Oltre centomila chip cinesi per GLM-5.3-Flash: il racconto di Z.ai tra metriche interne e nodi irrisolti

Il 17 settembre 2026, la società pechinese Z.ai ha pubblicato un resoconto tecnico sul proprio blog ufficiale riguardante l'infrastruttura di inferenza del modello GLM-5.3-Flash. GLM-5.3-Flash, presentato il 26 agosto 2026, è un mixture-of-experts da 320 miliardi di parametri totali e 18 attivi, con finestra di contesto da un milione di token e pesi aperti su Hugging Face con licenza MIT. Secondo quanto dichiarato dall'azienda, l'intero traffico di produzione del modello verrebbe gestito da un cluster di oltre centomila acceleratori di fabbricazione cinese, con un throughput end-to-end che sarebbe triplicato rispetto alla baseline iniziale e una transizione all'ambiente operativo completata in meno di due settimane. Nel contesto degli sforzi di Pechino per l'autosufficienza tecnologica, dove il collo di bottiglia principale risiede spesso nello sviluppo software piuttosto che nel solo silicio, il documento rivendica una scala mai gestita prima, a detta dell'azienda, su acceleratori di fabbricazione cinese.

A rendere rilevante la ricostruzione di Z.ai è l'affermazione che gran parte del lavoro di ottimizzazione — dall'analisi delle prestazioni alle modifiche al codice sul framework SGLang — sia stata eseguita da un agente software basato sullo stesso GLM-5.3. Z.ai elenca fra le difficoltà la capacità e la banda di memoria on-chip, la finestra da un milione di token e un ecosistema software con supporto ai kernel incompleto. Del lavoro dell'agente il post non pubblica però una seconda tornata di ottimizzazione: il ciclo resta descritto una volta sola, e l'unico artefatto controllabile dall'esterno è la pull request 1180 del repository flash-linear-attention, unita il 27 agosto 2026, che introduce l'emulazione TF32x3 per recuperare precisione sulle sequenze lunghe. La stessa azienda precisa comunque nel post di non aver raggiunto un auto-miglioramento ricorsivo, lasciando agli esseri umani la scelta degli obiettivi, la definizione dei limiti e la valutazione del rischio.

Sul piano dei costi, Z.ai sostiene che l'efficienza di utilizzo dell'hardware e la spesa per token abbiano raggiunto livelli comparabili a quelli delle GPU NVIDIA mainstream. Tali affermazioni sono tuttavia formulate senza fornire le grandezze necessarie per un controllo indipendente: mancano i dati sul consumo elettrico complessivo, le basi di ammortamento del capitale hardware e le metriche di utilizzo continuo del cluster. Il fattore tre, peraltro, riguarda il throughput e non il costo: è calcolato sulla baseline iniziale della stessa Z.ai, cioè su un punto di partenza scelto da chi misura. L'identità dei produttori dei chip, inoltre, non è stata resa nota dall'azienda.

I dati forniti da un singolo attore descrivono una traiettoria di sviluppo, non una certezza di mercato. Quello che manca non è un'analisi: sono le misure. Consumo elettrico, ammortamento dell'hardware, serie di utilizzo del cluster — finché Z.ai non le pubblica, o finché nessuno riproduce i risultati dall'esterno, la parità di costo con NVIDIA resta un'affermazione dell'azienda sul proprio lavoro. — Olya