Über hunderttausend chinesische Chips für GLM-5.3-Flash: Z.ais Darstellung zwischen eigenen Kennzahlen und offenen Fragen

Am 17. September 2026 veröffentlichte das Pekinger Unternehmen Z.ai im eigenen Blog einen technischen Bericht über die Inferenz-Infrastruktur des Modells GLM-5.3-Flash. GLM-5.3-Flash, vorgestellt am 26. August 2026, ist ein Mixture-of-Experts-Modell mit 320 Milliarden Parametern insgesamt und 18 Milliarden aktiven, einem Kontextfenster von einer Million Token und offenen Gewichten auf Hugging Face unter MIT-Lizenz. Nach Angaben des Unternehmens wird der gesamte Produktionsverkehr des Modells von einem Cluster aus über hunderttausend in China gefertigten Beschleunigern bedient; der End-to-End-Durchsatz soll sich gegenüber der anfänglichen Baseline verdreifacht haben, der Umzug in die Betriebsumgebung in weniger als zwei Wochen abgeschlossen worden sein. Vor dem Hintergrund von Pekings Streben nach technologischer Eigenständigkeit, wo der Engpass oft eher in der Software als allein im Silizium liegt, beansprucht das Dokument eine Größenordnung, die laut Unternehmen auf chinesischen Beschleunigern noch nie bewältigt wurde.

Bemerkenswert wird Z.ais Darstellung durch die Behauptung, ein Großteil der Optimierungsarbeit — von der Performance-Analyse bis zu Codeänderungen am Framework SGLang — sei von einem Software-Agenten auf Basis eben dieses GLM-5.3 erledigt worden. Als Schwierigkeiten nennt Z.ai die Kapazität und Bandbreite des On-Chip-Speichers, das Fenster von einer Million Token und ein Software-Ökosystem mit unvollständiger Kernel-Unterstützung. Eine zweite Optimierungsrunde des Agenten veröffentlicht der Beitrag jedoch nicht: Der Zyklus bleibt einmal beschrieben, und das einzige von außen prüfbare Artefakt ist Pull Request 1180 im Repository flash-linear-attention, gemergt am 27. August 2026, der die TF32x3-Emulation einführt, um bei langen Sequenzen Genauigkeit zurückzugewinnen. Das Unternehmen selbst hält im Beitrag fest, keine rekursive Selbstverbesserung erreicht zu haben: Ziele, Grenzen und Risikobewertung blieben bei den Menschen.

Bei den Kosten macht Z.ai geltend, die Auslastungseffizienz der Hardware und die Ausgaben pro Token hätten ein Niveau erreicht, das mit gängigen NVIDIA-GPUs vergleichbar sei. Diese Aussagen kommen ohne die Größen, die eine unabhängige Prüfung erlauben würden: keine Angaben zum gesamten Stromverbrauch, keine Abschreibungsbasis für das Hardwarekapital, keine Kennzahlen zur dauerhaften Auslastung des Clusters. Der Faktor drei betrifft zudem den Durchsatz und nicht die Kosten, und er ist auf Z.ais eigene Ausgangs-Baseline gerechnet — also auf einen Startpunkt, den der Messende selbst gewählt hat. Wer die Chips herstellt, hat das Unternehmen ebenfalls nicht mitgeteilt.

Zahlen aus einer einzigen Quelle beschreiben eine Entwicklungslinie, keine Marktgewissheit. Was fehlt, ist keine Analyse: Es sind die Messwerte. Stromverbrauch, Abschreibung der Hardware, Auslastungsreihen des Clusters — solange Z.ai sie nicht veröffentlicht oder niemand die Ergebnisse von außen reproduziert, bleibt die Kostenparität mit NVIDIA eine Aussage des Unternehmens über die eigene Arbeit. — Olya