Utiliser GLM 5.3 : Playground, clés API et requêtes

GLM 5.3 utilise l’identifiant de modèle glm-5.3 dans les requêtes et raisonne toujours avant de répondre. Ses niveaux d’effort documentés sont low, high et max ; low ne désactive pas le raisonnement. Ces détails comptent avant de copier une requête issue d’un ancien tutoriel GLM.^[1]

Pour le parcours décrit ici, SeedRouter est le fournisseur de service prévu. reAPI ne fournit pas d’inférence GLM 5.3. Vous pouvez consulter la présentation du modèle GLM 5.3 sur reAPI, puis vérifier sa disponibilité sur SeedRouter. Ce guide explique comment préparer une requête textuelle, choisir le bon identifiant d’accès et examiner une réponse une fois le modèle accessible à votre compte.

L’essentiel

• Vérifiez le modèle exact : glm-5.3 est le modèle phare traité ici. Un exemple Flash ou FlashX concerne un autre modèle.^[1]
• Ouvrez la page GLM 5.3 sur SeedRouter et vérifiez l’accès pour votre compte.^[2]
• Préparez une entrée textuelle. Z.ai documente un contexte de 1M tokens et jusqu’à 128K tokens en sortie pour GLM 5.3, avec le raisonnement toujours activé.^[1]
• Utilisez reasoning_effort dans Chat Completions. Définissez un budget de sortie explicite et lisez le motif de fin après la requête.^[3]
• Distinguez le Coding Plan de l’utilisation ordinaire de l’API. Les règles actuelles de gestion des clés de Z.ai différencient leurs types de facturation.^[4]

Où utiliser GLM 5.3

Commencez par le service que vous comptez utiliser, puis confirmez qu’il répertorie le modèle exact. Le guide du modèle de Z.ai documente le modèle phare et ses options d’accès officielles. Cette page reAPI oriente les lecteurs vers SeedRouter, qui dispose de sa propre gestion des comptes et de sa propre interface de service. La description d’un modèle sur reAPI ne crée pas d’endpoint reAPI permettant de l’appeler.

Utilisez la page du modèle GLM 5.3 sur SeedRouter pour ce workflow. Confirmez que son éditeur de requêtes utilise l’identifiant glm-5.3 ; ne le remplacez pas implicitement par glm-5.3-flash. Si l’accès n’est pas disponible, revenez lorsque le service prévu sera prêt plutôt que de deviner un autre endpoint.

Une fois le modèle répertorié, ouvrez son Playground et sa documentation actuelle. Comparez le nom du modèle dans le formulaire avec le champ du modèle dans l’aperçu de la requête. Vérifiez les tarifs d’utilisation actuels du service avant tout envoi, surtout si la première tâche comporte un gros fichier source ou demande une réponse longue.

Ce guide concerne l’utilisation hébergée. Télécharger les poids du modèle et exploiter un serveur d’inférence relève d’un autre workflow. Les exigences matérielles d’une variante GLM plus petite ne permettent pas d’établir celles de ce modèle phare.

Associez la clé, le service et l’endpoint

Pour les requêtes envoyées à SeedRouter, utilisez un identifiant d’accès délivré par SeedRouter. Sa navigation publique comprend une rubrique API Keys ; l’accès au compte peut être nécessaire. Une clé reAPI appartient à un autre service. Ne la collez pas dans la requête destinée à un autre fournisseur au seul motif que les deux acceptent un champ nommé model.

Avant de configurer un client, consignez ces éléments ensemble :

Une URL fait partie de l’intégration ; ce n’est pas un réglage purement visuel. Copier l’exemple d’un fabricant et ne changer que la clé laisse la requête dirigée vers l’hôte d’origine. À l’inverse, changer uniquement l’hôte ne transforme pas la clé d’origine en identifiant d’accès SeedRouter. Configurez les deux explicitement et gardez la clé hors des prompts et des exemples partagés.

Z.ai distingue aussi les clés Standard API des clés Coding Plan. Pour les clés créées à partir du 16 octobre 2026, le type de clé détermine la facturation sur les endpoints pris en charge ; changer d’endpoint ne change pas ce type. Les anciennes clés Compatible ont des règles distinctes. Il ne faut pas supposer que cet abonnement du fabricant finance les requêtes sur un autre service.^[4]

Préparez une petite requête GLM 5.3

Choisissez une tâche dont vous pouvez vérifier la réponse. Par exemple, fournissez une fonction courte et demandez une correction précise, ou demandez au modèle d’expliquer un comportement que vous comprenez déjà. Commencer par un dépôt entier complique l’identification de la source d’un problème : l’accès, la construction de la requête ou la tâche elle-même.

Voici un modèle de corps de requête Chat Completions fondé sur les références officielles du modèle et de Chat. Il n’envoie rien à lui seul :^[1][3]

{
  "model": "glm-5.3",
  "messages": [
    {
      "role": "user",
      "content": "Explain an idempotency key using one short example."
    }
  ],
  "thinking": { "type": "enabled" },
  "reasoning_effort": "low",
  "max_tokens": 2048,
  "stream": false
}

Le budget de sortie 2048 est un choix d’exemple, pas la valeur par défaut du modèle ni une promesse que toutes les tâches se termineront dans cette limite. Le raisonnement et la réponse doivent trouver leur place dans le budget de sortie. Si le résultat s’arrête à la limite, examinez ce qui s’est passé avant de décider d’augmenter le budget ou de raccourcir la tâche.

L’identifiant de modèle de GLM 5.3 contient un point. glm-5-3 est le slug du site, tandis que glm-5.3 est l’identifiant de requête. Conservez l’orthographe de la documentation réelle du service lorsque vous passez d’un formulaire dans le navigateur au code.

Pour une première requête, omettez les outils et les réglages de sortie structurée, sauf si c’est précisément la fonctionnalité que vous évaluez. Cette méthode facilite le diagnostic ; elle ne constitue pas une limite des capacités documentées du modèle. Une fois l’échange textuel de base opérationnel, modifiez un élément de la tâche et comparez le résultat.

Choisissez délibérément les champs de raisonnement et de protocole

GLM 5.3 n’a pas de mode documenté permettant de désactiver le raisonnement. Pour migrer une application qui désactivait auparavant le raisonnement, Z.ai indique de remplacer thinking.type: "disabled" par enabled et d’utiliser reasoning_effort: "low". Le niveau d’effort par défaut est max.^[1]

Utilisez low comme point de départ pour le petit exemple ci-dessus. Pour une tâche de programmation complexe, Z.ai recommande max. Cette recommandation ne prouve aucune latence, économie ni taux de réussite particulier pour votre propre charge de travail. Comparez les réponses selon les mêmes critères d’acceptation avant de modifier la valeur par défaut d’une application.

Les trois familles de protocoles n’utilisent pas des corps de requête identiques. La documentation officielle décrit Chat Completions, Responses et Messages, mais leur prise en charge documentée par le fabricant n’établit pas leur disponibilité actuelle sur un autre service.^[1]

Les noms de champs de Responses proviennent du schéma du fabricant. Sélectionnez le format pris en charge par votre client et votre service, puis utilisez-le dans toute la requête. Renommer seulement messages ne convertit pas toutes les options Chat en options Responses.^[5]

Les paramètres d’échantillonnage méritent aussi une vérification distincte. La référence Chat documente la température et top-p, mais do_sample: false rend ces réglages d’échantillonnage inopérants. La présence d’un contrôle à l’écran ou l’acceptation d’un champ JSON ne prouve pas, à elle seule, qu’une modification de ce paramètre a influencé la sortie.^[3]

Lisez le résultat avant d’élargir la tâche

Une fois la requête terminée, examinez la réponse et les données qui l’entourent. Pour Chat Completions, les vérifications utiles portent notamment sur le modèle renvoyé, choices, le motif de fin et usage. Les champs de tokens documentés comprennent prompt_tokens, completion_tokens, total_tokens et l’utilisation des entrées en cache dans des champs imbriqués.^[3]

Un motif de fin length signifie que la limite de sortie a été atteinte. Un résultat d’appel d’outil nécessite le workflow d’outils de l’application ; il ne s’agit pas automatiquement d’une réponse textuelle ordinaire. Si vous avez demandé une correction de code, exécutez les tests pertinents avant d’accepter le correctif. Un succès HTTP seul ne permet pas de savoir si la réponse satisfait vos exigences.

Pour le streaming, distinguez le texte de réponse des fragments de raisonnement et d’appels d’outils. Les exemples officiels du modèle exposent reasoning_content séparément de content. Un client qui ne lit que le texte de réponse peut sembler inactif pendant que le raisonnement est renvoyé. Ce constat diffère d’un échec de connexion ou d’une réponse déjà terminée.^[1]

Gardez une brève trace des paramètres de la requête, du motif de fin et du résultat de vos vérifications sur la tâche. Vous disposerez ainsi d’une base pour essayer un autre niveau d’effort. Cela évite aussi de privilégier une réponse rapide mais incomplète au seul motif qu’elle est arrivée plus tôt.

Si l’accès échoue, lisez d’abord l’erreur réelle du service. Confirmez l’hôte, l’émetteur de la clé et le modèle exact avant de modifier les paramètres de génération. Si l’accès au modèle n’est pas disponible, suivez les instructions actuelles du service SeedRouter ; créer des clés supplémentaires ou envoyer des requêtes répétées au hasard ne permet pas d’établir cet accès.

FAQ

Où puis-je utiliser GLM 5.3 ?

Z.ai publie une documentation d’accès officielle. Pour le parcours SeedRouter présenté ici, ouvrez la page du modèle GLM 5.3 et vérifiez l’accès pour votre compte. reAPI ne fournit pas d’inférence pour ce modèle.

Comment obtenir une clé API pour GLM 5.3 ?

Créez la clé auprès du service qui recevra votre requête. Pour SeedRouter, utilisez sa rubrique API Keys après avoir accédé à votre compte. Associez cette clé à l’endpoint documenté par SeedRouter. Pour un accès direct à Z.ai, suivez son guide distinct de gestion des clés.^[4]

GLM 5.3 est-il gratuit ?

Ne déduisez pas l’existence d’un quota gratuit du nom du modèle, de la création gratuite d’une clé ou d’un tutoriel Flash. Vérifiez les conditions de facturation actuelles du service choisi et la fiche du modèle exact avant de lancer une requête. Ce guide ne promet aucune utilisation gratuite de SeedRouter et ne cite aucun tarif non vérifié.

Puis-je désactiver le raisonnement de GLM 5.3 ?

Non, selon la documentation propre au modèle. Le raisonnement reste activé aux trois niveaux d’effort. Utilisez low pour réduire l’effort lorsque c’est approprié ; ne copiez pas un réglage de désactivation du raisonnement provenant de GLM-5.2.^[1]

GLM 5.3 peut-il lire des images ?

Le modèle phare documenté ici accepte uniquement des entrées textuelles. Ne déduisez pas la prise en charge des images d’un endpoint compatible générique ni de GLM-5.3-Flash. Pour ce workflow, fournissez les informations sous forme de texte.^[1]

L’acceptation d’une requête prouve-t-elle que chaque paramètre a fonctionné ?

Non. Elle établit que le service a accepté cette requête. Pour évaluer un paramètre, comparez le comportement concerné avec des entrées contrôlées. Ce guide documente la préparation et les champs étayés par les sources ; il ne prétend pas avoir vérifié les paramètres lors d’appels réels sur SeedRouter.

Vérifiez la disponibilité avant votre premier appel

Gardez une première tâche limitée, utilisez l’identifiant exact du modèle et examinez la réponse complète. La présentation de GLM 5.3 apporte le contexte sur le modèle ; GLM 5.3 sur SeedRouter est l’étape suivante pour accéder au service. Suivez ses instructions actuelles avant tout envoi.

Références

1. Z.ai. Guide du modèle GLM-5.3. Consulté le 29 octobre 2026 sur docs.z.ai/guides/llm/glm-5.3.
2. SeedRouter. Page du modèle GLM 5.3. Destination du service spécifiée le 29 octobre 2026 : seedrouter.ai/models/glm-5-3. L’exécution réelle du modèle n’a pas été testée pour ce guide.
3. Z.ai. Référence de l’API Chat Completion. Consultée le 29 octobre 2026 sur docs.z.ai/api-reference/llm/chat-completion.
4. Z.ai. Guide de gestion des clés API. Mis à jour le 16 octobre, consulté le 29 octobre 2026 sur docs.z.ai/devpack/notice/api-key-management.
5. Zhipu AI. Schéma OpenAPI de Responses. Consulté le 29 octobre 2026 sur docs.bigmodel.cn/openapi/openapi-responses.json.