Z.ai ปล่อย GLM-5.3-Flash เป็น open weights ใต้ MIT — MoE 320B ที่ใช้จริงแค่ 18B, multimodal ในตัว, บริบท 1M และทำ GDPVal-AA v2 นำทุกเจ้าในตาราง

หลังจาก GLM-5.3 เปิดตัวเมื่อ 14 ส.ค. แบบ API-only พร้อมคำสัญญาว่าจะปล่อยน้ำหนักตามมา วันที่ 26 สิงหาคม 2026 Z.ai ก็ปล่อยของจริง — แต่เป็นรุ่นที่เรายังไม่เคยเห็นมาก่อน: GLM-5.3-Flash โมเดล Mixture-of-Experts 320 พันล้านพารามิเตอร์ที่กระตุ้นจริงแค่ 18 พันล้านต่อโทเคน ปล่อยน้ำหนักเต็มบน Hugging Face ใต้ใบอนุญาต MIT — ไม่ใช่ “modified” ไม่ใช่ community license ผมเปิดไฟล์ LICENSE ในรีโปแล้ว มันคือ MIT ฉบับมาตรฐาน ลงชื่อ Z.AI Co., Ltd

ที่ต้องพูดให้ตรงคือ สิ่งที่ปล่อยคือ GLM-5.3-Flash ไม่ใช่ GLM-5.3 ตัวเต็ม — ณ เวลาที่เขียน ออร์แกไนเซชัน zai-org บน Hugging Face มีแค่ GLM-5.3-Flash กับ GLM-5.3-Flash-BF16 ส่วน GLM-5.3 ตัวที่ทำคะแนน coding/cyber เมื่อกลางเดือนยังเป็น API-only อยู่ แต่ Flash ก็ไม่ใช่ของเหลือ: Z.ai บอกเองว่ามันเทรนจาก base model ตัวใหม่ทั้งหมด ไม่ได้กลั่นลงมาจากรุ่นพี่ และมันเป็น โมเดลตัวแรกในตระกูล GLM-5 ที่เป็น multimodal โดยกำเนิด

สถาปัตยกรรม — linear attention สามชั้น สลับ sparse attention หนึ่งชั้น

ผมเปิด config.json มาไล่ดู เพราะนี่คือจุดที่น่าสนใจที่สุดของรุ่นนี้ และมันตรงกับที่ model card เขียนไว้:

• 45 เลเยอร์, hidden size 4096, vocab 154,880
• MoE: 288 routed experts เลือกใช้ 8 ตัวต่อโทเคน บวก shared expert 1 ตัว — นี่คือที่มาของ 18B active จาก 320B total
• max_position_embeddings = 1,048,576 — บริบท 1 ล้านโทเคนโดยกำเนิด ไม่ต้อง YaRN ไม่ต้องขยายทีหลัง
• layer_types เป็นลายซ้ำ 3:1 — linear_attention สามชั้น แล้วตามด้วย deepseek_sparse_attention หนึ่งชั้น วนไปทั้งโมเดล ตัว linear attention เป็นสาย KDA (Kimi Delta Attention) 64 หัว head_dim 128 ส่วน sparse attention มี indexer เลือก top-2048 โทเคน
• มี vision_config อยู่ในไฟล์ config ระดับบนสุด พร้อม token id แยกสำหรับ image/video — ยืนยันว่า multimodal ฝังมาในตัวโมเดล ไม่ใช่ adapter แปะข้าง

Z.ai เรียกสิ่งนี้ว่า hybrid architecture ที่ผสม sparse กับ linear attention และบอกว่าเป้าหมายคือ “ลดต้นทุนการเสิร์ฟ long-context อย่างมากโดยยังรักษาความแม่นของบริบทยาวไว้” ซึ่งอ่านจาก config แล้วสมเหตุสมผล: สามในสี่ของเลเยอร์เป็น linear attention ที่ต้นทุนโตเชิงเส้นตามความยาว ส่วนเลเยอร์ที่สี่เท่านั้นที่ยอมจ่ายค่า attention แบบเลือกจุด

อีกชิ้นที่ Z.ai เพิ่มเข้ามาคือ mHC (Manifold-Constrained Hyper-Connections) ซึ่งอยู่ใน config จริง (hc_mult: 4, hc_sinkhorn_iters: 20) — Z.ai อธิบายว่าช่วย scaling efficiency ทั้งหมดนี้เทรนบนคอร์ปัส multimodal 30 ล้านล้านโทเคน

ตัวเลข — อ่านจากกราฟทางการของ Z.ai เอง

Z.ai ไม่ได้ใส่ตารางตัวเลขเป็นข้อความใน model card แต่ใส่เป็นภาพ bench_53.png ผมโหลดภาพมาอ่านโดยตรงเพื่อไม่ต้องอ้างตัวเลขต่อจากสำนักข่าว นี่คือของจริงจากกราฟ (6 เบนช์มาร์ก):

เบนช์มาร์ก	GLM-5.3-Flash	GLM-5.2	DeepSeek-V4-Vision-Exp	Claude Opus 4.8	GPT-5.6 Terra	Gemini 3.7 Flash
Terminal Bench 2.1	84.3	81.0	83.9	85.0	87.4	85.8
DeepSWE v1.1	63.4	46.2	59.3	58.0	69.6	65.3
Agents’ Last Exam	26.3	20.4	27.3	27.0	28.0	—
AutomationBench v1.0.6	48.8	26.2	38.8	41.0	37.2	52.3
HLE w/ Tools	55.3	54.7	55.1	57.9	—	—
GDPVal-AA v2	1773	1504	1675	1582	1571	1527

อ่านตารางนี้ให้ตรง: GLM-5.3-Flash ไม่ได้ชนะทุกช่อง — GPT-5.6 Terra ยังนำบน Terminal Bench, DeepSWE และ Agents’ Last Exam ส่วน Gemini 3.7 Flash นำบน AutomationBench และ Claude Opus 4.8 นำบน HLE w/ Tools

แต่สองสิ่งที่โดดจริง: หนึ่ง — GDPVal-AA v2 ที่ 1773 คือคะแนนสูงสุดในตาราง นำ DeepSeek-V4-Vision-Exp (1675) และทิ้ง Claude Opus 4.8 (1582) กับ GPT-5.6 Terra (1571) อยู่เกือบ 200 จุด และตัวเลขนี้ Z.ai ระบุในเชิงอรรถว่า Artificial Analysis เป็นคนวัดให้ ไม่ใช่วัดเอง สอง — ระยะห่างจาก GLM-5.2 ซึ่งเป็นรุ่นพี่ 753B: DeepSWE กระโดดจาก 46.2 เป็น 63.4 และ AutomationBench เกือบเท่าตัวจาก 26.2 เป็น 48.8 โดยใช้พารามิเตอร์ทั้งก้อนน้อยกว่าครึ่ง

ฝั่งประเมินอิสระ Artificial Analysis ให้ Intelligence Index ที่ 57 จัดเป็นอันดับ 3 จากโมเดล open-weight 108 ตัวที่เขาวัด (ค่ากลางอยู่ที่ 27) ความเร็ว output อยู่ที่ราว 48.7 โทเคน/วินาที และ TTFT 1.52 วินาที — เร็วในการเริ่มตอบ แต่ไม่ใช่รุ่นที่พ่นโทเคนไวที่สุด และ AA ตั้งข้อสังเกตว่ามันตอบยาวกว่าค่ากลางพอสมควร (ใช้ไป 150 ล้านโทเคนตลอดการประเมิน เทียบค่ากลาง 110 ล้าน) ซึ่งเป็นเรื่องที่คนคิดค่าโทเคนต้องเผื่อไว้

รันเองได้ไหม — ตอบตรง ๆ ว่าไม่ใช่บนการ์ดตัวเดียว

นี่คือส่วนที่ต้องพูดให้ชัดเพราะพาดหัวว่า “open weights” มักทำให้เข้าใจผิด รีโปหลัก zai-org/GLM-5.3-Flash เป็น FP8 (e4m3, dynamic activation scheme) กระจายเป็น 63 shard รวมราว 328 GB ส่วนใครอยากได้ BF16 เต็มต้องไปที่รีโป GLM-5.3-Flash-BF16 แยกต่างหาก

328 GB แปลว่าถ้าจะโหลดทั้งก้อนลง VRAM ต้องใช้ H100 80GB ห้าใบเป็นอย่างน้อย — ไม่ใช่งานของ RTX 4090 หรือ Mac Studio อย่างไรก็ตาม เพราะ active param มีแค่ 18B ทางเลือกที่สมจริงกว่าสำหรับทีมเล็กคือ KTransformers ซึ่ง Z.ai ทำ tutorial ให้โดยเฉพาะ — วางน้ำหนัก expert ไว้บน RAM ระบบแล้วสลับเข้า GPU เฉพาะตัวที่ถูกเลือก ซึ่งเป็นแพตเทิร์นเดียวกับที่ชุมชนใช้รัน DeepSeek รุ่นใหญ่บนเครื่องเวิร์กสเตชันแรมเยอะ

เฟรมเวิร์กที่ Z.ai ระบุว่ารองรับตั้งแต่วันแรก: SGLang, vLLM, TokenSpeed และ KTransformers ทั้งสี่มีสูตร/คุกบุ๊กของตัวเองลิงก์ไว้ใน model card แล้ว

ส่วนใครไม่อยากยุ่งกับเครื่อง API ของ Z.ai คิด $0.15 ต่อล้านโทเคนขาเข้า และ $0.50 ต่อล้านโทเคนขาออก พร้อมส่วนลด cache 83% — Z.ai เคลมว่านี่คือ “หนึ่งในสิบของราคา GLM-5.2” เกร็ดเล็ก ๆ จากเอกสาร Z.ai เอง: ก่อนเปิดตัว โมเดลนี้ถูกปล่อยให้คนทดสอบแบบไม่เปิดชื่อในนาม “ox-alpha”

มุมมอง AI Curator

สิ่งที่ควรจับจากวันนี้ไม่ใช่ “โมเดลจีนอีกตัวที่เคลมชนะ Claude” — เพราะดูตารางแล้วมันไม่ได้ชนะ สิ่งที่ควรจับคือ ใบอนุญาต MIT บนโมเดลระดับนี้

ตลอดปีที่ผ่านมาเราเห็นแพตเทิร์นซ้ำ ๆ: แล็บปล่อย “open weights” แล้วแนบเงื่อนไขที่ทำให้เอาไปทำธุรกิจจริงไม่ได้ — จำกัดจำนวนผู้ใช้ ห้ามทำ Model-as-a-Service ต้องขอใบอนุญาตแยก หรือกำหนดว่าต้องติดชื่อแบรนด์บนหน้าจอ MIT ไม่มีอะไรพวกนั้นเลย คุณโหลด แก้ ฟายน์จูน เสิร์ฟขาย และไม่ต้องบอกใครก็ได้ สำหรับสตาร์ตอัพหรือหน่วยงานไทยที่ต้องส่งใบอนุญาตให้ฝ่ายกฎหมายอ่านก่อนอนุมัติ ความต่างระหว่าง “MIT” กับ “community license 4 หน้า” คือความต่างระหว่างอนุมัติในวันเดียวกับค้างอยู่สองเดือน

จุดที่สองซึ่งสำคัญกับบ้านเราเป็นพิเศษคือ บริบท 1 ล้านโทเคนที่เป็น native และ 3 ใน 4 เลเยอร์เป็น linear attention งาน enterprise ไทยจำนวนมากคือ “อ่านเอกสารกองใหญ่แล้วตอบ” — สัญญา ระเบียบราชการ คู่มือ เอกสารประกวดราคา ซึ่งเป็นงานที่กินบริบทยาวและอ่อนไหวเกินกว่าจะส่งขึ้น API ต่างประเทศ สถาปัตยกรรมแบบนี้ทำให้ต้นทุนต่อโทเคนของบริบทยาวไม่ระเบิดเหมือน dense attention และเมื่อบวกกับ multimodal ที่ฝังมาในตัว มันครอบคลุมเคสที่พบบ่อยมากในไทย: เอกสารที่จริง ๆ แล้วเป็นภาพสแกน ไม่ใช่ข้อความ

แต่อย่าเพิ่งวางแผนงบเซิร์ฟเวอร์จนกว่าจะยอมรับตัวเลข 328 GB นี่ไม่ใช่โมเดลที่ทีม 3 คนจะยกมารันในออฟฟิศ เส้นทางที่สมจริงสำหรับทีมไทยส่วนใหญ่ในระยะสั้นคือ ใช้ API ราคาถูกไปก่อนเพื่อพิสูจน์ว่าโมเดลทำงานไทยได้ดีจริง — และเก็บสิทธิ์ MIT ไว้เป็น แผนสำรองว่าถ้าวันหนึ่งราคา API ขึ้น หรือข้อกำหนด data residency บังคับ คุณย้ายมารันเองได้โดยไม่ต้องเจรจากับใคร นั่นคือมูลค่าจริงของ MIT ที่ไม่ปรากฏในตารางเบนช์มาร์กใด ๆ

ข้อสุดท้ายที่ยังไม่มีคำตอบ: ไม่มีตัวเลขภาษาไทยในชุดที่ Z.ai เผยแพร่เลย ไม่มี SEA-HELM ไม่มีอะไรที่ใกล้เคียง จนกว่าจะมีคนวัดจริง คำถามว่า “ไทยดีแค่ไหน” ยังตอบไม่ได้ และ 84.3 บน Terminal Bench ก็ไม่ได้แปลว่าเขียนภาษาไทยรู้เรื่อง

---

แหล่งข่าว

• zai-org/GLM-5.3-Flash — Hugging Face model card
• ไฟล์ LICENSE (MIT) ในรีโป
• GLM-5.3-Flash — เอกสาร API ของ Z.ai
• GLM-5.3-Flash — Artificial Analysis