كيفية استخدام GLM-5.3 API

أصدرت Zhipu AI، المختبر الصيني الذي يعمل دوليًا تحت اسم Z.ai، النموذج GLM-5.3 في 14 أغسطس 2026، وتعتبر أرقام الأداء الخاصة بالبرمجة هي القصة الأساسية. تظهر التقييمات الداخلية تحسنًا بنسبة 50% في قدرات البرمجة مقارنة بـ GLM-5.2، وقد قفزت درجة Terminal-Bench 3.0 من 4.6 إلى 28.3، وتصف Zhipu قدرات النموذج في البرمجة والعمل كوكيل بأنها "تقترب من Claude Fable 5"، وفقًا لتقرير الإطلاق من BigGo. ستتبع الأوزان المفتوحة في غضون أسبوعين تقريبًا. للحصول على تفاصيل القدرات الكاملة وجدول المقارنات المعيارية، اقرأ ما هو GLM-5.3؛ هذه المقالة هي دليل البدء السريع العملي لواجهة برمجة التطبيقات (API).

إليك ما ستفعله: احصل على مفتاح API، وقم بإجراء أول استدعاء باستخدام cURL، وانقله إلى Python و Node.js عبر OpenAI SDK، وقم ببث الرموز (tokens)، واضبط المعلمات المهمة، وقم بربط الحلقة بأكملها في Apidog حتى تتمكن من تثبيت شكل الطلب قبل كتابة كود التطبيق. الخبر السار مقدمًا: واجهة API الخاصة بـ Z.ai متوافقة مع OpenAI. إذا قمت باستدعاء أي نقطة نهاية من نمط OpenAI من قبل، فأنت تعرف معظم هذا بالفعل.

ملاحظة تحذيرية واحدة قبل الكود. تم إطلاق GLM-5.3 اليوم، وتتحرك مستندات Zhipu بسرعة في أيام الإطلاق. كل ما هو أدناه والذي جاء مباشرة من المستندات الرسمية عند التحقق يتم تقديمه على أنه متحقق منه؛ أي شيء لم تلحق به المستندات بعد تم الإشارة إليه كعرف لعائلة GLM-5، مع رابط لتتمكن من تأكيد الحالة الحالية بنفسك.

ملخص سريع

تم إطلاق GLM-5.3 في 14 أغسطس 2026. أفادت تقييمات Zhipu الداخلية بتحسن 50% في قدرات البرمجة مقارنة بـ GLM-5.2 وقفزة في Terminal-Bench 3.0 من 4.6 إلى 28.3. ويحتل المرتبة الأولى بين النماذج مفتوحة المصدر على Terminal-Bench 3.0 و Agents’ Last Exam.
واجهة برمجة التطبيقات (API) متوافقة مع OpenAI. نقطة النهاية الدولية: POST https://api.z.ai/api/paas/v4/chat/completions مع الرأس Authorization: Bearer $GLM_API_KEY. الصين الرئيسية: https://open.bigmodel.cn/api/paas/v4/chat/completions.
وقت كتابة هذا المقال، أدرجت صفحة مستندات GLM-5 glm-5 كمعرف نموذج. تدرج صفحة تسعير Zhipu glm-5.2 و glm-5.1 كنموذجين منفصلين، لذا توقع أن يتبع glm-5.3 نفس الاتفاقية المنقّطة. تأكد قبل التضمين الثابت في الكود.
لم تنشر Zhipu تسعير API خاصًا بـ 5.3 عند الإطلاق. للمقارنة، أدرجت صفحة التسعير الرسمية GLM-5.2 بسعر 1.40 دولار لكل مليون رمز إدخال و 4.40 دولار لكل مليون رمز إخراج، و GLM-5 بسعر 1.00 دولار و 3.20 دولار.
ستتوفر الأوزان المفتوحة على Hugging Face حوالي 28 أغسطس 2026. تمت إعادة تعيين حصص خطة GLM Coding لجميع المستخدمين في 14 أغسطس.
اختبر في Apidog أولاً: بيئة واحدة لكل نقطة نهاية إقليمية، ومعرف النموذج خلف متغير، واستجابات محفوظة كبيانات وهمية (fixtures) حتى لا يتم تحصيل رسوم الرموز أثناء تكرار المطالبات.

لماذا GLM-5.3 مهم

لم يتغير النموذج الأساسي. كل مكسب في هذا الإصدار يأتي من التدريب اللاحق الموسع فوق GLM-5، مما يجعل حجم القفزات غير عادي. انتقل Terminal-Bench 3.0 من 4.6 إلى 28.3، وهي قفزة بمقدار 6.2 ضعف نقلت GLM من نموذج غير ذي صلة إلى الأول بين النماذج مفتوحة المصدر في هذا المعيار وفي Agents’ Last Exam. تضاعف SWE-Marathon تقريبًا مقارنة بـ GLM-5.2. على الجانب الأمني، جاء CyberGym بنسبة 84.5%، أعلى قليلاً من Claude Mythos 5 و GPT-5.6 Sol، بينما وصل ExploitBench إلى 54.4%، ولا يزال متأخرًا عن النماذج الرائدة. لاحظ المصدر: ادعاء التحسين في البرمجة بنسبة 50% والعديد من هذه الدرجات تأتي من تقييمات Zhipu الخاصة، لذا تعامل معها كتقرير بائع حتى يتم إعادة إنتاجها من قبل أطراف ثالثة.

الهندسة المعمارية الأساسية هي عائلة GLM-5: تصميم "مزيج من الخبراء" (Mixture of Experts) بإجمالي 744 مليار معلمة، حوالي 40 مليار معلمة نشطة لكل تمريرة أمامية، ونافذة سياق 200 ألف رمز، وفقًا لمستندات Z.ai. هذه هي مواصفات العائلة، وليست ادعاءات خاصة بـ 5.3.

سببان إضافيان يجعلان هذا الإصدار مهمًا لمستخدمي API. أولاً، تقول Zhipu إنها ستصدر الأوزان المفتوحة لـ GLM-5.3 بعد حوالي أسبوعين من الإطلاق، حوالي 28 أغسطس، إلى جانب ما تسميه نظام مراجعة المخاطر الأكثر شمولاً حتى الآن، وفقًا لتغطية Pandaily للإطلاق. إذا كان الاستضافة الذاتية ضمن خارطة طريقك، فإن واجهة برمجة التطبيقات التي قمت بإعدادها اليوم تعمل أيضًا كخط أساس للانحدار الخاص بك؛ يغطي دليل التحضير للاستضافة الذاتية لـ GLM-5.3 هذه العملية بالتفصيل. ثانيًا، تصف Seeking Alpha Zhipu بأنه "منافس OpenAI الصيني"، وتميل إصدارات الأوزان المفتوحة بهذا المستوى من القدرة إلى تحريك الأسعار في السوق بأكمله.

الحصول على مفتاح API

هناك منصتان، مقسمتان حسب المنطقة، وينطبق هذا التقسيم على كل شيء آخر في هذا الدليل.

Z.ai (دوليًا). سجل في z.ai، افتح وحدة تحكم API، وأنشئ مفتاحًا. توجد المستندات في docs.z.ai. هذا هو المسار لأي شخص خارج الصين القارية، وهي نقطة النهاية التي يعتمدها بقية هذا المقال افتراضيًا.

Bigmodel.cn (الصين القارية). منصة Zhipu المحلية هي open.bigmodel.cn. نفس شكل API، ونفس نظام المصادقة، ولكن مضيف مختلف وفواتير منفصلة. إذا كانت حركة المرور الخاصة بك تنشأ في الصين القارية، استخدم هذه المنصة؛ فزمن الوصول والامتثال يشيران إلى ذلك.

أيهما تختار من المنصتين، قم بتصدير المفتاح مرة واحدة واحتفظ به خارج الكود الخاص بك:

export GLM_API_KEY="your-key-from-the-console"

إذا كنت مشتركًا في خطة GLM Coding بدلاً من الدفع حسب الاستخدام لـ API، لاحظ أنه تمت إعادة تعيين الحصص لجميع المستخدمين في 14 أغسطس، لذا تبدأ عصر 5.3 برصيد نظيف.

نقطة النهاية والمصادقة

نقطة نهاية إكمال الدردشة، تم التحقق منها مقابل مستندات GLM-5 وقت كتابة هذا المقال:

POST https://api.z.ai/api/paas/v4/chat/completions

الصين القارية تستبدل المضيف:

POST https://open.bigmodel.cn/api/paas/v4/chat/completions

المصادقة هي رأس واحد: Authorization: Bearer $GLM_API_KEY. لا توقيع، ولا مصافحة جلسة.

متوافق مع OpenAI يعني بالضبط ما تأمله. نص الطلب هو model بالإضافة إلى شكل مصفوفة messages، وتأتي الاستجابة مع choices و message و finish_reason و usage، وتعمل حزم OpenAI SDKs الرسمية دون تعديل بمجرد توجيه base_url إلى Z.ai. أي كود كتبته ضد مزود آخر متوافق مع OpenAI يمكن نقله عن طريق تبديل المضيف والنموذج؛ النمط هو نفسه الذي مررنا به في DeepSeek V4 Pro’s API.

ملاحظة صريحة حول معرف النموذج. عندما قمت بجلب المستندات في يوم الإطلاق، أدرجت صفحة GLM-5 glm-5 كسلسلة للنموذج ولم يتم تحديثها بعد لـ 5.3. تقوم صفحة تسعير Zhipu بتحصيل رسوم glm-5.2 و glm-5.1 كنماذج مميزة، لذا فإن اصطلاح العائلة يقول أن المعرف الجديد هو glm-5.3. تستخدم الأمثلة أدناه هذا المعرف، ولكن تحقق من المستندات قبل تثبيته في الإنتاج. إذا أظهر glm-5.3 خطأ 404 في منطقتك، فارجع إلى glm-5 وستظل تستخدم نفس العائلة.

أول طلب لك في cURL

استدعاء عامل كامل:

curl "https://api.z.ai/api/paas/v4/chat/completions" \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "system",
        "content": "You are a code reviewer. Flag issues as blocking or non-blocking."
      },
      {
        "role": "user",
        "content": "Review this shell script for safety:\n\nrm -rf $BUILD_DIR/*\ncp dist/* $DEPLOY_TARGET"
      }
    ],
    "temperature": 0.3,
    "max_tokens": 1024
  }'

الاستجابة هي شكل OpenAI القياسي: مصفوفة choices حيث يحتوي choices[0].message.content على الإجابة، وكتلة usage مع prompt_tokens و completion_tokens. نظرًا لدرجة Terminal-Bench هذه، فإن مطالبات مراجعة الأوامر والخاصة بالطرفية مثل هذه هي بالضبط حيث من المفترض أن يكون 5.3 قد تحسن أكثر، لذا فهو اختبار دخان مناسب.

توثق المستندات أيضًا معلمة thinking التي تبدل وضع تفكير النموذج:

"thinking": { "type": "enabled" }

قم بتمكينها لمهام البرمجة والوكيل متعددة الخطوات؛ وتخطاها لاستدعاءات الاستخراج القصيرة حيث تكون رموز التفكير مضيعة للإنفاق.

بدء سريع في Python

لا توجد حزمة SDK جديدة لتعلمها. قم بتثبيت حزمة OpenAI وغير عنوان URL الأساسي:

pip install --upgrade openai

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["GLM_API_KEY"],
    base_url="https://api.z.ai/api/paas/v4",
)

response = client.chat.completions.create(
    model="glm-5.3",
    messages=[
        {
            "role": "system",
            "content": "You are a code reviewer. Flag issues as blocking or non-blocking.",
        },
        {
            "role": "user",
            "content": (
                "Review this Flask route for security issues:\n\n"
                "@app.route('/user/<id>')\n"
                "def get_user(id):\n"
                "    return db.execute(f'SELECT * FROM users WHERE id = {id}')"
            ),
        },
    ],
    temperature=0.3,
    max_tokens=2048,
)

print(response.choices[0].message.content)
print("input tokens:", response.usage.prompt_tokens)
print("output tokens:", response.usage.completion_tokens)

سجل كتلة usage هذه من اليوم الأول. مع عدم نشر تسعير خاص بـ 5.3 عند الإطلاق، فإن عدد الرموز لديك هو الطريقة الوحيدة لتوقع فاتورتك بمجرد ظهور الأرقام الرسمية.

بدء سريع في Node.js

نفس الخطوة مع حزمة openai npm:

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.GLM_API_KEY,
  baseURL: "https://api.z.ai/api/paas/v4",
});

const response = await client.chat.completions.create({
  model: "glm-5.3",
  messages: [
    {
      role: "system",
      content: "You are a terminal automation agent. Return each step as a shell command with a one-line rationale.",
    },
    {
      role: "user",
      content: "A Node service on port 3000 stopped responding after a deploy. Give me a diagnosis sequence.",
    },
  ],
  temperature: 0.3,
  max_tokens: 2048,
});

console.log(response.choices[0].message.content);

إذا كان كودك يتحدث بالفعل إلى OpenAI، فلست بحاجة إلى عميل موازٍ. قم بإنشاء نسخة OpenAI ثانية باستخدام baseURL الخاص بـ Z.ai وقم بتوجيه الطلبات حسب المهمة. هذا يجعل المقارنة بين GLM-5.3 والنموذج الحالي الخاص بك قرار توجيه بدلاً من إعادة كتابة.

البث (Streaming)

تؤكد المستندات دعم البث من خلال علامة stream القياسية. في Python:

stream = client.chat.completions.create(
    model="glm-5.3",
    messages=[
        {"role": "user", "content": "Explain the N+1 query problem with a concrete ORM example."}
    ],
    stream=True,
)

for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)

عبر HTTP الخام، قم بتعيين "stream": true في النص وقم بتحليل أحداث الخادم المرسلة؛ يحمل كل سطر data: دلتا في تنسيق أجزاء OpenAI. ملاحظتان عمليتان. يصل استخدام الرمز عند أو بعد الجزء الأخير، لذا فإن المحاسبة تكون دقيقة فقط بمجرد إغلاق البث. وإذا قمت بتمكين thinking، فتوقع توقفًا أطول قبل ظهور أول رمز مرئي في المطالبات الصعبة؛ فالنموذج ينفق الرموز في التفكير قبل الإجابة، وهذا هو المقايضة التي وافقت عليها.

المعلمات المهمة

المقابض التي تغطيها المستندات، بترتيب عدد مرات لمسكها:

المعلمة (Parameter)	النوع (Type)	ما تفعله (What it does)
`max_tokens`	عدد صحيح (integer)	حد أقصى ثابت لطول الإخراج. رافعة التكلفة الرئيسية لديك.
`temperature`	رقم (number)	استخدم 0.2 إلى 0.4 للكود والاستخراج، 0.7+ للكتابة المفتوحة.
`thinking`	كائن (object)	`{"type": "enabled"}` لتشغيل وضع التفكير للمهام متعددة الخطوات.
`stream`	منطقي (boolean)	أحداث مرسلة من الخادم بدلاً من نص استجابة واحد.
`messages`	مصفوفة (array)	أدوار OpenAI القياسية: `system`، `user`، `assistant`.

بخصوص التكلفة: لم تنشر Zhipu تسعير API خاصًا بـ 5.3 عند الإطلاق، لذا قاوم أي رقم لكل رمز تراه في صفحات البائعين. صفحة التسعير الرسمية هي مصدر الحقيقة؛ حتى كتابة هذا المقال، أدرجت GLM-5.2 بسعر 1.40 دولار للإدخال و 4.40 دولار للإخراج لكل مليون رمز، و GLM-5 بسعر 1.00 دولار و 3.20 دولار، مما يحدد النطاق الذي من المحتمل أن يقع فيه 5.3. يتم خصم المدخلات المخزنة مؤقتًا في نماذج GLM المدفوعة بنسبة 80 إلى 85%، لذا قم بهيكلة المطالبات المتكررة للنظام لتصل إلى ذاكرة التخزين المؤقت. إذا فاجأك مزود خدمة من قبل بتغيير في السعر، فأنت تعرف لماذا هذا الانضباط مهم؛ يغطي تحليلنا لزيادة أسعار DeepSeek أنماط التحكم في التكلفة التي تنتقل مباشرة.

اختبر GLM-5.3 في Apidog قبل كتابة كود التطبيق

تكرار المطالبة داخل نص برمجي هو حلقة بطيئة: تحرير، إعادة تشغيل، تمرير، تكرار، وكل دورة تكلف رموزًا. نظرًا لأن واجهة API الخاصة بـ Z.ai متوافقة مع OpenAI، يمكن لعميل API استيعاب مرحلة الاستكشاف بأكملها.

الإعداد في Apidog:

أنشئ مشروعًا وأضف طلب إكمال الدردشة. قم باستيراد أي مواصفات متوافقة مع OpenAI أو قم بتعريف نقطة النهاية POST /chat/completions يدويًا؛ النص هو شكل model المألوف بالإضافة إلى messages.
أنشئ بيئتين: zai-international و bigmodel-mainland. قم بتعيين عنوان URL الأساسي في كل منهما (https://api.z.ai/api/paas/v4 و https://open.bigmodel.cn/api/paas/v4) وربط Authorization: Bearer {{GLM_API_KEY}} على مستوى البيئة. يصبح التبديل بين المناطق بنقرة على القائمة المنسدلة، ولا يصل المفتاح أبدًا إلى طلب محفوظ.
ضع معرف النموذج خلف متغير تم تعيينه على glm-5.3. في أسبوع الإطلاق، هذا الأمر أكثر أهمية من المعتاد: إذا تغير المعرف مع استقرار المستندات، أو أردت المقارنة بين glm-5.3 و glm-5.2، فإنك تغير متغيرًا واحدًا بدلاً من تحرير كل طلب محفوظ.
اختبر تبديل thinking جنبًا إلى جنب. قم بتكرار الطلب، وقم بتمكين التفكير في نسخة واحدة، وقارن زمن الاستجابة وجودة الإخراج و usage على نفس المطالبة. هذه هي أسرع طريقة لتحديد أي من أعباء عملك تستحق رموز التفكير.
اضرب نقطة نهاية البث (streaming). تُعرض أجزاء SSE مباشرة، لذا سترى وقت الوصول للرمز الأول كما يراه المستخدمون لديك.
احفظ الاستجابات الجيدة كأمثلة. ستصل التشغيلات اللاحقة إلى البيانات الوهمية (fixture) بدلاً من API المباشرة، وهو أكبر موفر للرموز خلال التطوير.

من هناك، قم بربط الطلبات المحفوظة في سيناريوهات اختبار مع تأكيدات على finish_reason ومخطط الاستجابة وعدد الرموز، وستكون قد حولت اختبارات الدخان إلى مجموعة انحدار. نفس سير العمل، المعمم على أي API، موجود في دليل اختبار API لمهندسي ضمان الجودة.

معالجة الأخطاء وحدود المعدل

توقع أخطاءً قياسية على نمط OpenAI: كائن error يحتوي على message و type و code. المشتبه بهم المعتادون هم 401 لمفتاح مفقود أو ملغى، 400 لجسم طلب خاطئ أو معرف نموذج غير معروف، 429 لحدود المعدل، و 5xx لأعطال الخادم المؤقتة.

ثلاث عادات لواجهة برمجة تطبيقات (API) في يوم الإطلاق:

لف كل استدعاء في مساعد إعادة المحاولة مع تأخير أسي متذبذب على 429 و 5xx. تركز إطلاقات النماذج الجديدة حركة المرور، وسوف تواجه أخطاء 429 في اليوم الأول.
لا تخترع أرقام حدود المعدل. تنشر Zhipu تفاصيل التزامن والمستويات في المستندات الرسمية؛ اقرأ القيم الحية هناك بدلاً من الوثوق بمنشور مدونة، بما في ذلك هذا المنشور، للبقاء على اطلاع دائم.
ثبت معرف النموذج خلف التكوين. إذا تسبب تغيير سلوك 5.3 في تعطيل مطالبة، يجب أن يكون التراجع إلى glm-5.2 تغييرًا في التكوين، وليس نشرًا. ينطبق سير عمل التصحيح الذي أنشأناه لـ API Grok هنا دون تغيير، حيث يتحدث كلاهما لهجة OpenAI.

الأسئلة الشائعة

ما هو معرف النموذج لـ GLM-5.3 API؟

توقع glm-5.3، باتباع اصطلاح العائلة الذي يعطينا glm-5.2 و glm-5.1 في صفحة تسعير Zhipu. وقت كتابة هذا المقال، لا تزال المستندات تدرج glm-5 في صفحة النموذج، لذا تأكد من docs.z.ai قبل تثبيته، واحتفظ بالمعرف في التكوين حتى يكون التصحيح غير مكلف.

هل يعمل GLM-5.3 API مع OpenAI SDK؟

نعم. واجهة برمجة التطبيقات (API) متوافقة مع OpenAI، لذا تعمل حزم openai الرسمية لـ Python و Node.js بمجرد تعيين base_url إلى https://api.z.ai/api/paas/v4 (أو ما يعادله في bigmodel.cn) وتمرير مفتاح Z.ai الخاص بك. تتطابق أشكال الطلب والاستجابة مع معيار إكمال الدردشة، بما في ذلك البث.

كم تبلغ تكلفة GLM-5.3 API؟

لم تنشر Zhipu تسعيرًا خاصًا بـ 5.3 عندما تم إطلاقه في 14 أغسطس 2026. أدرجت صفحة التسعير الرسمية GLM-5.2 بسعر 1.40 دولار لكل مليون رمز إدخال و 4.40 دولار لكل مليون رمز إخراج، وهو أفضل نقطة مرجعية لك حتى يظهر صف 5.3. تجاهل تخمينات أسعار البائعين.

كيف يقارن GLM-5.3 بـ Claude و GPT؟

تقييمات Zhipu الخاصة تضع قدرات البرمجة والوكيل "تقترب من Claude Fable 5"، مع CyberGym بنسبة 84.5% أعلى قليلاً من Claude Mythos 5 و GPT-5.6 Sol، لكن ExploitBench بنسبة 54.4% لا يزال متخلفًا عن النماذج الرائدة. تعامل مع أرقام البائعين كادعاءات حتى يتم إعادة إنتاجها بشكل مستقل؛ لمعرفة كيفية مقارنة النماذج الرائدة ببعضها البعض، راجع مقارنتنا بين Grok 4.6 و GPT-5.6 و Claude Fable 5.

هل يمكنني تشغيل GLM-5.3 محليًا بدلاً من استخدام API؟

ليس بعد. تقول Zhipu إن الأوزان المفتوحة ستصل بعد حوالي أسبوعين من الإصدار، حوالي 28 أغسطس 2026، على منظمة Hugging Face الخاصة بها. تصميم MoE ذو 744 مليار معلمة يعني أن الخدمة المحلية تتطلب عملًا من فئة الخوادم، وليس عملًا من فئة أجهزة الكمبيوتر المحمولة؛ استخدم واجهة برمجة التطبيقات المستضافة الآن وقم ببناء الخط الأساسي الذي ستقارن به النشر المستضاف ذاتيًا لاحقًا.

مكان GLM-5.3 في حزمتك التقنية

يستحق GLM-5.3 تقييمًا بعد الظهر إذا كنت تدير حلقات وكيل أو أعباء عمل برمجية، وتجعل الواجهة المتوافقة مع OpenAI ذلك التقييم غير مكلف. قفزات Terminal-Bench و SWE-Marathon مُبلغ عنها من قبل البائع، ولكن حركة 6.2 ضعف كبيرة بما يكفي للتحقق منها بنفسك، ويعني الأسبوعان المتبقيان حتى توفر الأوزان المفتوحة أن الطلبات التي تحفظها اليوم ستصبح خط الأساس للانحدار لنشر مستضاف ذاتيًا لاحقًا.

التسلسل المنطقي: احصل على مفتاح، قم بتشغيل استدعاء cURL، وانقل الطلب إلى عميل API قبل لمس كود التطبيق. قم بتنزيل Apidog لإعداد البيئتين الإقليميتين، وضع معرف النموذج خلف متغير، وقارن وضع thinking في التشغيل والإيقاف عبر مطالباتك الحقيقية. بمجرد أن تبدو الاستجابات صحيحة، يصبح نقلها إلى Python أو Node هو مجرد عنوان URL أساسي ومتغير بيئة، لأن تنسيق الاتصال لم يكن أبدًا الجزء الصعب.

button