نماذج ومنصات الذكاء الاصطناعي
تتيح SambaNova نموذج GLM-5.3 على SambaCloud بسرعة تتجاوز 200 رمز في الثانية
أضف Unite.AI إلى مصادرك المفضلة على Google
أعلنت SambaNova Systems في 11 نوفمبر 2026 أن نموذج GLM-5.3 مفتوح الأوزان من Z.ai متاح على خدمة الاستدلال SambaCloud بسرعة تتجاوز 200 رمز في الثانية. ويمكن للمطورين الوصول إلى النموذج عبر بيئة SambaCloud التجريبية، وواجهة برمجية، وعمليات تكامل مع وكلاء البرمجة.
قدمت Z.ai نموذج GLM-5.3 في 14 أغسطس 2026، مستندةً إلى النموذج الأساسي نفسه المستخدم في GLM-5.2، وعزت التحسينات في النظام الأحدث إلى مزيد من التدريب اللاحق ضمن بيئات أكثر، ومهام أكثر تنوعًا، وقدرة حوسبة أكبر. ويضيف إعلان SambaNova نشرًا مستضافًا لهذا النموذج المتاح بالفعل. وتشمل المهام التي صُمم لها هندسة البرمجيات المعقدة ومهام الوكلاء طويلة الأمد التي تتضمن سلسلة من الخطوات المترابطة.
ما الذي يكشفه سجل عمل الوكيل
قدمت SambaNova سجلًا لتشغيل تجريبي لوكيل على SambaCloud لتوضيح هذه المتطلبات. أجرى التشغيل 41 استدعاءً للنموذج خلال 17 دقيقة و30 ثانية، وعالج 5.4 مليون رمز إدخال، فيما ولّد أقل بقليل من 42,000 رمز إخراج. ولأن كل جولة كانت تعيد إرسال السياق المتراكم، ارتفع حجم الإدخال من 38,000 رمز في الاستدعاء الأول إلى أكثر من 114,000 رمز بحلول الاستدعاء الثامن. وظلت المخرجات صغيرة، إذ اقتصرت على بضع مئات من الرموز التي تتضمن الاستدلال واستدعاء أداة، بينما عولج أكثر من 91% من الإدخال من الذاكرة المؤقتة.
يوضح هذا النمط سبب التركيز على سرعة تقديم الاستدلال. فحلقات الوكلاء تعيد إرسال سياقات طويلة إلى النموذج مرارًا، ولا تطلب في كل مرة سوى إجراء تالٍ قصير، لذلك يتراكم زمن الاستجابة لكل استدعاء على امتداد التسلسل. وتعرض SambaNova معدل النقل الذي أبلغت عنه بوصفه وسيلة لتقصير هذه الخطوات، فيما يوضح رقم الذاكرة المؤقتة مدى اعتماد عبء العمل على إعادة استخدام السياق السابق.
التدريب اللاحق والنتائج المعلنة
تقول Z.ai إن بيئات التدريب اللاحق صُممت لمحاكاة العمل المهني، بما في ذلك مهام قد تستغرق من مهندس متمرس عدة أيام. وفي أحد سيناريوهات البنية التحتية للتعلم الآلي، يُتاح للنموذج الوصول إلى عناقيد الحوسبة وأنظمة التخزين والوثائق الداخلية وقواعد الشيفرات البرمجية ونتائج التجارب. ويتعين عليه تشخيص الاختناقات في مختلف مراحل مجموعة التدريب، وتنفيذ التحسينات، وإجراء التجارب، وتحقيق تسريع قابل للقياس من البداية إلى النهاية مع الحفاظ على صحة النتائج.
تفيد Z.ai بأن GLM-5.3 رفع نتيجته من 4.6 إلى 28.3 في Terminal-Bench 3.0، ومن 46.2 إلى 66.9 في DeepSWE v1.1، ومن 23.8 إلى 28.5 في Agents’ Last Exam. وتُظهر هذه المقارنات التحسن في مهام الطرفية وهندسة البرمجيات والمهام العامة للوكلاء، وهي الفئات نفسها التي تستهدفها SambaNova بهذا النشر.
في اختبار Code Bench الخاص بها، تفيد Z.ai بأن GLM-5.3 حقق نتيجة 31.4% عند مستوى جهد مرتفع، مع نحو 50,000 رمز إخراج لكل مهمة، مقارنةً بنتيجة 29.5% و120,000 رمز لنموذج Claude Opus 4.8. ومع ذلك، ظل GLM-5.3 أدنى من Claude Fable 5، الذي حقق 39.5% عند مستوى الجهد الأقصى. وهذه نتيجة محددة تتعلق بالكفاءة: فقد ولّد GLM-5.3 رموزًا أقل وسجل نتيجة أعلى من Opus 4.8 في هذا الاختبار، لكن مقارنة Z.ai نفسها تضع Fable 5 في مرتبة متقدمة.
الوصول عبر الواجهة البرمجية ووكلاء البرمجة
يُستدعى النموذج على SambaCloud باستخدام سلسلة اسم النموذج GLM-5.3. ويرسل مثال SambaNova بلغة Python طلبات إكمال المحادثة إلى https://api.sambanova.ai/v1 ويعيّن reasoning_effort إلى max، وهو المستوى الذي توصي به Z.ai للبرمجة. ويمكن للمطورين استخدام مفتاح واجهة برمجية أو اختبار النموذج في بيئة SambaCloud التجريبية.
يمكن لـ ZCode استخدام SambaCloud عبر إعدادات موفّر متوافقة مع OpenAI أو Anthropic، مع عنوان URL أساسي ومفتاح واجهة برمجية واختيار GLM-5.3 من قائمة النماذج. وتقول SambaNova إن تغيير العنوان الأساسي نفسه يعمل مع Claude Code وOpenCode وCodex CLI. وبالنسبة إلى Codex، يُطلب من المطورين استخدام نقطة نهاية واجهة Responses API وتحديد مستويات الاستدلال التي يدعمها النموذج في فهرس النماذج لديهم.
يدعم GLM-5.3 مستويات جهد استدلال منخفضة ومرتفعة وقصوى، ولا يمكن تعطيل وضع التفكير. وتقول Z.ai إن التطبيقات التي لا تزال تستخدم thinking.type: "disabled" يجب أن تفعّل وضع التفكير وتضبط جهد الاستدلال على المستوى المنخفض قبل تحديث معرّف النموذج؛ وإلا فستفشل الطلبات.
بالنسبة إلى الفرق التي تقيّم استدلال الوكلاء المستضاف، يكتسب هذا التمييز أهمية: فنتائج المعايير تصف ما يستطيع النموذج إنجازه، بينما يكشف سجل التشغيل عن العمل المتكرر اللازم لتقديم الاستدلال حتى ينجز المهمة. ويستهدف نشر SambaNova هذا الجانب الثاني من المشكلة، إذ يجعل سرعة كل استدعاء وإعادة استخدام الذاكرة المؤقتة عاملين لا يقلان أهمية عن نتائج GLM-5.3 المعلنة في المهام عند تقييم تجربة المستخدم.
