GLM 模型

glm-5.3 / glm-5.3-flash 按场景的调用示例：深度思考、流式、工具调用、JSON 输出、上下文缓存、图片输入

GLM 系列通过 /v1/chat/completions 与 /v1/messages 两种格式调用。平台对请求体透传：厂商专属参数原样转发，由上游模型决定是否生效。本页按场景组织，场景划分参照智谱官方能力文档（深度思考、流式输出、函数调用、结构化输出、上下文缓存、视觉理解、联网搜索等），但是否支持以平台实际接入的上游为准，不以官方为准。

每个场景标注证据：

已实测（线上测试账号，2026-10-19）：用线上账号真实调用过，响应取自真实输出（id、时间戳已替换为占位符）。
依官方文档（未实测）：只对照了官方文档，没有真实请求确认。

支持的模型

平台模型 id	说明	上下文窗口	最大输出	能力标签
`glm-5.3`	GLM-5.3 旗舰，仅文本，强制思考	1,000,000	131,072	对话、流式、工具调用、思考、缓存
`glm-5.3-flash`	GLM-5.3-Flash，更快更省，强制思考	1,000,000	131,072	对话、流式、工具调用、思考、缓存

能力标签以 GET /v1/models 返回为准。两个模型的标签都不含 vision，图片输入见「图片输入」。
官方说明 glm-5.3 仅处理文本。

平台不会替你开启或关闭思考。平台不会默认注入 thinking、reasoning_effort 或 temperature，你传什么就转发什么。GLM-5.3 系列本身强制思考，不能关闭（见下）。

场景总览

场景	官方是否提供	我们的情况	示例
深度思考（强度、读取思考内容）	是	支持（强制思考，不能关闭）	深度思考
流式输出	是	支持	流式输出
函数调用（工具调用）	是	支持；`tool_choice` 只支持 `auto`	工具调用
工具调用参数流式（`tool_stream`）	是	部分支持：依官方文档，未实测	工具调用注意事项
结构化输出（JSON 模式）	是	支持（`json_object`）	JSON 输出
上下文缓存	是	支持（隐式，自动，无参数）	上下文缓存
视觉理解（图片）	官方 `glm-5.3-flash` 为多模态，`glm-5.3` 仅文本	部分支持：`glm-5.3-flash` 实测能识图，但平台未列为视觉能力，不承诺；`glm-5.3` 不支持	图片输入
保留式思考（`clear_thinking: false`）	是	部分支持：依官方文档，未实测	保留式思考
Anthropic 格式调用	官方有 Anthropic 兼容入口	部分支持：同一条管线，GLM 上未单独实测	Anthropic 格式
联网搜索（`web_search` 工具）	是	不支持：实测 `tools` 只接受 `function` 类型，传 `web_search` 返回 400	无
关闭思考（`thinking: disabled`）	官方不支持（GLM-5.3 系列强制思考）	不支持：平台直接返回 400	见深度思考
角色扮演（CharGLM 等专用模型）	是（独立模型）	未接入：平台没有接入这类模型	无
视频、文件输入	`glm-5.3-flash` 官方称支持	未接入：能力标签无 `vision`，未验证	无

深度思考

证据：已实测（线上测试账号，2026-10-19），glm-5.3。

何时用：复杂分析、多步推理、方案设计。GLM-5.3 系列强制思考，不需要传 thinking；用 reasoning_effort 调强度，只接受 low、high、max（官方默认 max）。思考过程在 reasoning_content，最终回答在 content。

请求

from openai import OpenAI

client = OpenAI(base_url="https://api.modelsite.ai/v1", api_key="sk-ms-xxxxxxxx")

resp = client.chat.completions.create(
    model="glm-5.3",
    messages=[{"role": "user", "content": "9.11 和 9.9 哪个大？一句话回答。"}],
    max_tokens=1500,
    reasoning_effort="low",
)
msg = resp.choices[0].message
print(getattr(msg, "reasoning_content", None))  # 思考过程
print(msg.content)                              # 最终回答

响应

{
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "9.9 大，因为 0.9 > 0.11。",
        "refusal": null,
        "reasoning_content": "Simple: 9.11 vs 9.9. 9.9 is larger."
      },
      "finish_reason": "stop"
    }
  ],
  "created": 1760000000,
  "id": "chatcmpl-xxxx",
  "model": "glm-5.3",
  "object": "chat.completion",
  "request_id": "req-xxxx",
  "usage": {
    "completion_tokens": 37,
    "completion_tokens_details": {
      "reasoning_tokens": 20,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    },
    "prompt_tokens": 28,
    "prompt_tokens_details": {
      "cached_tokens": 0
    },
    "reasoning_tokens": 20,
    "total_tokens": 65
  }
}

关闭思考会被拒绝：glm-5.3 和 glm-5.3-flash 都不能关闭思考。请求里带 "thinking": {"type": "disabled"} 时平台直接返回 400，不会转给上游：

{
  "error": {
    "code": "invalid_request_error",
    "message": "This model does not support disabling thinking: thinking.type \"disabled\" is not allowed.",
    "type": "invalid_request_error"
  }
}

从别的模型迁移过来的代码如果传了 thinking: {"type": "disabled"}，换成 GLM-5.3 前要去掉，或改成 reasoning_effort: "low" 降低思考量。

注意事项

reasoning_effort 取值只有 low、high、max，其他值官方说明会报错；平台不做映射。
max_tokens 范围 1 到 131072，官方建议不小于 1024，且思考 token 计入输出，值太小会只有思考没有正文。官方参数表只列 max_tokens，请用它而不是 max_completion_tokens。
采样：temperature 范围 [0, 1]（不是 OpenAI 的 0 到 2），默认 1.0；top_p 范围 [0.01, 1.0]，默认 0.95；官方建议两者只调一个。平台不做范围校验，超范围的值原样交给上游。do_sample: false 时 temperature、top_p 被忽略（放 extra_body）。
stop 最多 4 个字符串。
也有可能得到空的 reasoning_content：在 glm-5.3-flash 的工具调用实测里，usage.completion_tokens_details.reasoning_tokens 为 0，响应里没有思考内容。不要假设每次都有思考内容。

流式输出

证据：已实测（线上测试账号，2026-10-19），glm-5.3-flash。

何时用：边生成边显示。传 stream: true；思考内容在 delta.reasoning_content，回答在 delta.content；finish_reason 与 usage 只出现在最后的数据块里，部分数据块没有 choices，读取前先判断。

请求

from openai import OpenAI

client = OpenAI(base_url="https://api.modelsite.ai/v1", api_key="sk-ms-xxxxxxxx")

stream = client.chat.completions.create(
    model="glm-5.3-flash",
    messages=[{"role": "user", "content": "数到五，用逗号分隔。"}],
    max_tokens=600,
    reasoning_effort="low",
    stream=True,
)
reasoning, content = "", ""
for chunk in stream:
    if not chunk.choices:
        continue
    d = chunk.choices[0].delta
    if getattr(d, "reasoning_content", None):
        reasoning += d.reasoning_content
    elif d.content:
        content += d.content
print(content)

响应

data: {"id":"chatcmpl-xxxx","object":"chat.completion.chunk","created":1760000000,"model":"glm-5.3-flash","choices":[{"index":0,"delta":{"role":"assistant","content":"","reasoning_content":""}}]}

data: {"id":"chatcmpl-xxxx","object":"chat.completion.chunk","created":1760000000,"model":"glm-5.3-flash","choices":[{"index":0,"delta":{"content":"一"}}]}

data: {"id":"chatcmpl-xxxx","object":"chat.completion.chunk","created":1760000000,"model":"glm-5.3-flash","choices":[{"index":0,"delta":{"content":"、二、三"}}]}

data: {"id":"chatcmpl-xxxx","object":"chat.completion.chunk","created":1760000000,"model":"glm-5.3-flash","choices":[{"index":0,"delta":{"content":"、四、五"}}]}

data: {"id":"chatcmpl-xxxx","object":"chat.completion.chunk","created":1760000000,"model":"glm-5.3-flash","choices":[{"delta":{},"finish_reason":"stop","index":0}]}

data: {"id":"chatcmpl-xxxx","object":"chat.completion.chunk","created":1760000000,"model":"glm-5.3-flash","choices":[],"usage":{"prompt_tokens":21,"completion_tokens":11,"total_tokens":32,"prompt_tokens_details":{"cached_tokens":0,"created_cache_tokens":0},"completion_tokens_details":{"reasoning_tokens":0,"audio_tokens":0,"accepted_prediction_tokens":0,"rejected_prediction_tokens":0}},"system_fingerprint":"fp_xxxx"}

data: [DONE]

注意事项

流式请求没传 stream_options 时，网关自动加 include_usage，usage 出现在最后一个 choices 为空的数据块里。

工具调用

证据：已实测（线上测试账号，2026-10-19），glm-5.3-flash；glm-5.3 同一管线，未单独实测。

何时用：让模型决定调用你定义的函数。模型本身不执行函数：它返回 tool_calls，由你的代码执行后把结果以 role: "tool" 消息（带对应 tool_call_id）放回历史，再请求一次得到最终回答。

第一轮请求

from openai import OpenAI

client = OpenAI(base_url="https://api.modelsite.ai/v1", api_key="sk-ms-xxxxxxxx")

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "Get weather of a location, the user should supply a location first.",
        "parameters": {
            "type": "object",
            "properties": {"location": {"type": "string", "description": "The city and state, e.g. San Francisco, CA"}},
            "required": ["location"],
        },
    },
}]
messages = [{"role": "user", "content": "How is the weather in Hangzhou?"}]
resp = client.chat.completions.create(
    model="glm-5.3-flash", messages=messages, tools=tools,
    tool_choice="auto", max_tokens=800, reasoning_effort="low",
)
msg = resp.choices[0].message
messages.append(msg)  # 把带 tool_calls 的 assistant 消息放回历史

第一轮响应：finish_reason 为 tool_calls，function.arguments 是 JSON 字符串，需要自己解析。

{
  "id": "chatcmpl-xxxx",
  "object": "chat.completion",
  "created": 1760000000,
  "model": "glm-5.3-flash",
  "choices": [
    {
      "finish_reason": "tool_calls",
      "index": 0,
      "message": {
        "role": "assistant",
        "content": null,
        "refusal": null,
        "tool_calls": [
          {
            "id": "chatcmpl-tool-xxxx",
            "type": "function",
            "function": {
              "name": "get_weather",
              "arguments": "{\"location\": \"Hangzhou, China\"}"
            }
          }
        ]
      }
    }
  ],
  "usage": {
    "prompt_tokens": 186,
    "completion_tokens": 15,
    "total_tokens": 201,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "created_cache_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  },
  "system_fingerprint": "fp_xxxx"
}

第二轮：执行函数，把结果放回历史再请求。

for call in msg.tool_calls:
    result = "24℃, cloudy"  # 你的函数实际执行结果
    messages.append({"role": "tool", "tool_call_id": call.id, "content": result})

resp = client.chat.completions.create(
    model="glm-5.3-flash", messages=messages, tools=tools,
    max_tokens=800, reasoning_effort="low",
)
print(resp.choices[0].message.content)

第二轮响应

{
  "id": "chatcmpl-xxxx",
  "object": "chat.completion",
  "created": 1760000000,
  "model": "glm-5.3-flash",
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "The weather in Hangzhou is currently 24°C and cloudy.",
        "refusal": null
      }
    }
  ],
  "usage": {
    "prompt_tokens": 208,
    "completion_tokens": 15,
    "total_tokens": 223,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "created_cache_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  },
  "system_fingerprint": "fp_xxxx"
}

注意事项

tool_choice 只接受 auto（官方：默认且仅支持 auto）。平台不拦截其他取值，上游是否报错未验证；用 Anthropic 格式时，any（转成 required）和 tool（转成指定函数）上游不一定接受，建议只用 auto。
tools 最多 128 个函数；函数名只能含 a-zA-Z0-9_-，最长 64。
tool_stream（工具调用参数流式）：依官方文档，未实测。布尔，默认 false；与 stream: true 同时开启时，函数调用参数分片流式返回，需要按 index 拼接 delta.tool_calls[*].function.arguments；非 OpenAI 字段，放 extra_body。官方说明 GLM-5.3 默认开启；glm-5.3-flash 是否在这一范围内未验证。
Anthropic 格式 tool_choice: {"type": "none"} 转成 tool_choice: "none"，disable_parallel_tool_use: true 转成 parallel_tool_calls: false。

JSON 输出

证据：已实测（线上测试账号，2026-10-19），glm-5.3-flash。

何时用：信息抽取、需要机器可解析的结果。设置 response_format: {"type": "json_object"}，并把期望的 JSON 结构写进提示词；官方只支持 text 与 json_object，没有 json_schema。

请求

import json
from openai import OpenAI

client = OpenAI(base_url="https://api.modelsite.ai/v1", api_key="sk-ms-xxxxxxxx")

resp = client.chat.completions.create(
    model="glm-5.3-flash",
    messages=[
        {"role": "system", "content": "提取姓名和年龄，以 JSON 输出，格式：{\"name\": \"...\", \"age\": 0}"},
        {"role": "user", "content": "大家好，我叫张三，今年 20 岁。"},
    ],
    response_format={"type": "json_object"},
    max_tokens=600,
    reasoning_effort="low",
)
print(json.loads(resp.choices[0].message.content))

响应

{
  "id": "chatcmpl-xxxx",
  "object": "chat.completion",
  "created": 1760000000,
  "model": "glm-5.3-flash",
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "{\"name\": \"张三\", \"age\": 20}",
        "refusal": null,
        "reasoning_content": "Extract."
      }
    }
  ],
  "usage": {
    "prompt_tokens": 48,
    "completion_tokens": 17,
    "total_tokens": 65,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "created_cache_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 2,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  },
  "system_fingerprint": "fp_xxxx"
}

注意事项

格式定义要写在提示词里，模型依提示生成；官方仍建议对返回做二次校验（Schema 校验加业务校验）并准备降级方案。
max_tokens 要给思考留足空间，否则 JSON 可能不完整。

上下文缓存

证据：已实测（线上测试账号，2026-10-19），glm-5.3-flash。

何时用：同一份长系统提示（知识库、制度文档）反复提问，或多轮对话。缓存是隐式的：自动识别重复前缀，没有请求参数。官方建议重复内容在 500 token 以上，把稳定内容放在前面、变化的问题放在用户消息里；缓存异步生效，第一次请求之后稍等再发才容易命中。

请求：两次请求使用相同的长系统提示，只换用户问题。

from openai import OpenAI

client = OpenAI(base_url="https://api.modelsite.ai/v1", api_key="sk-ms-xxxxxxxx")

KNOWLEDGE = "……一份很长的制度文档（几千 token）……"
system = "你是客服助手，根据下面的制度回答。\n" + KNOWLEDGE

for q in ["退货期限是几天？一句话", "退款几个工作日到账？一句话"]:
    resp = client.chat.completions.create(
        model="glm-5.3-flash",
        messages=[{"role": "system", "content": system}, {"role": "user", "content": q}],
        max_tokens=300,
        reasoning_effort="low",
    )
    print(resp.choices[0].message.content, resp.usage.prompt_tokens_details.cached_tokens)

响应：实测用约 3,400 token 的系统提示。第一次请求 cached_tokens 为 0；紧接着的第二次请求（只换了用户问题）命中 1152 token：

{
  "usage": {
    "prompt_tokens": 3413,
    "completion_tokens": 15,
    "total_tokens": 3428,
    "prompt_tokens_details": {
      "cached_tokens": 1152,
      "created_cache_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  }
}

（只摘出 usage；其余字段与上面的普通对话响应相同。）

注意事项

命中不保证：命中多少取决于上游；没命中的部分按普通输入价计费。
请求里内容块上的 cache_control 标记对 GLM 无效，平台会去掉，不要使用。

图片输入

证据：已实测（线上测试账号，2026-10-19），仅 glm-5.3-flash。

两个模型的能力标签都不含 vision，平台没有把 GLM 作为视觉模型开通，所以只能算「部分支持」：

glm-5.3-flash：官方是多模态模型。用一张纯红色 64x64 PNG 实测，模型能正确回答颜色，响应里出现 usage.prompt_tokens_details.multimodal_tokens。但这是上游的行为，平台没有承诺，计费口径也没有单独核对，不建议用于生产。
glm-5.3：官方仅文本，不要传图片。

请求

import base64
from openai import OpenAI

client = OpenAI(base_url="https://api.modelsite.ai/v1", api_key="sk-ms-xxxxxxxx")

b64 = base64.b64encode(open("red.png", "rb").read()).decode()
resp = client.chat.completions.create(
    model="glm-5.3-flash",
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "这张图是什么颜色？一句话。"},
        {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}},
    ]}],
    max_tokens=600,
    reasoning_effort="low",
)
print(resp.choices[0].message.content)

响应

{
  "id": "chatcmpl-xxxx",
  "object": "chat.completion",
  "created": 1760000000,
  "model": "glm-5.3-flash",
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "这张图是红色的。",
        "refusal": null
      }
    }
  ],
  "usage": {
    "prompt_tokens": 37,
    "completion_tokens": 7,
    "total_tokens": 44,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "created_cache_tokens": 0,
      "multimodal_tokens": {
        "image": 16
      }
    },
    "completion_tokens_details": {
      "reasoning_tokens": 0,
      "audio_tokens": 0,
      "accepted_prediction_tokens": 0,
      "rejected_prediction_tokens": 0
    }
  },
  "system_fingerprint": "fp_xxxx"
}

保留式思考

证据：依官方文档（未实测）。

何时用：多轮 Agent 任务里希望模型沿用之前轮次的思考。thinking 对象里的 clear_thinking 是布尔，官方默认 true（丢弃历史轮次的 reasoning_content）；设为 false 保留，此时历史 reasoning_content 必须原样、按原顺序回传。官方对 GLM-5.3-Flash 推荐 false。

请求

resp = client.chat.completions.create(
    model="glm-5.3-flash",
    messages=messages,   # 历史 assistant 消息带着上一轮返回的 reasoning_content，原样放回
    max_tokens=1500,
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled", "clear_thinking": False}},
)

注意事项

你的客户端要把上一轮返回的 reasoning_content 完整、未修改、按原顺序放回历史；平台会把历史 assistant 消息里的 reasoning_content 转发给上游。
这一场景没有实测，是否生效以上游为准。
thinking.type 在 GLM-5.3 系列只能是 enabled。

Anthropic 格式

证据：依官方文档（未实测）；同一条管线在 DeepSeek 与 MiniMax 上做过实测，GLM 上未单独实测。

何时用：客户端只能说 /v1/messages（Anthropic SDK、Claude Code 等）。调用方式与鉴权见 Messages 页（SDK 用 auth_token，不是 api_key）。

请求

from anthropic import Anthropic

client = Anthropic(base_url="https://api.modelsite.ai", auth_token="sk-ms-xxxxxxxx")

resp = client.messages.create(
    model="glm-5.3-flash",
    max_tokens=1500,
    messages=[{"role": "user", "content": "用一句话解释量子纠缠"}],
    extra_body={"reasoning_effort": "low"},
)
for block in resp.content:
    if block.type == "thinking":
        print("思考:", block.thinking)
    elif block.type == "text":
        print("回答:", block.text)

注意事项

GLM-5.3 强制思考，不要传 thinking: {"type": "disabled"}；要降低思考量，在请求体里加顶层 reasoning_effort（low / high / max），平台原样转发。
返回里的思考过程以 thinking 内容块给出（预期行为，GLM 上未实测）。

参数速查

参数	说明
`thinking`	只能 `enabled`；`disabled` 返回 400；`adaptive` 不转发；`clear_thinking` 作为子字段原样转发
`reasoning_effort`	只接受 `low` / `high` / `max`
`max_tokens`	1 到 131072；`max_completion_tokens` 平台原样转发（不改名），GLM 是否识别未验证，请用 `max_tokens`
`temperature`、`top_p`、`do_sample`	见深度思考
`stop`	最多 4 个字符串
`tools`、`tool_choice`	最多 128 个函数；`tool_choice` 只支持 `auto`
`tool_stream`	依官方，未实测，放 `extra_body`
`response_format`	`text` / `json_object`；没有 `json_schema`
`request_id`、`user_id`	智谱的标识字段，非 OpenAI 标准，放 `extra_body` 原样转发
`stream_options`	官方参数表没有；平台流式没传时自动加 `include_usage`，上游是否识别未验证
`top_k`、`n`、`service_tier`、`store`、`metadata` 等	官方未列，平台原样转发，上游是否识别未验证
未知顶层字段、`extra_body` 里的键	原样平铺转发
`developer` 角色	转为 `system`

其他：reasoning 对象（OpenRouter 风格）由平台自己处理，其中 enabled: true 会补 reasoning_effort: "medium"、effort: "none" 会转成 thinking: disabled，对 GLM-5.3 都会被拒绝，请直接用 reasoning_effort；reasoning.exclude: true 或 include_reasoning: false 会在响应里去掉思考内容，思考 token 仍计费。

官方文档

本页内容