智谱 GLM-5.3-Flash：3200 亿总参 180 亿激活，原生多模态

智谱发布 GLM-5.3-Flash，3200 亿总参、180 亿激活，100 万 token 上下文，是 GLM-5 系列首个原生多模态模型。

能力覆盖

视觉理解、Office 文档解析、视频、3D 场景、Computer Use（屏幕操作）。已全量上线 GLM Coding Plan，额度提升到 GLM-5.3 的 3 倍。

这几项里最值得关注的是 Computer Use

屏幕操作是今年最实际的提效方向——不是为了演示，而是大量企业的内部系统没有 API，只能靠点界面。能稳定识别按钮位置、理解弹窗含义、在控件加载慢的时候等待重试，这才是核心能力，比多模态回答「这张图里有什么」有用得多。

额度提升 3 倍的含义

Flash 系列的定位本来是「轻量快跑」，额度给到主力版的 3 倍，说明官方认为它的单次成本足够低，可以承接高频调用。配合 100 万上下文，典型用法是把整份合同、整本手册、整段监控日志丢进去做分析，而不是切片检索。

原生多模态和拼接多模态的区别

拼接方案是「视觉模型出描述 → 文本模型接着推理」，信息在中间那一步被压成自然语言，细节丢失严重。原生多模态在同一个表示空间里处理图和文，对表格、图表、界面截图的细节保留更好。

试用建议

先拿三份真实材料测：一份带复杂表格的 PDF、一段操作录屏、一份有嵌套结构的合同。这三个场景分别考文档解析、时序理解、长上下文结构保持，能快速看出它在你业务里的天花板。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

Computer Use 才是这批能力里最实用的，大量内部系统没有接口只能点界面，能稳定识别控件和等加载重试才是硬功夫。额度给到主力版三倍，说明官方认为它单次成本足够低。

Computer Use 是这一版最实际的能力，很多企业内部系统确实没 API，只能点界面。但 180 亿激活跑屏幕操作，延迟和稳定性得实测，尤其是弹窗和加载动画这类非确定性元素。100 万上下文配合文档解析倒是可以直接吃掉整本手册，做知识问答比纯 RAG 省事。

Computer Use 这段说到点子上。企业里大量老系统只有界面没有接口，RPA 又脆，换个按钮位置就得重录。模型能看懂屏幕并自己纠错，这才是真正能替掉一部分人工操作的地方，比多几分跑分实在。