SambaNova udostępnia GLM-5.3 w SambaCloud z szybkością ponad 200 tokenów na sekundę

SambaNova Systems poinformowała 11 listopada 2026 r., że model GLM-5.3 z otwartymi wagami firmy Z.ai jest dostępny w usłudze wnioskowania SambaCloud z szybkością przekraczającą 200 tokenów na sekundę. Deweloperzy mogą korzystać z modelu za pośrednictwem środowiska testowego SambaCloud, interfejsu API oraz integracji z agentami programistycznymi.

Firma Z.ai zaprezentowała GLM-5.3 14 sierpnia 2026 r. Model bazuje na tym samym modelu bazowym co GLM-5.2, a poprawę wyników nowszego systemu firma przypisuje dodatkowemu dostrajaniu po treningu w większej liczbie środowisk, przy bardziej zróżnicowanych zadaniach i z wykorzystaniem większej mocy obliczeniowej. Ogłoszenie SambaNova informuje o udostępnieniu istniejącego modelu w usłudze hostowanej. Model jest przeznaczony między innymi do złożonych zadań inżynierii oprogramowania i długotrwałych zadań agentowych, które obejmują sekwencje zależnych od siebie kroków.

Co pokazuje ślad działania agenta

Aby zilustrować te wymagania, SambaNova udostępniła zapis przykładowego działania agenta w SambaCloud. W ciągu 17 minut i 30 sekund agent wykonał 41 wywołań modelu, przetwarzając 5,4 mln tokenów wejściowych i generując niecałe 42 000 tokenów wyjściowych. Ponieważ w każdej kolejnej turze ponownie przesyłano zgromadzony kontekst, liczba tokenów wejściowych wzrosła z 38 000 przy pierwszym wywołaniu do ponad 114 000 przy ósmym. Odpowiedzi pozostały krótkie: zawierały po kilkaset tokenów obejmujących rozumowanie i wywołanie narzędzia, a ponad 91% tokenów wejściowych obsłużono z pamięci podręcznej.

Ten schemat wyjaśnia, dlaczego tak duży nacisk położono na szybkość obsługi. W pętli agenta długie konteksty są wielokrotnie przesyłane z powrotem do modelu, który ma wskazać jedynie krótkie kolejne działanie. W rezultacie opóźnienia poszczególnych wywołań sumują się w trakcie całej sekwencji. SambaNova przedstawia deklarowaną przepustowość jako sposób na skrócenie tych etapów, a podany odsetek operacji obsłużonych z pamięci podręcznej pokazuje, jak intensywnie zadanie ponownie wykorzystuje wcześniejszy kontekst.

Dostrajanie po treningu i deklarowane wyniki

Firma Z.ai informuje, że środowiska dostrajania po treningu zaprojektowano tak, by przypominały rzeczywiste warunki pracy, a niektóre zadania mogłyby zająć doświadczonemu inżynierowi kilka dni. W jednym ze scenariuszy dotyczących infrastruktury uczenia maszynowego model uzyskuje dostęp do klastrów obliczeniowych, systemów pamięci masowej, wewnętrznej dokumentacji, repozytoriów kodu i wyników eksperymentów. Ma zdiagnozować wąskie gardła w całym stosie treningowym, wdrożyć optymalizacje, przeprowadzić eksperymenty i uzyskać mierzalne przyspieszenie całego procesu, nie naruszając przy tym poprawności.

Firma Z.ai podaje, że wynik GLM-5.3 wzrósł z 4,6 do 28,3 w teście Terminal-Bench 3.0, z 46,2 do 66,9 w DeepSWE v1.1 oraz z 23,8 do 28,5 w Agents’ Last Exam. Porównanie pokazuje poprawę w zadaniach wykonywanych w terminalu, inżynierii oprogramowania i ogólnych zadaniach agentowych — czyli w tych samych obszarach, na których SambaNova koncentruje się w ramach tego wdrożenia.

W swoim wewnętrznym teście Code Bench firma Z.ai podaje, że GLM-5.3 uzyskał wynik 31,4% przy wysokim poziomie wysiłku, generując około 50 000 tokenów wyjściowych na zadanie. Dla porównania Claude Opus 4.8 osiągnął wynik 29,5% przy 120 000 tokenów. GLM-5.3 nadal ustępował Claude Fable 5, który uzyskał 39,5% przy maksymalnym poziomie wysiłku. Wynik ten pokazuje konkretną przewagę pod względem wydajności: w tym teście GLM-5.3 wygenerował mniej tokenów i uzyskał wyższy wynik niż Opus 4.8, ale własne porównanie Z.ai nadal wskazuje Fable 5 jako lepszy model.

Dostęp przez API i agentów programistycznych

W SambaCloud model wywołuje się, podając identyfikator modelu GLM-5.3. Przykład w Pythonie udostępniony przez SambaNova wysyła żądania dotyczące uzupełniania rozmowy do https://api.sambanova.ai/v1 i ustawia reasoning_effort na max, poziom zalecany przez Z.ai do programowania. Deweloperzy mogą użyć klucza API lub przetestować model w środowisku testowym SambaCloud.

ZCode może korzystać z SambaCloud za pomocą ustawień dostawcy zgodnych z OpenAI lub Anthropic, podając podstawowy adres URL i klucz API oraz wybierając GLM-5.3 z menu modeli. SambaNova informuje, że ta sama zmiana podstawowego adresu URL działa w przypadku Claude Code, OpenCode i Codex CLI. W przypadku Codex deweloperzy powinni użyć punktu końcowego interfejsu Responses API i określić w katalogu modeli obsługiwane przez model poziomy wysiłku związanego z rozumowaniem.

GLM-5.3 obsługuje niski, wysoki i maksymalny poziom wysiłku związanego z rozumowaniem, a trybu myślenia nie można wyłączyć. Firma Z.ai informuje, że aplikacje nadal korzystające z thinking.type: "disabled" muszą włączyć tryb myślenia i ustawić niski poziom wysiłku związanego z rozumowaniem przed zaktualizowaniem identyfikatora modelu; w przeciwnym razie żądania zakończą się niepowodzeniem.

Dla zespołów oceniających hostowane wnioskowanie agentowe istotne jest rozróżnienie między dwiema rzeczami: wyniki testów porównawczych pokazują, jakie zadania model potrafi wykonać, a zapis działania ujawnia powtarzające się operacje obsługi potrzebne do ich ukończenia. Wdrożenie SambaNova ma usprawnić tę drugą część procesu, dlatego szybkość pojedynczych wywołań i ponowne wykorzystanie danych z pamięci podręcznej są równie ważne dla komfortu użytkowników, co deklarowane wyniki GLM-5.3 w zadaniach.