GLM 5.3 Flash 上了 Artificial Analysis：用 TaoToken 同一把 Key 跑一次数学推理

🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度

1. Artificial Analysis 上的 GLM 5.3 Flash：公榜速览先看什么

TaoToken 的落地页在 https://taotoken.net/?utm_source=taotoken_aicg_blog_generate&utm_content= ，从这里创建 Key 后，Base URL 填 https://taotoken.net/api。GLM 5.3 Flash 出现在 Artificial Analysis 的模型列表里，这件事对做评测的人有个直接用途：你可以在本地用同一把 Key 向 /chat/completions 发一道 MATH 题，看返回的模型名、推理过程和 usage，而不是只转述公榜截图。先说明，这篇不含排行分数，也不伪造快照日；Artificial Analysis 上的智能指数、名次、价格轴，需要你打开页面时自己记录榜名、查阅日期、数值和页面来源。公榜上的是模型，统一 API 通道只是你拿 Key、切模型、复现请求的地方。

公榜速览最容易犯的错，是把页面上的一个总分当成全部结论。Artificial Analysis 的入口通常会把模型名、智能指数、价格、延迟或吞吐放在散点图里，GLM 5.3 Flash 只是其中一个点。你要做的是先确认三件事：页面上的模型名是否就是 GLM 5.3 Flash，版本后缀是否有区别，页面顶部的日期或更新时间是什么。没有这些，复现出来的 model 字段就算和公榜同名，也不能直接说“复现了公榜”。公榜记录的是模型在特定评测集、特定采样、特定版本下的表现；你在本地发一道 MATH 题，得到的是一次具体请求的返回，两者不是同一种证据。

如果你只是看到别人转发“GLM 5.3 Flash 上了 Artificial Analysis”，建议按下面的顺序处理。第一步，打开 Artificial Analysis 页面，把整个图表区域截下来，别只截分数。图表里通常还有横轴或纵轴的含义，比如智能指数与价格的关系，或者不同模型之间的相对位置。第二步，把页面地址和查阅日期记到笔记里，格式可以写成：榜名 Artificial Analysis；查阅日期填你打开页面的那天；模型名 GLM 5.3 Flash；分数与名次按页面原样抄；页面来源填当前 URL。第三步，再回到统一 API 通道，用同一道 MATH 题发一次请求，把返回的 model、choices[0].message.content、usage 和 HTTP 状态保存下来。这样你手里有两类材料：公榜页面快照，以及本地一次请求记录，二者不要混在一张表里。

这里要特别提醒价格轴。Artificial Analysis 页面上的价格通常来自它自己的统计口径，可能是 API 标价或某个供应商的报价，不是你在 TaoToken 控制台看到的实际扣费。你可以在文章里讨论 GLM 5.3 Flash 在智能指数与价格散点图上的位置，但不能把 AA 标价写成 TaoToken 售价。真正要下单或充值时，以 https://taotoken.net/?utm_source=taotoken_aicg_blog_generate&utm_content= 展示为准，控制台用量页才是对账入口。公榜看的是模型能力快照，通道看的是调用是否稳定、账单是否可查、Key 是否能复用，这两件事不要互相替代。

还有一条纪律：公榜表和本地复现表必须分开。公榜表里可以放榜名、查阅日期、模型名、分数或名次、页面来源；本地复现表里放运行日期、Base URL、模型 ID、Prompt、temperature、HTTP 状态、usage、是否完成。不要把 Arena ELO、SWE-bench 百分比、Hugging Face likes、OpenRouter 用量拼成一张“综合实力表”，也不要把 GLM 5.3 Flash 在 Artificial Analysis 上的位置说成统一 API 通道的成绩。通道不是参赛方，也不主办榜单；它只负责把请求送到你选定的模型。你真正能复现的，是一条具体的 curl、一个具体的返回 JSON，以及一张带时间戳的截图。

![公榜速览记录示意：榜名、查阅日期、模型名、页面来源分栏保存]（此处不放图，仅说明截图应包含榜名、日期、模型名、分数与页面地址）

上面这行只是提醒，实际截图建议保存为 aa-glm53flash-snapshot.png，文件里至少能看到 Artificial Analysis 的标题、图表、模型名和页面地址。本文不含排行分数，所以不会给你一个“智能指数多少”或“排第几”的数字。如果你需要数字，请以你查阅当天的页面为准，并在引用时写清榜名、查阅日期、名次或分数、页面来源。这个习惯比抄一个分数重要，因为公榜会更新，模型版本也会变化，今天看到的 GLM 5.3 Flash 配置和明天不一定完全相同。

2. 用 TaoToken 拿 Key 与切模型：Base URL 和模型广场 ID

在本地复现之前，先把入口理清。打开 TaoToken，在控制台创建 Key，占位符用 YOUR_API_KEY。Base URL 固定写 https://taotoken.net/api，末尾不带 /v1。这一点在 curl 里尤其容易写错：有人习惯把 Base URL 写成 https://taotoken.net/api/v1，然后请求 https://taotoken.net/api/v1/chat/completions，结果收到 404。正确做法是 Base URL 归 Base URL，路径归路径：Base URL 用 https://taotoken.net/api，聊天补全路径拼成 /chat/completions，最终 URL 是 https://taotoken.net/api/chat/completions。不要在 Base URL、curl、CLI 的 -u 或环境变量里加 UTM，UTM 只用于落地页归因。

Key 创建之后，下一步是选模型。GLM 5.3 Flash 在模型广场里可能以某个模型 ID 出现，这个 ID 必须以模型广场为准，不要凭记忆写一个“看起来像”的字符串。你可以在控制台或模型广场搜索 GLM 5.3 Flash，复制展示出来的模型 ID，填到 curl 的 "model" 字段。如果广场里同时有多个相似名称，比如不同上下文长度、不同供应商标签或不同版本，建议先只选一个，跑通一次请求，再考虑做对照。模型 ID 写错时，常见返回是 400 或 404，而不是模型回答错误，所以排障时要先看 HTTP 状态和错误信息，不要急着怀疑数学题太难。

如果你打算在命令行里复用，可以用 CLI 把 Key、Base URL、模型 ID 一次性带上：

npm install -g @taotoken/taotoken
taotoken cc -k YOUR_API_KEY -u https://taotoken.net/api -m YOUR_MODEL_ID

这里的 -u 是 Base URL，不带 UTM；-m 是模型 ID，仍然以模型广场为准。CLI 适合把配置写进 Claude Code 之类的环境，但本篇的主角是 curl 向 /chat/completions 发 MATH 题，所以 CLI 只作为复用入口提一下。真正要截图的复现命令还是用 curl，因为它把请求体、响应体和状态码都暴露在终端里，方便你保存原始记录。

准备阶段还需要确认两件小事。第一，Key 有没有多余空格。复制 YOUR_API_KEY 时，前后如果带空格，Authorization 头会变成 Bearer YOUR_API_KEY ，服务端可能直接返回 401。第二，Content-Type 必须是 application/json，否则请求体可能无法被解析。curl 默认不会自动加这个头，所以命令里要显式写 -H "Content-Type: application/json"。这两点在本地排障里占很大比例，和模型能力无关，却会让你误以为 GLM 5.3 Flash 接不进来。

模型广场里还有一个容易忽略的字段：模型 ID 和展示名不是一回事。展示名可以写“GLM 5.3 Flash”，但请求里的 model 必须填广场给出的 ID。你在返回 JSON 里会看到 model 字段，它应该和你请求时填的 ID 一致或至少对应同一模型。截图时把请求命令和返回的 model 字段放在同一张图里，后续做对照表时就不容易混淆。若你同时测多个模型，建议给每次运行单独建一个 JSON 文件，例如 glm53flash-math-run1.json，文件名里带模型名和序号，避免几天后分不清哪份结果对应哪次请求。

3. 一条 curl 向 /chat/completions 发 MATH 题：完整命令与截图位

下面这条命令就是本篇要复现的核心。它把 Base URL 设为 https://taotoken.net/api，向 /chat/completions 发一道 MATH 题，要求模型分步推理并给出最终答案。temperature 设为 0，stream 设为 false，方便一次性拿到完整 JSON 并截图。tee 会把响应同时输出到终端和文件，你可以把文件留作原始证据。

curl -sS -w "\nHTTP_STATUS:%{http_code}\n" https://taotoken.net/api/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "YOUR_MODEL_ID",
    "messages": [
      {
        "role": "system",
        "content": "你是一个数学推理助手。请分步推理，最后单独给出一行最终答案。"
      },
      {
        "role": "user",
        "content": "设 x 和 y 为正整数，且 2x + 3y = 47。求 x + y 的最大值。请分步推理，并在最后一行输出最终答案。"
      }
    ],
    "temperature": 0,
    "stream": false
  }' | tee glm53flash-math.json

命令拆开看，-sS 让 curl 安静但不隐藏错误；-w 在响应末尾追加 HTTP 状态码，截图时你能同时看到 200 或 401；-H "Authorization: Bearer YOUR_API_KEY" 带 Key；-H "Content-Type: application/json" 声明请求体格式；-d 后面是 JSON 请求体。请求体里最重要的三个字段是 model、messages、temperature。model 填模型广场里 GLM 5.3 Flash 对应的 ID，messages 里 system 负责约束输出格式，user 放题目。temperature: 0 是为了降低随机性，让同一道题在多次运行中更容易比较；这不保证每次逐字相同，但比默认温度更适合做复现记录。

这道 MATH 题本身很简单：x 和 y 是正整数，2x + 3y = 47，求 x + y 的最大值。你可以先不用模型，自己算一遍：要让 x + y 最大，x 要尽量大，y 要尽量小；y 为正整数，且 47 - 3y 必须是非负偶数，所以 y 从 1 开始试，y=1 时 2x=44，x=22，x+y=23。模型返回时可能会写出方程变形、奇偶性讨论或枚举过程，你要看的是它有没有在最后一行给出明确答案，以及中间推理是否自洽。注意，这里只是本地一次请求的题目，不是 Artificial Analysis 的评测题；不要拿这一次返回去声称复现了公榜分数。

返回 JSON 的结构可以按下面这些字段截图。不同模型或通道可能在字段顺序上略有差异，但核心字段通常包括 id、model、choices、usage。choices[0].message.content 是模型回答正文，finish_reason 表示结束原因，usage 里能看到 prompt tokens、completion tokens、total tokens。截图时不要只截最后一行答案，要把命令、HTTP 状态、model 字段和 usage 一起框进去。你可以在终端里把窗口拉宽，或者用 python -m json.tool glm53flash-math.json 格式化后再截，但建议保留原始输出，因为原始输出能证明这条请求确实来自 curl。

{
  "model": "<响应里的模型 ID>",
  "choices": [
    {
      "message": {
        "role": "assistant",
        "content": "<模型返回的推理与最终答案>"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": "<从响应中抄>",
    "completion_tokens": "<从响应中抄>",
    "total_tokens": "<从响应中抄>"
  }
}

上面的 JSON 只是字段示意，不是某次真实运行结果。你跑完命令后，glm53flash-math.json 里会有真实内容。建议再截一张图，包含文件名、修改时间和文件大小，证明这份 JSON 是本次产生的。若你需要把结果贴到文章或报告里，优先贴原始 JSON 的片段，并写清运行日期、模型 ID、Prompt、temperature 和 HTTP 状态。不要只贴模型答案，那样无法复现；也不要贴未标来源的分数，那样容易把一次运行说成公榜结论。

截图完成后，可以再做一次不带 tee 的快速请求，只发同一道题，看返回是否在同一模型 ID 下保持稳定。如果两次答案不同，先检查 temperature 是否真的为 0，再检查模型 ID 是否被切换。若你在模型广场里选了多个相似模型，务必在文件名和截图里写清楚是哪一个 ID。公榜速览栏目最怕把不同模型的结果混在一起，所以本文把“公榜页面记录”和“本地 curl 记录”分成两张表，下一节就讲怎么填。

4. 本地复现表怎么填：GLM 5.3 Flash 数学推理一次运行

复现表不是为了好看，而是为了让你在三天后还能解释清楚：当时用的是哪把 Key、哪个 Base URL、哪个模型 ID、哪道题、什么温度、返回了多少 token、HTTP 状态是多少。下面这张表只记录本地一次运行，不记录 Artificial Analysis 的分数。你可以把它复制到 Markdown 笔记里，每次跑完填一行。注意，表格里留空比编造好；没有来源的数字不要写，没有截图的记录不要当成证据。

这张表里没有 Artificial Analysis 的智能指数，也没有名次。公榜信息另建一张表，只记录你从页面上看到的内容：榜名、查阅日期、模型名、分数或名次、页面来源。两张表不要合并。合并之后最容易出现的情况是，读者以为你的本地 curl 跑出了公榜分数，或者以为通道参与了榜单排名。实际上，公榜上的是 GLM 5.3 Flash 这个模型；你本地跑的是一次具体请求，统一 API 基线只负责把请求送到模型并返回结果。

如果你要做多次运行，可以在表下面追加“运行 2”“运行 3”，每次只改运行日期和返回的 usage，其他字段保持一致。这样你能观察到同一模型 ID、同一 Prompt、同一温度下的返回差异。若你要换 temperature，建议另起一张表，写清 temperature 值，不要把不同温度的运行混在同一列。若你要换模型，比如从 GLM 5.3 Flash 换到另一个 Flash 模型，也要新建表。公榜速览文章最容易犯的错是把不同模型、不同温度、不同 Prompt 的记录拼成一张“综合表”，然后得出一个没有来源的结论。本文明确不这么做。

一次运行不代表公榜。这句话建议写在你的记录表标题下面，避免以后自己忘记。Artificial Analysis 上的分数有它自己的评测方法、采样设置和版本快照；你的 curl 只发了一道题，只能说明这次请求是否成功、模型是否给出答案、返回用了多少 token。即使模型这次答对了，也不能说它在 MATH 类评测上达到某个分数。反过来，即使模型这次答错，也不能说它在公榜上的位置是假的。公榜和本地复现是两种证据，前者看页面来源，后者看运行记录。

如果你想把记录做得更完整，可以给 glm53flash-math.json 算一个哈希，写进表格备注。这样以后把 JSON 发给别人时，对方能确认文件没有中途被改。哈希命令可以用 shasum -a 256 glm53flash-math.json，把输出抄到备注里。截图方面，建议截三样：终端命令与状态码、格式化后的 JSON 片段、以及模型广场里模型 ID 的页面。三张图放在同一文件夹，文件名带日期。这样一套材料下来，你既有本地复现产出，又不会把它伪装成公榜分数。

5. 排障与复用：401、404、Claude Code、Codex、CC Switch

复现时最常见的错误是 401。看到 401 先检查 Authorization 头是不是 Bearer YOUR_API_KEY，Key 前后有没有空格，Key 是不是从带 UTM 的落地页控制台创建。不要把 Key 写进公开仓库，也不要在截图里露出完整 Key；截图前可以用占位符替换，或者只露前几位。401 还可能是 Key 被删除、被禁用或复制错了环境。控制台里重新创建一把专用 Key，命名成 glm53flash-math，再跑一次 curl。若换成新 Key 后 200，说明问题在旧 Key，不在模型。

404 通常和 URL 有关。检查 Base URL 是不是 https://taotoken.net/api，请求 URL 是不是 https://taotoken.net/api/chat/completions。不要写成 /api/v1/chat/completions，也不要把 UTM 参数拼到 Base URL 后面。若你把 https://taotoken.net/?utm_source=taotoken_aicg_blog_generate&utm_content= 直接当 Base URL，请求就会打到落地页而不是 API 端点，结果可能是 404 或 HTML 返回。正确做法是：落地页用来创建 Key、看模型广场、看用量；Base URL 只写 https://taotoken.net/api；curl 的路径单独拼 /chat/completions。这三者分工清楚，排障会快很多。

400 多半是模型 ID 或请求体格式问题。先确认 "model" 的值来自模型广场，而不是手写猜测；再确认 JSON 引号、逗号、括号没有写错。若你从网页复制了带智能引号的文本， curl 的 -d 里可能出现非法字符。可以用 jq . 先校验请求体，或者把请求体保存为 request.json，用 curl -d @request.json 发送。400 的错误信息通常会提示哪个字段无效；截图时把错误信息也带上，不要只截“请求失败”。429 表示请求频率或配额限制，先降低并发，检查控制台用量，再决定是否调整 Key 或计划。

如果你要把同一把 Key 复用到 Claude Code，环境变量写法是：

export ANTHROPIC_BASE_URL=https://taotoken.net/api
export ANTHROPIC_AUTH_TOKEN=YOUR_API_KEY
export ANTHROPIC_MODEL=YOUR_MODEL_ID

ANTHROPIC_MODEL 填模型广场里的 ID，不要凭记忆编造。也可以写进 ~/.claude/settings.json 的 env：

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://taotoken.net/api",
    "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY",
    "ANTHROPIC_MODEL": "YOUR_MODEL_ID"
  }
}

这里同样不要把 UTM 加到 ANTHROPIC_BASE_URL 上。Claude Code 接入相关细节可以对照 接入文档。如果你用的是 Codex，配置文件在 ~/.codex/config.toml，不要把 ANTHROPIC_* 环境变量套到 Codex 上，两者配置体系不同。Codex 可以这样写：

model = "YOUR_MODEL_ID"
model_provider = "custom"

[model_providers.custom]
name = "custom"
base_url = "https://taotoken.net/api"
env_key = "OPENAI_API_KEY"

模型 ID 仍以模型广场为准。CC Switch 的思路更简单：新增自定义供应商，Base URL 填 https://taotoken.net/api，Key 填 YOUR_API_KEY，模型 ID 填模型广场展示的 GLM 5.3 Flash 对应 ID。切换后先发一条最小请求验证，不要一上来就跑长上下文。若切换后 401，回到 Key；若 404，回到 Base URL 和路径；若模型答非所问，回到模型 ID 和系统提示。排障只围绕本篇配置，不要引入无关的代理或绕过手段。

6. 把这次 curl 结果带回模型对话与创建 Key 复现对照表

跑完上面的 curl，你已经拿到三样东西：一条可复制的命令、一份 glm53flash-math.json、一张包含 HTTP 状态和 usage 的截图。接下来做两件事。第一，回到 模型对话 确认 GLM 5.3 Flash 的模型 ID 与广场一致，顺便看这次调用是否入账。模型对话页适合发一条轻量请求，验证同一模型 ID 在交互界面里是否可用，但不要把对话页的结果当成公榜分数。第二，如果你准备把 MATH 题跑成一套对照表，在 创建 Key 建一把专用 Key，命名成能识别的项目名，后续每次运行都写清日期、模型 ID、Prompt、temperature 和 usage。

长期复用同一套配置时，再看 Coding Plan。Claude Code、Codex、CC Switch 这类工具的重点不是一次性跑通，而是 Key、Base URL、模型 ID 三件套稳定，切换模型时只改模型 ID，不改通道地址。如果你在 Claude Code 里已经把 ANTHROPIC_BASE_URL 写成 https://taotoken.net/api，在 Codex 里把 base_url 写成同一个地址，在 CC Switch 里也填同一个 Base URL，那么排障时就能用同一套判断：401 看 Key，404 看路径，400 看模型 ID。不要把不同工具的配置混写，也不要把 UTM 参数带进环境变量。

这次复现的最终产出可以整理成一个文件夹：glm53flash-math.json、glm53flash-math.png、aa-glm53flash-snapshot.png、run-log.md。run-log.md 里先写一句“本文不含排行分数”，然后贴公榜登记表和本地复现表。公榜表只放 Artificial Analysis 的页面信息，本地表只放本次 curl 的字段。若你之后要在团队里分享，优先发原始 JSON 和截图，而不是只发一句“GLM 5.3 Flash 数学推理不错”。有来源的数字才可引用；没有来源的结论，宁可留空。

如果你还打算把同一道题发给其他模型做对照，保持 Prompt、temperature、Base URL 不变，只改模型 ID，并给每个模型单独建表。对照表可以写成：模型 ID、运行日期、HTTP 状态、usage、是否给出最终答案、截图文件。注意，这张表仍然不是公榜，只是本地一次运行记录。公榜速览的正确姿势是：公榜看页面，复现看命令，通道看账单。用 TaoToken 创建 Key、切模型，把 GLM 5.3 Flash 的 MATH 题复现一次，然后把结果和公榜页面分开保存。这样你既能在 Artificial Analysis 看到模型位置，也能在本地留下可复查的请求记录。

🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度