GLM 5.3 Flash Abliterated: AI Large Language Models

Nutze GLM 5.3 Flash Abliterated über eine einzige API. Kontextfenster mit playground. Tokens, Streaming und Abrechnung pro Token. Kostenlos im Muapi Playground testen.

Interaktive Steuerung laden

Nutze GLM 5.3 Flash Abliterated über eine einzige API. Kontextfenster mit playground. Tokens, Streaming und Abrechnung pro Token. Kostenlos im Muapi Playground testen.

📝

Übersicht

Über dieses Modell

GLM 5.3 Flash Abliterated ist ein schnelles Schlussfolgerungsmodell aus der Reihe GLM 5.3 Flash mit einem Kontextfenster von 1M Tokens, Bildeingabe und Tool-Aufrufen. Es wurde per Abliteration so angepasst, dass es Anfragen seltener ablehnt. Muapi stellt das Modell über einen einzigen REST-Endpunkt mit asynchronem Abruf und Server-Sent-Events-Streaming bereit. So lässt es sich in Chat-Apps, Agents und Workflows integrieren, ohne GPUs selbst hosten zu müssen. Am besten eignet es sich long-context reasoning, tool use and multimodal prompts. Die Abrechnung erfolgt pro Token zu $0.4/M Eingabe-Tokens and $1.6/M Ausgabe-Tokens, ohne Abo. Weitere Modelle: GLM 5.3 Abliterated, GLM 4.6 Derestricted v5. Die gesamte Auswahl findest du auf der GLM Abliterated API-Seite oder im Hub abliterated LLM API; verwandte Modellfamilien: Gemma Abliterated API. „Abliterated“ und „derestricted“ bezeichnen Anpassungen, die die Ablehnungsneigung des Modells verringern. Sie garantieren keine uneingeschränkte Ausgabe. Du bist weiterhin dafür verantwortlich, geltende Gesetze und die Nutzungsbedingungen von Muapi einzuhalten.

1Chat und Assistenten: Entwickle Chat-Anwendungen mit GLM 5.3 Flash Abliterated für long-context reasoning, tool use and multimodal prompts.

2Experimente mit geringerer Ablehnungsneigung: Vergleiche im Rahmen der Muapi-Nutzungsrichtlinie das Ablehnungsverhalten mit dem Basismodell.

3Agents und Workflows: Rufe das Modell über Muapi-Workflow-Knoten und die Beispiele im Hub [Abliterated LLM API](/abliterated-llm-api) auf.

💰

Preise und Wert

Kostenanalyse

Anbieter	Kosten	Notizen
muapiapp	$0.4/M input tokens and $1.6/M output tokens	Abrechnung pro Token auf Grundlage der tatsächlichen Nutzung; vorab wird ein kleiner Mindestbetrag reserviert.
Fal.ai	Nicht verfügbar	GLM 5.3 Flash Abliterated wird nicht als gehosteter Endpunkt angeboten.
Replicate	Nicht verfügbar	GLM 5.3 Flash Abliterated wird nicht als gehosteter Endpunkt angeboten.

muapiapp$0.4/M input tokens and $1.6/M output tokens

Abrechnung pro Token auf Grundlage der tatsächlichen Nutzung; vorab wird ein kleiner Mindestbetrag reserviert.

Fal.aiNicht verfügbar

GLM 5.3 Flash Abliterated wird nicht als gehosteter Endpunkt angeboten.

ReplicateNicht verfügbar

GLM 5.3 Flash Abliterated wird nicht als gehosteter Endpunkt angeboten.

** Die Preise der Mitbewerber werden auf der Grundlage ähnlicher Modellarchitekturen und Nutzungsstufen geschätzt.

⚙️

Technische Details

Konfigurationsschema

Parameter	Typ	Beschreibung	Standard
Aufforderung	string	.	`Summarize the trade-offs between a monolith and microservices in five bullet points.`
Bild-URL	string	Optional public image URL for multimodal analysis.	`undefined`
Systemaufforderung	string	, .	`You are a concise, direct assistant.`
Maximale Anzahl an Token	integer	Optional maximum number of tokens to generate.	`8192`

Aufforderungstring

StandardwertSummarize the trade-offs between a monolith and microservices in five bullet points.

Bild-URLstring

Optional public image URL for multimodal analysis.

Standardwertundefined

Systemaufforderungstring

, .

StandardwertYou are a concise, direct assistant.

Maximale Anzahl an Tokeninteger

Optional maximum number of tokens to generate.

Standardwert8192

📖

Implementierungsleitfaden

Entwicklerdokumentation

So verwendest du GLM 5.3 Flash Abliterated-API

Get an-API key: Erstelle einen Schlüssel in deinem Muapi-Dashboard.
Prompt senden: Sende prompt (optional ergänzt um system_prompt und max_tokens, bis zu 32768) per POST an /api/v1/glm-5-3-flash-abliterated. Provide an optional public image_url to include an image with your prompt.

curl -X POST https://api.muapi.ai/api/v1/glm-5-3-flash-abliterated \
  -H "x-api-key: $MUAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt": "Explain how attention works in transformers.", "image_url": "https://example.com/photo.jpg"}'

Abrufen oder streamen: Rufe GET /api/v1/predictions/{request_id}/result so lange ab, bis status den Wert completed hat, oder streame Tokens live über /api/v1/glm-5-3-flash-abliterated/stream.

curl -X POST https://api.muapi.ai/api/v1/glm-5-3-flash-abliterated/stream \
  -H "x-api-key: $MUAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{"prompt": "Explain how attention works in transformers.", "image_url": "https://example.com/photo.jpg"}'

Ergebnis lesen: Der generierte Text wird in outputs zurückgegeben. Abgerechnet wird die tatsächliche Token-Anzahl.

❓

Häufige Fragen

Häufig gefragt

Was ist GLM 5.3 Flash Abliterated?

GLM 5.3 Flash Abliterated ist a fast GLM 5.3 Flash reasoning model mit einem 1M Tokens Kontextfenster, Bildeingabe and tool-calling support, per Abliteration so angepasst, dass es Anfragen seltener ablehnt.

Was bedeutet „abliterated“?

Abliterated- oder derestricted-Modelle werden so angepasst, dass sie seltener Anfragen ablehnen. Dadurch sinkt die Zahl der Ablehnungen, sie verschwinden jedoch nicht vollständig; eine uneingeschränkte Ausgabe ist nicht garantiert.

Wie wird GLM 5.3 Flash Abliterated abgerechnet?

Die Abrechnung erfolgt pro Token: $0.4/M Eingabe-Tokens und $1.6/M Ausgabe-Tokens. Beim Start der Anfrage wird ein kleiner Mindestbetrag reserviert und anschließend mit der tatsächlichen Nutzung verrechnet.

Unterstützt GLM 5.3 Flash Abliterated Streaming?

Ja. Tokens lassen sich über `/api/v1/glm-5-3-flash-abliterated/stream` per Server-Sent Events live streamen oder über den asynchronen Endpunkt abrufen.

Wie groß ist das Kontextfenster?

Das Kontextfenster umfasst etwa 1M Tokens. Prompt und Ausgabe müssen zusammen hineinpassen; `max_tokens` ist auf 32768. Bildeingaben werden über `image_url`.

Ist eine uneingeschränkte Ausgabe garantiert?

Nein. Abliterated-Modelle lehnen Anfragen seltener ab, doch das Verhalten hängt vom Prompt ab und die Qualität kann vom Basismodell abweichen. Prüfe das Modell für deinen Anwendungsfall und beachte die geltenden Gesetze.