일 01시(KST)를 지나면 표시 단가가 두 배가 됩니다. 프로모션가로 잡아 둔 예산이 있다면 그 전에 정가 기준으로 다시 계산해 두는 편이 좋고 여기에 추론 토큰이 항상 붙는다는 점도 함께 봅니다.
마지막은 자체 호스팅입니다. MIT라서 올리는 것 자체는 막히지 않지만 공식 요구 사양이 없으므로 가중치 약 328GB라는 계산에서 출발해 KV 캐시와 프레임워크 오버헤드를 따로 잡아야 합니다. 프레임워크는 모델 카드가 적어 둔 SGLang, vLLM, TokenSpeed, KTransformers 중에서 고르게 됩니다.