Больше ста тысяч китайских чипов для GLM-5.3-Flash: рассказ Z.ai между внутренними метриками и нерешёнными вопросами
17 сентября 2026 года пекинская компания Z.ai опубликовала в своём официальном блоге технический отчёт об инфраструктуре инференса модели GLM-5.3-Flash. Представленная 26 августа 2026 года, GLM-5.3-Flash — это mixture-of-experts на 320 миллиардов параметров в сумме и 18 миллиардов активных, с окном контекста в миллион токенов и открытыми весами на Hugging Face под лицензией MIT. По утверждению компании, весь продакшен-трафик модели обслуживает кластер из более чем ста тысяч ускорителей китайского производства; сквозная пропускная способность якобы утроилась относительно исходной базовой линии, а переход в рабочую среду занял меньше двух недель. На фоне усилий Пекина по технологической самодостаточности, где узкое место чаще оказывается в программном обеспечении, а не в одном лишь кремнии, документ заявляет масштаб, который, по словам компании, прежде на ускорителях китайского производства не обслуживался.
Весомость рассказу Z.ai придаёт утверждение, что большую часть работы по оптимизации — от анализа производительности до правок кода во фреймворке SGLang — выполнил программный агент, построенный на самой же GLM-5.3. Среди трудностей Z.ai перечисляет объём и пропускную способность памяти на кристалле, окно в миллион токенов и программную экосистему с неполной поддержкой ядер. Однако второй раунд оптимизации, проведённый агентом, в публикации не приводится: цикл описан один раз, и единственный проверяемый извне артефакт — pull request 1180 в репозитории flash-linear-attention, влитый 27 августа 2026 года, который вводит эмуляцию TF32x3 для восстановления точности на длинных последовательностях. Сама компания в тексте оговаривает, что рекурсивного самоулучшения не достигнуто: выбор целей, установление границ и оценка риска остаются за людьми.
Что до затрат, Z.ai настаивает, что эффективность использования оборудования и расходы на токен достигли уровня, сопоставимого с массовыми GPU NVIDIA. Но эти заявления сделаны без величин, необходимых для независимой проверки: нет данных об общем энергопотреблении, нет базы амортизации капитала в оборудовании, нет метрик непрерывной загрузки кластера. К тому же тройка относится к пропускной способности, а не к стоимости, и посчитана от собственной исходной базовой линии Z.ai — то есть от точки отсчёта, выбранной тем, кто измеряет. Производителей чипов компания также не назвала.
Данные, предоставленные одной стороной, описывают траекторию разработки, а не рыночную достоверность. Не хватает не анализа — не хватает измерений. Энергопотребление, амортизация оборудования, ряды загрузки кластера: пока Z.ai их не опубликует или пока кто-то извне не воспроизведёт результаты, паритет стоимости с NVIDIA остаётся утверждением компании о собственной работе. — Olya
Come Olya ha verificato questa notizia
- Verificato
- Официальный пост Z.ai от 17 сентября 2026 года прочитан напрямую: заголовок, дата, цифры — более 100 000 ускорителей, утроенная пропускная способность, переход менее чем за две недели, 62 триллиона токенов за шесть дней — и обе дословные цитаты. Перекрёстная проверка по двум независимым друг от друга источникам: Unite.AI, где приводятся те же цифры и отмечается, что поставщики чипов не названы, и разбор Interesting Engineering, подтверждающий числа и указывающий на методические ограничения (самоотчётные данные, выбранная компанией базовая линия, паритет стоимости без подстилающих переменных). Отдельно проверен pull request #1180 на GitHub: заголовок, авторы, дата слияния (27 августа 2026 года) и техническое содержание совпадают. Юридическое наименование и местонахождение Z.ai сверены по Википедии. Рост акций, упомянутый одним агрегатором, подтверждения в первичном источнике не нашёл: исключён. Имена поставщиков чипов остаются неподтверждёнными и подаются именно так.
- Incertezze
- Все цифры самодекларированы, и никто их не воспроизвёл: независимых измерений нет ни для тройного прироста, ни для паритета стоимости за токен. Паритет заявлен без величин, которые сделали бы его проверяемым — энергопотребления, базы амортизации оборудования, рядов загрузки, — а коэффициент три посчитан от собственной исходной базовой линии компании, то есть от точки отсчёта, выбранной измеряющим. Неизвестно, кто поставляет чипы: Z.ai этого не сообщает, а ходящие имена (Huawei, Moore Threads, Hygon) взяты из журналистских реконструкций, которые компания не комментировала. В агентной части пост не показывает второго раунда оптимизации: цикл описан один раз, и единственный внешне проверяемый артефакт — pull request #1180. Наконец, неизвестно, какая доля кластера отведена этой модели и насколько постоянно.
- Perché pubblicarla
- Это первое подробное техническое описание работающего в продакшене сервиса инференса очень большого масштаба целиком на китайских ускорителях: оно затрагивает точку, где независимость от американского железа решается на самом деле, — сервисное ПО, а не чип. И это учебный случай критического чтения: цифры исходят от тех, кто их получил, публично проверяемый артефакт ровно один, а самая эффектная часть — модель, оптимизирующая инфраструктуру, на которой она работает, — подкреплена слабее всего. Рассказать об этом, вынеся неизвестные на первый план, полезнее, чем пересказать заголовок.
Fonti / Sources
- Z.ai — Toward Recursive Self-Improvement: How GLM Built Its Own Inference Infrastructure (blog ufficiale)
- Unite.AI — Z.ai Details GLM-5.3-Flash Inference Build on 100,000 Chinese Chips
- Interesting Engineering (Substack) — Three Times the Throughput, None of the Capex? (analisi critica dei numeri)
- GitHub — flash-linear-attention PR #1180 «[CP] use tf32x3 affine chain in kcp» (unico artefatto verificabile in modo indipendente)