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

API GLM-5.3, à essayer gratuitement

GLM-5.3 est un grand modèle de langage à poids ouverts de Z.ai. Il lit et écrit du texte, garde jusqu’à 1 M de tokens de contexte et propose trois niveaux de raisonnement. deAPI le sert sur un endpoint compatible OpenAI : le SDK OpenAI fonctionne dès que vous changez l’URL de base, la clé et l’ID du modèle.

  • Texte en entrée, texte en sortie, fenêtre de contexte de 1 000 000 tokens
  • Sortie json_object, appels d’outils et streaming
  • reasoning_effort sur trois niveaux : low, high et max

Sans carte bancaire · Crédits offerts valables 30 jours · Ensuite, vous rechargez et payez à l’usage, sans abonnement

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 tokens en entrée + 79 en sortie (0 de raisonnement) · 2,2 s Coût sur deAPI : 0,00064 $ (prix relevé en novembre 2026)

Cas d’usage de GLM-5.3

Quatre tâches pour lesquelles le modèle convient, chacune avec le chiffre qui l’appuie. Toutes tournent avec la même clé deAPI que la transcription, l’OCR et la génération d’images.

  1. Logs et stack traces. Collez les lignes autour d’une erreur et demandez la cause racine. Sur trois essais de la question ci-dessus, les trois réponses ont désigné la limite maxmemory de Redis, et non le 500 sur /login. L’essai 1 a utilisé 168 tokens en entrée et 79 en sortie.

  2. Agents de code. Z.ai annonce 88,2 sur Terminal Bench 2.1 (harness Claude Code) et 66,9 sur DeepSWE v1.1 (harness mini-swe-agent). Les outils de code qui parlent l’API OpenAI Chat Completions peuvent pointer vers https://oai.deapi.ai/v1.

  3. Longues transcriptions et longs documents. La fenêtre de contexte contient 1 000 000 tokens et une réponse peut aller jusqu’à 131 072. Transcrivez une journée d’appels commerciaux avec WhisperLargeV3Ct2 et demandez les objections, les relances et les citations en une seule requête.

  4. Agents qui appellent des outils. Avec un outil get_logs et la requête « Logins fail with 500. Check the last 50 log lines of the api service. », le modèle a renvoyé un appel d’outil avec {"lines": 50, "service": "api"} (un seul essai). Votre code exécute l’appel et renvoie le résultat.

Tarifs de l’API GLM-5.3

Vous payez au token, sur le même solde prépayé que pour tous les autres modèles deAPI. Les tokens de raisonnement font partie de completion_tokens dans usage. Sans abonnement.

Entrée (texte) 1,54 $ ≈ 3,2 M de tokens
Entrée en cache (préfixe de prompt répété) 0,308 $ ≈ 16 M de tokens
Sortie (réponse et raisonnement) 4,84 $ ≈ 1,0 M de tokens
Question sur les logs en haut de page, un appel 0,00064 $ ≈ 7 700 appels
Ligne de log vers JSON (exemple Python), un appel 0,00025 $ ≈ 19 000 appels

Ce que comprend le compte gratuit

  • 5 $ de crédits dès que vous ajoutez une carte bancaire
  • Environ 7 700 appels comme la question sur les logs en haut de page
  • Crédits valables 30 jours ; ensuite, vous rechargez et payez à l’usage
Recevoir 5 $ de crédits

Prix de glm-5.3 en USD, novembre 2026. Nombres de tokens tirés de la question en haut de page et de l’exemple Python. Limites de contexte et de sortie issues de GET https://oai.deapi.ai/v1/models.

GLM-5.3 vs GLM-5.3 Flash vs Kimi K3

Entrée Texte Texte, image Texte, image
Contexte 1 000 000 tokens 1 048 576 tokens 1 000 000 tokens
Sortie max. 131 072 tokens 131 072 tokens 131 072 tokens
reasoning_effort low, high, max de none à max, 7 valeurs ; raisonne même à none de none à max, 7 niveaux
response_format json_object json_schema, json_object json_schema, json_object
Prix par million, entrée / sortie 1,54 $ / 4,84 $ 0,165 $ / 0,55 $ 3,30 $ / 16,50 $

Limites et types d’entrée issus de GET /v1/models. Valeurs acceptées pour reasoning_effort et response_format d’après des appels de test du 16 novembre 2026.

Exemple d’API GLM-5.3

Un POST vers https://oai.deapi.ai/v1/chat/completions avec votre clé deAPI comme jeton Bearer. Dans le SDK OpenAI, renseignez base_url, votre clé deAPI et l’ID du modèle ; le reste d’un appel Chat Completions ne change pas. Remplacez YOUR_API_KEY par une clé de votre tableau de bord.

ID du modèle
glm-5.3
Endpoint
POST https://oai.deapi.ai/v1/chat/completions
Entrée
Texte uniquement. Une requête avec une partie image_url renvoie une erreur 400.
Contexte et sortie
Fenêtre de contexte de 1 000 000 tokens, jusqu’à 131 072 tokens par réponse
Raisonnement
reasoning_effort : low, high ou max. Les autres valeurs renvoient une erreur 400. Quand le modèle raisonne, le texte revient dans reasoning_content.
Options de sortie
response_format avec json_object, tools, stream. json_schema n’est pas pris en charge : nommez donc les clés dans le 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)

Qu’est-ce que GLM-5.3 ?

GLM-5.3 est un modèle de texte à poids ouverts de Z.ai, publié sur Hugging Face sous la GLM-5.3 License. La fiche du modèle de Z.ai indique qu’il utilise le même modèle de base que GLM-5.2 et que tous les gains viennent du post-entraînement. Il prend du texte en entrée, écrit du texte en sortie et propose trois niveaux de raisonnement. Sur deAPI, vous l’appelez comme n’importe quel modèle de chat OpenAI et vous payez au token.

  1. Créez un compte gratuit

    Inscrivez-vous et recevez 5 $ de crédits.

  2. Pointez votre client vers deAPI

    Réglez base_url sur https://oai.deapi.ai/v1 et utilisez votre clé deAPI.

  3. Envoyez la requête

    Indiquez glm-5.3 comme modèle et lisez la réponse dans choices[0].message.content.

FAQ GLM-5.3

Oui. deAPI le sert sur https://oai.deapi.ai/v1 sous l’ID de modèle glm-5.3, avec le format de requête et de réponse de l’API OpenAI Chat Completions. Dans un code écrit pour le SDK OpenAI, vous changez trois valeurs : base_url, la clé API et le modèle. Faites vos propres tests avant de basculer votre trafic.
Un nouveau compte deAPI reçoit 5 $ de crédits une fois une carte bancaire ajoutée, de quoi faire environ 7 700 appels comme la question sur les logs de cette page. Les crédits sont valables 30 jours. Ensuite, vous rechargez et payez à l’usage, sans abonnement.
1,54 $ par million de tokens en entrée et 4,84 $ par million de tokens en sortie (novembre 2026). Les tokens de raisonnement comptent comme de la sortie, et vous les voyez dans usage.completion_tokens_details.reasoning_tokens.
Non. Sur deAPI, GLM-5.3 n’accepte que du texte, et une requête avec une partie image_url renvoie une erreur 400. Pour les images, appelez glm-5.3-flash sur le même endpoint. Passez les PDF et les scans par l’API OCR et envoyez le texte.
Sur deAPI, la fenêtre de contexte est de 1 000 000 tokens et une réponse peut compter jusqu’à 131 072 tokens. Les tokens de raisonnement comptent dans max_tokens.
La fiche du modèle de Z.ai indique 88,2 sur Terminal Bench 2.1, 66,9 sur DeepSWE v1.1, 28,3 sur Terminal Bench 3.0 et 84,5 sur CyberGym, les deux derniers avec l’effort de raisonnement max. Ce sont les chiffres de Z.ai ; testez-le sur vos propres données avec les crédits offerts.
reasoning_effort accepte low, high ou max ; il n’y a pas de none. Sur la requête de tri de tickets de l’exemple cURL, low a répondu « billing » avec 2 tokens en sortie et high a donné la même réponse avec 5 tokens en sortie, dont 3 de raisonnement (un essai chacun). Pour du JSON, utilisez response_format: {"type": "json_object"} et nommez les clés dans le prompt, comme dans l’exemple Python. json_schema renvoie une erreur unsupported_parameter.
Z.ai publie les poids sur Hugging Face sous sa propre licence, la GLM-5.3 License. Elle accorde le droit d’utiliser, de modifier, de distribuer et de vendre des copies. Les entreprises qui exploitent une activité de model-as-a-service avec plus de 10 milliards de dollars américains de chiffre d’affaires sur 12 mois doivent d’abord passer un examen de sécurité de Z.ai. Les appels via deAPI sont également régis par les Conditions d’utilisation de deAPI.

Envoyez votre première requête GLM-5.3 avec 5 $ de crédits offerts

Inscription par e-mail ou avec Google. Paiement à l’usage, sans abonnement.