Workers AI に GLM-5.3 が前世代と同価格で追加 — 1M コンテキスト、コーディング系ベンチが軒並み跳ねた

要約

Cloudflare が 2026-08-28、Z.ai の GLM-5.3 を Workers AI で提供開始しました。モデル ID は @cf/zai-org/glm-5.3、コンテキストウィンドウは 1M トークンです。

注目すべきは価格です。前世代の GLM-5.2 と同額に据え置かれました。 100万トークンあたり、入力 $1.40、キャッシュ済み入力 $0.26、出力 $4.40。世代が上がって性能が伸び、価格は動かない。利用者から見ると、モデル ID を差し替えるだけで性能が上がるという状況です。

ベンチマークの伸び方には偏りがあります。コーディングとエージェント系が突出しています。

• Terminal Bench 2.1: 81.0 → 88.2
• Terminal Bench 3.0: 4.6 → 28.3
• DeepSWE: 46.2 → 66.9
• FrontierSWE: 67.5 → 78.1
• SWE-Marathon: 19.4 → 42.5

Z.ai 自身は社内の Z.ai Code Bench で GLM-5.2 比 50% の改善としています。

Terminal Bench 3.0 の 4.6 → 28.3 は、数字の性格が他と違います。 前世代がほぼ手も足も出なかったタスク群で、ようやく2割台に乗ったという意味です。倍率としては6倍ですが、絶対値としてはまだ低い。 「このベンチマークで測っている種類の作業は、まだ任せられる水準ではない」と読むのが妥当です。一方で SWE-Marathon の 19.4 → 42.5 や DeepSWE の 46.2 → 66.9 は、実用域の入り口に届いてきた変化に見えます。

続報として、2日後の 2026-08-30、軽量版の GLM-5.3 Flash が AI Search の生成モデルとして選べるようになりました。モデル ID は @cf/zai-org/glm-5.3-flash、コンテキストは 1,048,576 トークンです。AI Search は Cloudflare の RAG 機能で、検索して引いてきた内容を生成する段のモデルとして指定できます。changelog に価格の記載はありません。

何が変わったか

• Workers AI に @cf/zai-org/glm-5.3 が追加（2026-08-28）
• コンテキストウィンドウは 1M トークン
• 価格は GLM-5.2 と同額: 入力 $1.40 / キャッシュ済み入力 $0.26 / 出力 $4.40（100万トークンあたり）
• ベンチマーク: Terminal Bench 2.1 が 81.0→88.2、Terminal Bench 3.0 が 4.6→28.3、DeepSWE が 46.2→66.9、FrontierSWE が 67.5→78.1、SWE-Marathon が 19.4→42.5
• Z.ai 社内ベンチ（Z.ai Code Bench）で GLM-5.2 比 50% 改善
• AI Search が @cf/zai-org/glm-5.3-flash に対応（2026-08-30）。コンテキストは 1,048,576 トークン、Workers AI 上で動作
• GLM-5.3 Flash の価格は changelog に記載なし

業務インパクト（一般企業向け）

同価格で世代が上がるという形の更新は、意思決定としては最も扱いやすい部類です。 検討事項が「性能が上がったぶん、何ができるようになるか」だけになります。コスト再計算も、稟議のやり直しも要りません。Workers AI 上で既に何か動かしているなら、モデル ID の差し替えを検証タスクとして積むだけです。

Cloudflare 上でモデルを動かすことの意味を、あらためて整理しておく価値があります。 主要なモデルプロバイダの API を直接叩く構成と比べたとき、Workers AI の利点はデータがどこへ出るかを制御しやすいことと、Workers・Durable Objects・Vectorize と同じ実行環境に載ることです。エッジで完結する処理なら、外部 API への往復が消えます。逆に、最高性能のモデルが欲しいなら Workers AI は第一候補ではありません。**選定の軸は「一番賢いモデル」ではなく「この処理をどこで動かしたいか」**です。

GLM-5.3 のベンチマークの偏りは、用途の当て方に直結します。 コーディングとエージェント系で伸びているということは、「文章を書く」より「手順を実行する」タスクに向いているということです。社内で言えば、問い合わせ対応の文面生成より、定型的な処理の自動実行やコードの下書きの方が効果が出やすい。汎用チャットの置き換えを考えているなら、ベンチマークの種類が用途と合っているかを先に確認してください。

ただし、ベンチマークの数字を導入判断にそのまま使うのは避けるべきです。 特に Terminal Bench 3.0 のような絶対値が低いベンチは、倍率が大きくても「まだできない」ことを示しています。28.3 は、7割強のタスクで失敗するという意味です。「6倍になった」という表現と「28点」という水準は、意思決定に与える示唆が正反対になりえます。自社のタスクで試すのが唯一の確実な判断材料です。

AI Search 側の対応は、RAG を組んでいる組織には具体的な選択肢の追加です。 生成段のモデルを差し替えられるということは、検索部分をそのままに、回答生成の品質とコストだけを調整できるということです。RAG の改善は検索側（チャンク分割、埋め込み、リランキング）に注目が集まりがちですが、生成モデルの選択も同じくらい効きます。 Flash 系は速度とコストに寄せた選択肢なので、回答が長くなくてよい用途では、上位モデルより体感が良くなることがあります。

中国系ベンダーのモデルという点は、組織によっては論点になります。 Z.ai のモデルであることは事実として押さえたうえで、実行はあくまで Cloudflare のインフラ上であるという構造を正確に理解しておく必要があります。データがどこへ行くかは、モデルの出自ではなく実行環境で決まります。とはいえ社内規程が「特定国のベンダーのモデルを使わない」という書き方をしている場合、規程の文面上は引っかかります。技術的な妥当性とは別に、規程の書き方の問題として確認しておくのが実務的です。

副業・個人活用視点

個人開発では、Workers AI の従量課金は現実的な選択肢です。 入力 $1.40 / 出力 $4.40 という水準は、フロンティアモデルより明確に安く、個人のサービスに AI 機能を載せるときのコスト計算が成立する範囲です。しかも同価格で世代が上がったので、去年組んだ構成をそのまま置いておくと損をする状態になっています。モデル ID を確認する価値があります。

1M コンテキストが同価格で使えるのは、設計の自由度に直結します。 コンテキストが狭いと、要約したり、分割したり、検索で絞ったりという前処理が必要になります。この前処理は実装コストであり、バグの発生源でもあります。 広いコンテキストへ丸ごと放り込めるなら、その工程を省ける。ただし入力トークンはそのまま課金されるので、「入るから全部入れる」は請求書で跳ね返ります。キャッシュ済み入力が $0.26 と5分の1以下なので、同じ文脈を繰り返し使う設計にできるかどうかでコストが大きく変わります。ここは設計時に意識する価値があります。

副業案件でエッジ推論を提案するなら、Cloudflare 一式で組めることが強みになります。 Workers で処理、Durable Objects で状態、Vectorize で検索、Workers AI で生成——契約先が1社で済み、レイテンシも読みやすい。複数の SaaS を組み合わせた構成より、運用の説明が短く済むのは、小規模案件では実務上の利点です。「なぜこの構成か」を1分で説明できる提案は通りやすい。

コーディング系ベンチが伸びたモデルの、個人での使いどころは「自分の作業の自動化」です。 クライアントワークの納品物を生成させるより、自分が繰り返している定型作業——ログの整形、テストデータの生成、リポジトリ横断の一括修正——に当てる方が、失敗コストが低く効果が読めます。エージェント系の性能が上がったモデルは、失敗しても自分が困るだけの領域から試すのが合理的です。

学習の観点では、モデルの世代交代が「同価格」で起きるという事実自体を押さえておく価値があります。 数年前は、性能を上げるには金を払うのが当たり前でした。今は同じ値段で性能だけ上がることが定期的に起きます。ということは、モデル固有の癖に最適化した作り込みは、資産になりにくい。差し替え可能な形で組んでおく——プロンプトを外に出す、モデル ID を設定にする、出力の検証を別レイヤーに置く——という設計判断が、実利として効いてきます。