GPT 2.6, Veo 3.1, Seedance 2.5, Kling 4 in deAPI!
Web-search and web-contents are now available via API
Browse all Models
Browse all
Browse all
Browse all

LLM

GLM-5.3 API, kostenlos testen

GLM-5.3 ist ein Large Language Model mit offenen Gewichten von Z.ai. Es liest und schreibt Text, fasst bis zu 1 Mio. Tokens Kontext und hat drei Reasoning-Stufen. deAPI stellt es über einen OpenAI-kompatiblen Endpoint bereit. Das OpenAI SDK funktioniert also, sobald du Base-URL, Key und Modell-ID änderst.

  • Text rein, Text raus, Kontextfenster von 1.000.000 Tokens
  • Output als json_object, Tool Calls und Streaming
  • reasoning_effort in drei Stufen: low, high und max

Keine Kreditkarte nötig · Gratis-Guthaben 30 Tage gültig · Danach Guthaben aufladen und nach Verbrauch zahlen, kein Abo

GLM-5.3 LLM

model: "glm-5.3"
reasoning_effort: "high"

system: You are an on-call SRE. Name the root cause in at most two sentences, then give a one-line fix. Plain text, no Markdown.

user

Logins return 500 since 09:12. What is the root cause?

09:12:01 INFO  api   GET /reports/418 200 41ms
09:12:07 WARN  redis OOM command not allowed when used memory > 'maxmemory'
09:12:07 ERROR api   POST /login 500 SessionStoreError: could not save session
09:12:08 ERROR api   POST /login 500 SessionStoreError: could not save session
09:12:09 INFO  api   GET /health 200 2ms
assistant

Root cause: Redis hit its maxmemory limit at 09:12:07 and started rejecting writes (OOM command not allowed), so the login endpoint can no longer save sessions, causing 500 errors.

Fix: Free up or raise Redis memory (e.g., flush stale keys / increase maxmemory or set an eviction policy like allkeys-lru), then restart or re-enable writes.

168 Input- + 79 Output-Tokens (0 Reasoning) · 2,2 s Kosten bei deAPI: 0,00064 $ (Preisstand November 2026)

Anwendungsfälle für GLM-5.3

Vier Aufgaben, für die das Modell passt, jede mit der Zahl dahinter. Alle laufen mit demselben deAPI-Key wie Transkription, OCR und Bildgenerierung.

  1. Logs und Stack Traces. Füge die Zeilen rund um einen Fehler ein und frag nach der Ursache. In drei Durchläufen der Frage oben nannten alle drei Antworten das Redis-Limit maxmemory und nicht den 500er auf /login. Durchlauf 1 brauchte 168 Input- und 79 Output-Tokens.

  2. Coding-Agenten. Z.ai nennt 88,2 auf Terminal Bench 2.1 (Claude-Code-Harness) und 66,9 auf DeepSWE v1.1 (mini-swe-agent-Harness). Coding-Tools, die die OpenAI Chat Completions API sprechen, kannst du auf https://oai.deapi.ai/v1 richten.

  3. Lange Transkripte und Dokumente. Das Kontextfenster fasst 1.000.000 Tokens, und eine Antwort kann bis zu 131.072 Tokens lang sein. Transkribiere die Sales-Calls eines Tages mit WhisperLargeV3Ct2 und frag in einer Anfrage nach Einwänden, Follow-ups und Zitaten.

  4. Agenten, die Tools aufrufen. Mit einem Tool get_logs und der Anfrage „Logins fail with 500. Check the last 50 log lines of the api service.“ lieferte das Modell einen Tool Call mit {"lines": 50, "service": "api"} (ein Durchlauf). Dein Code führt den Aufruf aus und schickt das Ergebnis zurück.

GLM-5.3 API Preise

Du zahlst pro Token aus demselben Prepaid-Guthaben wie bei jedem anderen deAPI-Modell. Reasoning-Tokens sind Teil von completion_tokens in usage. Kein Abo.

Input (Text) 1,54 $ ≈ 3,2 Mio. Tokens
Gecachter Input (wiederholtes Prompt-Präfix) 0,308 $ ≈ 16 Mio. Tokens
Output (Antwort und Reasoning) 4,84 $ ≈ 1,0 Mio. Tokens
Log-Frage im Hero, ein Aufruf 0,00064 $ ≈ 7.700 Aufrufe
Log-Zeile zu JSON (Python-Beispiel), ein Aufruf 0,00025 $ ≈ 19.000 Aufrufe

Das bekommst du mit dem Gratis-Konto

  • 5 $ Guthaben, sobald du eine Zahlungskarte hinterlegt hast
  • Etwa 7.700 Aufrufe wie die Log-Frage im Hero
  • Guthaben 30 Tage gültig, danach aufladen und nach Verbrauch zahlen
5 $ Guthaben sichern

Preise für glm-5.3 in USD, November 2026. Token-Zahlen aus der Frage im Hero und dem Python-Beispiel. Kontext- und Output-Limits aus GET https://oai.deapi.ai/v1/models.

GLM-5.3 vs. GLM-5.3 Flash vs. Kimi K3

Input Text Text, Bild Text, Bild
Kontext 1.000.000 Tokens 1.048.576 Tokens 1.000.000 Tokens
Max. Output 131.072 Tokens 131.072 Tokens 131.072 Tokens
reasoning_effort low, high, max none bis max, 7 Werte; Reasoning auch bei none none bis max, 7 Stufen
response_format json_object json_schema, json_object json_schema, json_object
Preis pro 1 Mio., Input / Output 1,54 $ / 4,84 $ 0,165 $ / 0,55 $ 3,30 $ / 16,50 $

Limits und Input-Typen aus GET /v1/models. Akzeptierte Werte für reasoning_effort und response_format aus Testaufrufen am 16. November 2026.

Beispiel für die GLM-5.3 API

Ein POST an https://oai.deapi.ai/v1/chat/completions mit deinem deAPI-Key als Bearer-Token. Im OpenAI SDK setzt du base_url, deinen deAPI-Key und die Modell-ID; der Rest eines Chat-Completions-Aufrufs bleibt gleich. Ersetze YOUR_API_KEY durch einen Key aus deinem Dashboard.

Modell-ID
glm-5.3
Endpoint
POST https://oai.deapi.ai/v1/chat/completions
Input
Nur Text. Eine Anfrage mit einem image_url-Part liefert einen 400-Fehler.
Kontext und Output
Kontextfenster von 1.000.000 Tokens, bis zu 131.072 Tokens pro Antwort
Reasoning
reasoning_effort: low, high oder max. Andere Werte liefern einen 400-Fehler. Wenn das Modell Reasoning einsetzt, kommt der Text in reasoning_content zurück.
Output-Optionen
response_format mit json_object, tools, stream. json_schema wird nicht unterstützt, nenne die Keys deshalb im Prompt.
curl https://oai.deapi.ai/v1/chat/completions \
  -H 'Authorization: Bearer YOUR_API_KEY' \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "glm-5.3",
    "reasoning_effort": "low",
    "messages": [
      {"role": "system", "content": "Sort support tickets. Reply with one word: billing, bug, feature or other."},
      {"role": "user", "content": "I was charged twice for the November top-up."}
    ]
  }'
import json
from openai import OpenAI

client = OpenAI(base_url="https://oai.deapi.ai/v1", api_key="YOUR_API_KEY")

log_line = "09:12:07 ERROR api POST /login 500 SessionStoreError: could not save session"

response = client.chat.completions.create(
    model="glm-5.3",
    reasoning_effort="low",
    messages=[
        {"role": "system", "content": "Read the log line. Reply with a JSON object "
         "with exactly these keys: service (string), level (string), "
         "status (number), error (string)."},
        {"role": "user", "content": log_line},
    ],
    response_format={"type": "json_object"},
)

entry = json.loads(response.choices[0].message.content)
print(entry["service"], entry["level"], entry["status"])  # api ERROR 500
print(entry["error"])  # SessionStoreError: could not save session
print(response.usage)

Was ist GLM-5.3?

GLM-5.3 ist ein Textmodell mit offenen Gewichten von Z.ai, veröffentlicht auf Hugging Face unter der GLM-5.3 License. Laut der Model Card von Z.ai nutzt es dasselbe Basismodell wie GLM-5.2, und jede Verbesserung stammt aus dem Post-Training. Es nimmt Text entgegen, gibt Text aus und hat drei Reasoning-Stufen. Auf deAPI rufst du es wie jedes OpenAI-Chat-Modell auf und zahlst pro Token.

  1. Gratis-Konto anlegen

    Registriere dich und hol dir 5 $ Guthaben.

  2. Client auf deAPI umstellen

    Setze base_url auf https://oai.deapi.ai/v1 und nutze deinen deAPI-Key.

  3. Anfrage senden

    Nimm glm-5.3 als Modell und lies die Antwort aus choices[0].message.content.

FAQ zu GLM-5.3

Ja. deAPI stellt das Modell unter https://oai.deapi.ai/v1 mit der Modell-ID glm-5.3 bereit, im Request- und Response-Format der OpenAI Chat Completions API. In Code, der für das OpenAI SDK geschrieben ist, änderst du drei Werte: base_url, den API-Key und das Modell. Teste selbst, bevor du Traffic umstellst.
Ein neues deAPI-Konto bekommt 5 $ Guthaben, sobald eine Zahlungskarte hinterlegt ist. Das reicht für etwa 7.700 Aufrufe wie die Log-Frage auf dieser Seite. Das Guthaben ist 30 Tage gültig. Danach lädst du Guthaben auf und zahlst nach Verbrauch, ohne Abo.
1,54 $ pro Million Input-Tokens und 4,84 $ pro Million Output-Tokens (November 2026). Reasoning-Tokens zählen als Output, und du siehst sie in usage.completion_tokens_details.reasoning_tokens.
Nein. GLM-5.3 nimmt auf deAPI nur Text an, und eine Anfrage mit einem image_url-Part liefert einen 400-Fehler. Für Bilder rufst du glm-5.3-flash über denselben Endpoint auf. Schick PDFs und Scans durch die OCR API und sende den Text.
Auf deAPI umfasst das Kontextfenster 1.000.000 Tokens, und eine Antwort kann bis zu 131.072 Tokens lang sein. Reasoning-Tokens zählen zu max_tokens.
Die Model Card von Z.ai nennt 88,2 auf Terminal Bench 2.1, 66,9 auf DeepSWE v1.1, 28,3 auf Terminal Bench 3.0 und 84,5 auf CyberGym, die letzten beiden mit Reasoning-Effort max. Das sind die Zahlen von Z.ai; teste das Modell mit dem Gratis-Guthaben an deinen eigenen Daten.
reasoning_effort nimmt low, high oder max; none gibt es nicht. Bei der Ticket-Anfrage aus dem cURL-Beispiel antwortete low „billing“ mit 2 Output-Tokens, und high gab dieselbe Antwort mit 5 Output-Tokens, davon 3 Reasoning (je ein Durchlauf). Für JSON nutzt du response_format: {"type": "json_object"} und nennst die Keys im Prompt, wie im Python-Beispiel. json_schema liefert einen unsupported_parameter-Fehler.
Z.ai veröffentlicht die Gewichte auf Hugging Face unter der eigenen GLM-5.3 License. Die Lizenz gewährt das Recht, Kopien zu nutzen, zu verändern, zu verbreiten und zu verkaufen. Unternehmen, die ein Model-as-a-Service-Geschäft mit mehr als 10 Milliarden US-Dollar Umsatz in 12 Monaten betreiben, müssen vorher ein Security-Review von Z.ai bestehen. Für Aufrufe über deAPI gelten außerdem die deAPI Terms of Service.

Sende deine erste Anfrage an GLM-5.3 mit 5 $ Gratis-Guthaben

Registrierung mit E-Mail oder Google. Kein Abo, Abrechnung nach Verbrauch.