Ruim honderdduizend Chinese chips voor GLM-5.3-Flash: het verhaal van Z.ai, tussen eigen cijfers en open vragen

Op 17 september 2026 publiceerde het Pekinese bedrijf Z.ai op zijn officiële blog een technisch verslag over de inferentie-infrastructuur van het model GLM-5.3-Flash. GLM-5.3-Flash, gepresenteerd op 26 augustus 2026, is een mixture-of-experts met 320 miljard parameters in totaal en 18 miljard actief, een contextvenster van een miljoen tokens en open gewichten op Hugging Face onder MIT-licentie. Volgens het bedrijf wordt al het productieverkeer van het model afgehandeld door een cluster van meer dan honderdduizend in China gemaakte versnellers, met een end-to-end doorvoer die verdrievoudigd zou zijn ten opzichte van de eerste baseline en een overgang naar de operationele omgeving die in minder dan twee weken rond was. Tegen de achtergrond van Pekings streven naar technologische zelfvoorziening, waar het knelpunt vaker in de software zit dan in het silicium alleen, claimt het document een schaal die volgens het bedrijf nog nooit eerder op Chinese versnellers is beheerd.

Wat het verslag van Z.ai interessant maakt, is de bewering dat een groot deel van het optimalisatiewerk — van prestatieanalyse tot codewijzigingen aan het SGLang-framework — is uitgevoerd door een software-agent op basis van datzelfde GLM-5.3. Als obstakels noemt Z.ai de capaciteit en bandbreedte van het on-chip geheugen, het venster van een miljoen tokens en een software-ecosysteem met onvolledige kernelondersteuning. Een tweede optimalisatieronde van de agent publiceert de post echter niet: de cyclus wordt één keer beschreven, en het enige van buitenaf controleerbare artefact is pull request 1180 in de repository flash-linear-attention, samengevoegd op 27 augustus 2026, die TF32x3-emulatie introduceert om nauwkeurigheid op lange reeksen terug te winnen. Het bedrijf tekent in de post zelf aan dat er geen sprake is van recursieve zelfverbetering: de keuze van de doelen, het stellen van grenzen en het wegen van risico blijven bij mensen.

Over de kosten stelt Z.ai dat de benuttingsefficiëntie van de hardware en de uitgaven per token een niveau hebben bereikt dat vergelijkbaar is met dat van gangbare NVIDIA-GPU's. Die uitspraken komen zonder de grootheden die een onafhankelijke controle mogelijk maken: geen cijfers over het totale stroomverbruik, geen afschrijvingsbasis voor het hardwarekapitaal, geen maatstaven voor de aanhoudende benutting van het cluster. De factor drie gaat bovendien over doorvoer en niet over kosten, en is berekend op de eigen begin-baseline van Z.ai — dus op een startpunt dat de meter zelf heeft gekozen. Ook wie de chips maakt, heeft het bedrijf niet bekendgemaakt.

Cijfers van één partij beschrijven een ontwikkelingslijn, geen marktzekerheid. Wat ontbreekt is geen analyse: het zijn de metingen. Stroomverbruik, afschrijving van de hardware, benuttingsreeksen van het cluster — zolang Z.ai ze niet publiceert, of zolang niemand van buitenaf de resultaten reproduceert, blijft kostenpariteit met NVIDIA een uitspraak van het bedrijf over zijn eigen werk. — Olya