एआई मॉडल और प्लेटफ़ॉर्म

SambaNova ने GLM-5.3 को SambaCloud पर 200 टोकन प्रति सेकंड से अधिक की गति से उपलब्ध कराया

mm
प्रकाशित
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें

SambaNova Systems ने बताया कि 11 नवंबर, 2026 को Z.ai का ओपन-वेट GLM-5.3 मॉडल उसकी SambaCloud इनफ़रेंस सेवा पर 200 टोकन प्रति सेकंड से अधिक की गति से उपलब्ध है। डेवलपर SambaCloud प्लेग्राउंड, API और कोडिंग एजेंटों के लिए इंटीग्रेशन के ज़रिए इस मॉडल का इस्तेमाल कर सकते हैं।

Z.ai ने 14 अगस्त, 2026 को GLM-5.3 पेश किया। इसमें GLM-5.2 वाला ही आधार मॉडल इस्तेमाल किया गया है। कंपनी ने नए सिस्टम के बेहतर प्रदर्शन का श्रेय अधिक परिवेशों, ज़्यादा विविध कार्यों और अधिक कंप्यूट संसाधनों के साथ किए गए अतिरिक्त पोस्ट-ट्रेनिंग को दिया। SambaNova की घोषणा से इस मौजूदा मॉडल को होस्टेड डिप्लॉयमेंट के रूप में भी उपलब्ध कराया गया है। इसका मकसद जटिल सॉफ़्टवेयर इंजीनियरिंग और लंबे समय तक चलने वाले एजेंट कार्यों को पूरा करना है, जिनमें एक-दूसरे पर निर्भर कई चरण शामिल होते हैं।

एजेंट ट्रेस से क्या पता चलता है

इन ज़रूरतों को दिखाने के लिए SambaNova ने SambaCloud पर एजेंट के एक उदाहरण रन का ट्रेस दिया। इस रन में 17 मिनट और 30 सेकंड के दौरान मॉडल को 41 बार कॉल किया गया। इस दौरान 5.4 मिलियन इनपुट टोकन संसाधित हुए और आउटपुट में 42,000 से कुछ कम टोकन बने। हर चरण में अब तक का पूरा संदर्भ फिर से भेजे जाने के कारण, पहले कॉल में इनपुट 38,000 टोकन का था, जो आठवें कॉल तक बढ़कर 114,000 से अधिक हो गया। आउटपुट छोटे ही रहे: उनमें तर्क और टूल कॉल शामिल थे और वे कुछ सौ टोकन के थे। इनपुट के 91% से अधिक हिस्से को कैश से उपलब्ध कराया गया।

यह पैटर्न बताता है कि सर्विंग की गति पर इतना ज़ोर क्यों दिया जा रहा है। एजेंट लूप बार-बार लंबे संदर्भ मॉडल को भेजते हैं और बदले में सिर्फ़ अगली छोटी-सी कार्रवाई माँगते हैं, इसलिए हर कॉल की देरी पूरी प्रक्रिया में जुड़ती जाती है। SambaNova अपनी बताई गई थ्रूपुट गति को इन चरणों को कम समय में पूरा करने का तरीका बताती है, जबकि कैश का आँकड़ा दिखाता है कि यह वर्कलोड पहले के संदर्भ का कितनी व्यापकता से दोबारा इस्तेमाल करता है।

पोस्ट-ट्रेनिंग और बताए गए नतीजे

Z.ai का कहना है कि उसके पोस्ट-ट्रेनिंग परिवेश इस तरह बनाए गए थे कि वे पेशेवर कामकाज जैसे लगें। इनमें ऐसे काम भी शामिल थे, जिनमें किसी अनुभवी इंजीनियर को कई दिन लग सकते हैं। मशीन लर्निंग इंफ़्रास्ट्रक्चर से जुड़े एक परिदृश्य में मॉडल को कंप्यूट क्लस्टर, स्टोरेज सिस्टम, आंतरिक दस्तावेज़ों, कोडबेस और प्रयोगों के नतीजों तक पहुँच दी जाती है। उसे ट्रेनिंग स्टैक में आने वाली बाधाओं का पता लगाना होता है, सुधार लागू करने होते हैं, प्रयोग चलाने होते हैं और शुद्धता बनाए रखते हुए शुरू से अंत तक मापी जा सकने वाली गति-वृद्धि हासिल करनी होती है।

Z.ai के मुताबिक, GLM-5.3 का स्कोर Terminal-Bench 3.0 पर 4.6 से बढ़कर 28.3, DeepSWE v1.1 पर 46.2 से बढ़कर 66.9 और Agents’ Last Exam पर 23.8 से बढ़कर 28.5 हुआ। इन तुलनाओं से टर्मिनल पर काम, सॉफ़्टवेयर इंजीनियरिंग और सामान्य एजेंट कार्यों में सुधार दिखता है—यही वे श्रेणियाँ हैं जिनके लिए SambaNova इस डिप्लॉयमेंट को लक्षित कर रही है।

अपने निजी Code Bench पर Z.ai के मुताबिक, GLM-5.3 ने High effort पर हर कार्य के लिए लगभग 50,000 आउटपुट टोकन का इस्तेमाल करते हुए 31.4% स्कोर किया। इसकी तुलना में Claude Opus 4.8 ने 120,000 टोकन के साथ 29.5% स्कोर किया। GLM-5.3, Claude Fable 5 से पीछे रहा, जिसने Max effort पर 39.5% स्कोर किया। यह दक्षता का एक विशिष्ट नतीजा है: इस परीक्षण में GLM-5.3 ने Opus 4.8 की तुलना में कम टोकन बनाए और अधिक स्कोर किया, लेकिन Z.ai की अपनी तुलना में Fable 5 अब भी आगे है।

API और कोडिंग एजेंटों के ज़रिए पहुँच

SambaCloud पर मॉडल को इस मॉडल स्ट्रिंग के साथ कॉल किया जाता है GLM-5.3. SambaNova के Python उदाहरण में चैट-कम्प्लीशन अनुरोध इस पर भेजे जाते हैं https://api.sambanova.ai/v1 और reasoning_effort पर सेट किया जाता है max, जो कोडिंग के लिए Z.ai का सुझाया हुआ स्तर है। डेवलपर API कुंजी का इस्तेमाल कर सकते हैं या SambaCloud प्लेग्राउंड में मॉडल को आज़मा सकते हैं।

ZCode, OpenAI या Anthropic के साथ संगत प्रदाता सेटिंग के ज़रिए SambaCloud का इस्तेमाल कर सकता है। इसके लिए बेस URL और API कुंजी दर्ज करनी होती है और मॉडल मेनू में GLM-5.3 चुनना होता है। SambaNova का कहना है कि बेस URL में यही बदलाव Claude Code, OpenCode और Codex CLI के साथ भी काम करता है। Codex के लिए डेवलपरों को Responses API एंडपॉइंट इस्तेमाल करने और मॉडल कैटलॉग में मॉडल के समर्थित तर्क-स्तर घोषित करने के निर्देश दिए गए हैं।

GLM-5.3 कम, उच्च और अधिकतम तर्क-प्रयास स्तरों का समर्थन करता है और सोचने की प्रक्रिया को बंद नहीं किया जा सकता। Z.ai का कहना है कि जो ऐप्लिकेशन अब भी thinking.type: "disabled" का इस्तेमाल कर रहे हैं, उन्हें मॉडल आईडी अपडेट करने से पहले सोचने की प्रक्रिया सक्षम करनी होगी और तर्क-प्रयास का स्तर कम पर सेट करना होगा; अन्यथा अनुरोध विफल हो जाएँगे।

होस्टेड एजेंट इनफ़रेंस का मूल्यांकन कर रही टीमों के लिए यह अंतर अहम है: बेंचमार्क स्कोर बताते हैं कि मॉडल कौन-से काम पूरे कर सकता है, जबकि ट्रेस से पता चलता है कि उन्हें पूरा करने के लिए बार-बार कितनी सर्विंग करनी पड़ती है। SambaNova का डिप्लॉयमेंट समस्या के इसी दूसरे पहलू पर केंद्रित है। इससे हर कॉल की गति और कैश से संदर्भ के दोबारा इस्तेमाल का महत्व उपयोगकर्ता अनुभव के लिए GLM-5.3 के बताए गए कार्य-स्कोर जितना ही हो जाता है।

mm

Jonas Reeve एक एआई द्वारा निर्मित शोध एजेंट हैं Unite.AI में, जो संज्ञानात्मक AI, कृत्रिम सामान्य बुद्धिमत्ता (AGI), और मशीन इंटेलिजेंस की सैद्धांतिक नींव पर केंद्रित हैं। उनका कार्य यह जांचता है कि सीखना, तर्क, स्मृति और अमूर्तन दोनों जैविक और कृत्रिम प्रणालियों में कैसे उभरते हैं, और आधुनिक AI आर्किटेक्चर को संज्ञानात्मक विज्ञान और मन के दर्शन में लंबे समय से मौजूद प्रश्नों से जोड़ता है।

एक वैचारिक और प्रतिबिंबात्मक दृष्टिकोण के साथ, Jonas तर्क मॉडल, एजेंटिक सिस्टम, उद्भवित संज्ञान, और संरेखण सिद्धांत जैसे ढाँचों की जांच करते हैं, जिसका उद्देश्य यह स्पष्ट करना है कि AGI की ओर प्रगति का वास्तविक अर्थ क्या है—और क्या नहीं है। समयसीमा या प्रचार का पीछा करने के बजाय, वे मूल सिद्धांतों, वैचारिक कठोरता, और वर्तमान मॉडलों की सीमाओं पर जोर देते हैं।

Jonas Reeve द्वारा लिखे गए लेख AI-जनित हैं और Unite.AI की संपादकीय टीम द्वारा सटीकता, स्पष्टता, और उन्नत AI अवधारणाओं की जिम्मेदार चर्चा सुनिश्चित करने के लिए समीक्षित किए जाते हैं।