作者｜沙丘智库研究团队
来源｜沙丘社区（www.shaqiu.cn）
9月18日，智谱推出GLM-5.3-Flash的高速型号GLM-5.3-FlashX，主打最高每秒200个token的推理速度。据智谱披露，这次提速是在既有国产芯片算力基础上，进一步投入推理优化的结果。
SQBench最新公布了GLM-5.3-FlashX的实战能力评测成绩，相比5.3-Flash，综合实战能力从49.73提高到54.60，整体表现直逼智谱的旗舰模型GLM-5.3。5.3-FlashX花费约为GLM-5.3的两成，用时约为三分之一，综合成绩仅相差1.46分。
图：SQBench实战能力对比
这次评测包含220项任务，三款GLM模型均使用Max配置。我们挑出研究报告、代码修复和部门周报三项工作，看看5.3-FlashX究竟快在哪里。这三项任务，三款模型都通过了评测，交付物和完成用时可以直接对照。
01
写研究报告：15分半的等待，缩到了2分多钟
先给模型一项白银市场研究：回顾2010年以来的行情，分析通胀、工业需求和美元走势等驱动因素，再整理延伸至2030年的展望。报告需要有检索来源、分阶段的分析和思维导图。
这份任务从查资料开始，直到报告落到文件里，GLM-5.3用了15分29秒，5.3-Flash用了8分48秒。5.3-FlashX用了2分15秒。
打开5.3-FlashX交出的报告，可以看到历史梳理、驱动因素、技术位置、未来情景和资料来源几个部分。它把不同期限的判断拆开，同时列出可能推动或改变这些判断的条件。
例如，报告在讨论长期需求时，把光伏用银放在了重要位置；在另一种情景里，又考虑了光伏技术降低单位用银量、矿山供应增加等因素。最后列出的观察项，包括交易所库存、保证金政策和光伏电池单位用银量。方法说明中，它还列出了不同来源的数据差异，并注明对短期预测的置信度较低。
图：silver_analysis_report.md原文节选，展示数据核验、预测置信度与来源差异说明。按原始文件内容渲染。
对研究工作来说，这些细节有用。读报告的人可以沿着观察项继续查资料，核对某个判断的依据，也能看出哪些条件变化后，原来的分析需要调整。报告尾部的检索来源，则留下了进一步核验的入口。
02
修代码：一个并发漏洞，57秒修完并通过测试
接口规定每人每秒最多请求5次，遇到50个并发请求时，却几乎全部放行。
这是SQBench中一道分布式限流修复任务。模型要读代码、找到漏洞、完成修改，写出原因说明，并运行测试。验收要求很清楚：50个并发请求，恰好5个通过。
5.3-FlashX完成这项工作用了57秒。 5.3-Flash用了3分58秒，GLM-5.3用了6分02秒。
原来的代码把读取计数、判断限额和更新计数分成了几个步骤。多个请求同时到达时，可能读到同一个旧值，各自判断“还没超额”，于是限流失效。
5.3-FlashX把共享计数的更新交给Redis的原子递增操作，再根据返回的计数判断是否放行。它还在报告里解释了为什么给客户端加一把锁不够：任务中的服务运行在多个独立实例上，各自的本地锁管不到其他实例。
图：rate_limiter.py原始代码节选及本次评测的测试输出，保留原注释和输出文本。
测试结果是5个通过、45个被拦截。修改后的代码、原因说明和验证结果都交了出来，三款模型也都通过了这项任务。
03
做部门周报：1分40秒，查出了汇报里的“水分”
再看一项更熟悉的工作：给部门负责人整理周报。
SQBench给模型的材料包括团队聊天记录、业务数据表、预算文件和财务规则。聊天记录里的成绩很好看：新增了1200条营销线索，点击成本降到2美元以下，访问量轻松超过目标。写进正式周报之前，这些说法都要核对。
5.3-FlashX先运行脚本清洗和计算数据，再把自报成绩与核对结果放到了一起。
1200条线索，按任务规定调整后只有1092.5条；“低于2美元”的点击成本，实际是2.50美元；所谓“轻松超过”5万访问量，实际恰好5万。
图：weekly_department_report.md原始核对表节选，保留原文四列与前三条核对记录。
报告把这些差异逐条标了出来。哪些数字不符，哪些只是话说满了，部门负责人可以直接找到需要追问的位置。
它也没有把所有发现都塞进周报。按照任务中的保密要求，具体的预算违规进入单独的通知文件，普通部门周报没有披露这些明细。最终交付包括数据处理脚本、部门周报和预算通知。
完成这些工作，5.3-FlashX用了约1分40秒；5.3-Flash用了10分30秒，GLM-5.3用了10分14秒。
04
比它快的得分更低，比它高分的更慢、更贵
把5.3-FlashX放回整个榜单，性价比上的优势更清楚。
下面这张图，横轴是评测费用，纵轴是实战得分。越靠左，费用越低；越靠上，得分越高。5.3-FlashX处在一个醒目的位置：拿到同等或更高实战得分的模型，费用都比它高。
图：SQBench“实战能力 vs 评测成本”原图，展示默认选择的25个模型版本。
再把速度放进来，比较几款用户熟悉的模型：
模型
实战得分
累计耗时
评测费用
DeepSeek-V4-Flash（High）
47.07
5.51小时
$1.15
GLM-5.3-FlashX（Max）
54.60
6.67小时
$5.68
GLM-5.3（Max）
56.06
20.81小时
$29.58
Kimi K3
60.54
18.84小时
$42.17
表：同一组220项任务的累计用时与模型API费用。
DeepSeek-V4-Flash确实更快，也便宜很多。5.3-FlashX多花了约1.15小时和4.53美元，实战得分高出7.53分。前者的低价优势很强，后者则交出了更高的整体成绩。
Kimi K3的得分领先5.3-FlashX约5.94分，但累计用时达到18.84小时，费用为42.17美元。5.3-FlashX的用时约为它的35%，费用约为13%。GLM-5.3同样保持着更高的整体表现，完全通过119项任务，5.3-FlashX通过109项；两者的用时和费用差距，开头已经给出了答案。
我们也核对了截至9月19日SQBench已公布的全部37个模型版本：比5.3-FlashX快的，实战得分都更低；得分比它高的，用时和费用都更高。
称它为“性价比之王”，我们看重的是这组结果：它已经达到较高的实战能力水平，同时把完成工作的时间和费用压到了很低的位置。同分或更高分的参评模型里，它的用时和费用都是最低的。
研究报告2分多钟、限流修复57秒、部门周报不到2分钟，这些交付让“性价比”有了具体内容。5.3-FlashX这次最有说服力的地方，就是较高的实战成绩、短得多的等待和低得多的费用，出现在了同一款模型上。
更多AI研究内容可前往【沙丘智库小程序】搜索查阅