OllamaでGLM-5.3のthinkingを選ぶ

先に結論

この記事の判断: GLM-5.3-Flash cloudをOllama経由で使う人は、対応する正式版の/api/showでmodel別thinking valuesとdefaultを確認し、返された値を用途に合わせて推論requestへ指定する。品質や速度の順位は付けない。

対象model: glm-5.3-flash:cloud（対象のOllama cloud tag、reasoning effort low／high／max）

対象機器: Ollama 0.34.3 stable client／macOS・Windows・Linux／推論weightとGPU memoryはOllama cloud側で非公開

Ollama v0.34.3正式版は2026年9月19日に公開され、release noteに/api/showが各modelのthinking controlsとdefaultを返す変更が記載されています。GLM-5.3-Flash cloudの例ではvaluesがlow・high・max、defaultがmaxです。値を確認してrequestに指定できますが、品質、速度、費用の優劣を示す測定ではありません。

訂正（2026年10月2日）: 初稿はthinking metadataの利用に0.34.3-rc1が必要と記載していました。確認すると、正式版0.34.3が9月19日に公開され、同じmetadataを含んでいました。以下の比較と手順を正式版に合わせて修正しています。

公開時点の確認日: 2026年9月21日（Asia/Tokyo）
検証区分: 公式release、merge済みPR、v0.34.3 API docsを照合した机上調査です。KFBはOllamaまたはGLM-5.3-Flash cloudを実行していません。
公開時点の版情報: 0.34.2は9月15日、metadataのPR mergeは9月18日、正式版0.34.3は9月19日に公開されました。この記事の確認日は公開時点の2026年9月21日です。
未検証: model品質、TTFT、prefill、decode tok/s、token費用、地域別rollout、cloud側のGPU、weight revision、quantization、peak memory。

今回比較するモデル

対象はローカルweightではなく、Ollama Cloudで提供される glm-5.3-flash:cloud です。Ollamaのmodel pageは背景情報として320B total／18B active、1M context、MITを掲げています。一方、cloudで実際に動くweight revision、quantization、server構成は公開されていません。これらをローカルGPUの必要VRAMや速度へ換算しません。

項目	確認できた内容	選択への使い方
model ID／revision	`glm-5.3-flash:cloud`。cloud側weight revisionは非公開	tagを固定し、ローカルartifactと混同しない
parameter	開発元背景情報は320B total／18B active。Ollama表示は321B parameters	表示単位の差を速度やmemoryの比較へ使わない
quantization／必要memory	cloud artifact、server GPU、quantization、peak memoryは非公開	MacやPCのRAM／VRAMから適否を推定しない
context	Ollama model pageは1M contextと表示	直近7日内の更新日がないため、request前に再確認する
runtime	Ollama 0.34.3 stable。`POST /api/show`がthinking metadataを公開	対応値と既定値を確認し、推論requestに指定する
license／費用	model pageはMIT。cloud利用条件と当日料金は別途確認が必要	licenseだけでserviceの費用や地域条件を判断しない

機器ごとの適性

model／variant	必要memoryの根拠	向く機器	向く用途	判断段階
`glm-5.3-flash:cloud`＋0.34.3 stable	推論はcloud側。client RAM／VRAMの一律値は未公表	macOS・Windows・Linuxのclient	`POST /api/show`で対応値とdefaultを確認して推論requestへ指定する	公式release、KFB実機未検証
ローカルGLM weight	今回のcloud tagからローカル必要VRAMを算出できない	今回の判断対象外	offline推論や自己管理server	GPU・API選択ガイドで別に判断

client側のCPU、GPU、RAMは通信とアプリ動作には関係しますが、cloud推論のmodel weightを保持する条件ではありません。自己hostを選ぶ場合は、GLM-5.3-Flashのdtype・runtime比較でFP8／BF16と対応runtimeを分けてください。

性能データの見方

今回のbenchmarkStatusは not-measured です。確認したmetricはcompatibilityとavailabilityであり、品質や速度ではありません。正式版0.34.3のrelease noteは、POST /api/showが values: ["low", "high", "max"] と default: "max" を返す例を示します。merge済みPRは、対応値と既定値をclientへ渡し、未対応名はmodel既定値へ戻す仕様を説明しています。

ここから「lowが速い」「maxが高品質」「highが安い」とは判断できません。同一prompt、入力／出力token数、server条件、反復回数、費用記録が揃った測定は公開根拠として確認できていないためです。

どれを選ぶか

対応値を調べたい: 対応する正式版のPOST /api/showを呼び、対象modelのvaluesとdefaultを確認します。
thinking levelを指定したい: 推論requestでは確認した値を使います。CLIではollama run --thinkを使えます。
短い対話を試す: lowを最初の候補にします。速度や費用が低いという保証ではなく、用途に合わせた検証開始点です。
複雑なcodingを試す: highとmaxを候補にし、同じ課題と合格条件で別々に記録します。公開値だけで勝敗は決めません。
offlineやlocal GPUで動かしたい: :cloudを選択根拠にせず、local artifactとruntimeを別に選びます。

試す場合の最短手順

Ollama 0.34.3正式版を使い、まずmodel情報を返すPOST /api/showで値と既定値を確認します。この呼び出し自体は推論requestではありません。CLIの推論requestで値を選ぶ例は次のとおりです。

ollama --version
curl http://localhost:11434/api/show \
  -d '{"model":"glm-5.3-flash:cloud"}'
ollama run glm-5.3-flash:cloud --think low

確認するのは、versionが0.34.3であること、POST /api/showが対象modelのthinking valuesとdefaultを返すこと、選んだ値を付けた推論requestに応答が返ることです。応答が返っても、品質・速度・費用の改善確認にはなりません。

失敗した場合は検証clientを停止し、保存しておいた以前の正式版package／binaryと設定へ戻します。ollama --versionで戻した版を確認し、従来使っていたmodelで1件だけ疎通を確認します。設定を再利用する場合は、Modelfileの設定再利用ガイドに沿ってmodel名、Ollama版、parameterを一緒に記録します。

公開ベンチマークを詳しく見る

同じテーマの比較記事で、releaseとPRが保証するmetadataの範囲、/api/showと推論requestの違い、測定していない性能項目を確認できます。

参考資料

Ollama v0.34.3 release（2026年9月19日公開、正式版。/api/showのthinking valuesとdefault）
ollama/ollama PR #18473（2026年9月18日merge、model別thinking metadata）
Ollama v0.34.2 release（2026年9月15日公開、比較対象の旧版）
Ollama API docs at v0.34.3（POST /api/showとthinking requestの説明）
Ollama library: glm-5.3-flash（cloud tag、parameter、context、licenseの背景情報。直近7日の更新根拠には不使用）
Z.ai GLM-5.3-Flash model card（parameterとlicenseの背景情報。cloud artifactの現行revision根拠には不使用）