SambaNova นำ GLM-5.3 มาให้บริการบน SambaCloud ด้วยความเร็วมากกว่า 200 โทเคนต่อวินาที

SambaNova Systems ระบุเมื่อวันที่ 11 พฤศจิกายน 2026 ว่า โมเดล GLM-5.3 แบบเปิดน้ำหนักของ Z.ai พร้อมใช้งานบนบริการประมวลผลการอนุมาน SambaCloud ด้วยความเร็วมากกว่า 200 โทเคนต่อวินาที นักพัฒนาสามารถเข้าถึงโมเดลผ่านสนามทดลองของ SambaCloud, API และการผสานการทำงานกับเอเจนต์เขียนโค้ด

Z.ai เปิดตัว GLM-5.3เมื่อวันที่ 14 สิงหาคม 2026 โดยใช้โมเดลพื้นฐานเดียวกับ GLM-5.2 และระบุว่าการพัฒนาของระบบรุ่นใหม่นี้เป็นผลจากการฝึกเพิ่มเติมหลังการฝึกในสภาพแวดล้อมที่หลากหลายขึ้น พร้อมงานที่หลากหลายกว่าเดิมและการใช้พลังประมวลผลที่มากขึ้น ประกาศของ SambaNova เพิ่มช่องทางให้บริการโมเดลเดิมนี้ในรูปแบบโฮสต์ งานที่โมเดลนี้ออกแบบมาเพื่อรองรับ ได้แก่ งานวิศวกรรมซอฟต์แวร์ที่ซับซ้อนและงานเอเจนต์ระยะยาวที่ประกอบด้วยขั้นตอนซึ่งต้องพึ่งพากันเป็นลำดับ

สิ่งที่บันทึกร่องรอยการทำงานของเอเจนต์เผยให้เห็น

SambaNova นำเสนอบันทึกร่องรอยจากการทำงานตัวอย่างของเอเจนต์บน SambaCloud เพื่อแสดงให้เห็นข้อเรียกร้องเหล่านั้น การทำงานดังกล่าวเรียกใช้โมเดล 41 ครั้งในเวลา 17 นาที 30 วินาที โดยประมวลผลโทเคนขาเข้า 5.4 ล้านโทเคน และสร้างโทเคนขาออกไม่ถึง 42,000 โทเคน เนื่องจากแต่ละรอบส่งบริบทที่สะสมไว้กลับไปด้วย ปริมาณโทเคนขาเข้าจึงเพิ่มจาก 38,000 โทเคนในการเรียกใช้ครั้งแรกเป็นมากกว่า 114,000 โทเคนเมื่อถึงครั้งที่แปด ส่วนผลลัพธ์ยังมีขนาดเล็ก โดยมีเพียงไม่กี่ร้อยโทเคนซึ่งประกอบด้วยการให้เหตุผลและการเรียกใช้เครื่องมือ อีกทั้งโทเคนขาเข้ามากกว่า 91% ยังประมวลผลจากแคช

รูปแบบนี้อธิบายได้ว่าทำไมจึงเน้นความเร็วในการให้บริการ วงจรการทำงานของเอเจนต์ส่งบริบทขนาดยาวกลับไปยังโมเดลซ้ำ ๆ พร้อมขอให้ทำเพียงการดำเนินการถัดไปสั้น ๆ ดังนั้นความหน่วงในการเรียกใช้แต่ละครั้งจึงสะสมไปตลอดลำดับขั้น SambaNova นำเสนออัตราประมวลผลที่รายงานไว้ว่าเป็นวิธีช่วยให้แต่ละขั้นตอนใช้เวลาสั้น ขณะที่ตัวเลขการใช้แคชแสดงให้เห็นว่างานนี้นำบริบทก่อนหน้ากลับมาใช้ซ้ำในสัดส่วนมากเพียงใด

การฝึกเพิ่มเติมและผลลัพธ์ที่รายงาน

Z.ai ระบุว่าสภาพแวดล้อมสำหรับการฝึกเพิ่มเติมได้รับการออกแบบให้ใกล้เคียงกับการทำงานในสายอาชีพ รวมถึงงานที่อาจใช้เวลาหลายวันสำหรับวิศวกรผู้มีประสบการณ์ ในสถานการณ์หนึ่งเกี่ยวกับโครงสร้างพื้นฐานด้านแมชชีนเลิร์นนิง โมเดลจะได้รับสิทธิ์เข้าถึงคลัสเตอร์ประมวลผล ระบบจัดเก็บข้อมูล เอกสารภายใน โค้ดเบส และผลการทดลอง จากนั้นต้องวินิจฉัยคอขวดทั่วทั้งระบบการฝึก ปรับใช้การเพิ่มประสิทธิภาพ ทำการทดลอง และทำให้ความเร็วโดยรวมตั้งแต่ต้นจนจบเพิ่มขึ้นอย่างวัดผลได้ โดยยังคงรักษาความถูกต้องไว้

Z.ai รายงานว่า GLM-5.3 ทำคะแนนบน Terminal-Bench 3.0 เพิ่มจาก 4.6 เป็น 28.3, บน DeepSWE v1.1 เพิ่มจาก 46.2 เป็น 66.9 และบน Agents’ Last Exam เพิ่มจาก 23.8 เป็น 28.5 ผลเปรียบเทียบนี้แสดงให้เห็นพัฒนาการในงานที่ใช้เทอร์มินัล งานวิศวกรรมซอฟต์แวร์ และงานเอเจนต์ทั่วไป ซึ่งเป็นหมวดงานเดียวกับที่ SambaNova มุ่งรองรับผ่านการติดตั้งใช้งานครั้งนี้

ในการทดสอบ Code Bench ส่วนตัวของ Z.ai บริษัทระบุว่า GLM-5.3 ทำคะแนนได้ 31.4% ที่ระดับความพยายามสูง โดยใช้โทเคนขาออกราว 50,000 โทเคนต่องาน เทียบกับ Claude Opus 4.8 ซึ่งทำได้ 29.5% และใช้ 120,000 โทเคน GLM-5.3 ยังทำคะแนนตามหลัง Claude Fable 5 ซึ่งทำได้ 39.5% ที่ระดับความพยายามสูงสุด นี่เป็นผลด้านประสิทธิภาพที่เฉพาะเจาะจง กล่าวคือ GLM-5.3 สร้างโทเคนน้อยกว่าและทำคะแนนสูงกว่า Opus 4.8 ในการทดสอบนี้ แต่ผลเปรียบเทียบของ Z.ai เองยังจัดให้ Fable 5 อยู่เหนือกว่า

การเข้าถึงผ่าน API และเอเจนต์เขียนโค้ด

บน SambaCloud สามารถเรียกใช้โมเดลโดยระบุสตริงของโมเดล GLM-5.3 ตัวอย่าง Python ของ SambaNova ส่งคำขอแชตคอมพลีชันไปยัง https://api.sambanova.ai/v1 และกำหนด reasoning_effort เป็น max ซึ่งเป็นระดับที่ Z.ai แนะนำสำหรับงานเขียนโค้ด นักพัฒนาสามารถใช้คีย์ API หรือทดลองใช้โมเดลในสนามทดลองของ SambaCloud

ZCode สามารถใช้ SambaCloud ผ่านการตั้งค่าผู้ให้บริการที่เข้ากันได้กับ OpenAI หรือ Anthropic โดยกำหนด URL พื้นฐาน คีย์ API และเลือก GLM-5.3 จากเมนูโมเดล SambaNova ระบุว่าการเปลี่ยน URL พื้นฐานแบบเดียวกันนี้ใช้ได้กับ Claude Code, OpenCode และ Codex CLI สำหรับ Codex นักพัฒนาจะได้รับคำแนะนำให้ใช้ปลายทาง Responses API และระบุระดับการให้เหตุผลที่โมเดลรองรับไว้ในแค็ตตาล็อกโมเดล

GLM-5.3 รองรับระดับความพยายามในการให้เหตุผลแบบต่ำ สูง และสูงสุด และไม่สามารถปิดการคิดได้ Z.ai ระบุว่าแอปพลิเคชันที่ยังใช้ thinking.type: "disabled" ต้องเปิดใช้การคิดและตั้งระดับความพยายามในการให้เหตุผลเป็นต่ำก่อนอัปเดตรหัสโมเดล มิฉะนั้นคำขอจะล้มเหลว

สำหรับทีมที่กำลังประเมินการประมวลผลการอนุมานของเอเจนต์แบบโฮสต์ ความแตกต่างนี้มีความสำคัญ เพราะคะแนนเบนช์มาร์กบอกว่าโมเดลทำงานใดให้สำเร็จได้บ้าง ขณะที่บันทึกร่องรอยเผยให้เห็นงานให้บริการซ้ำ ๆ ที่จำเป็นต่อการทำงานนั้นให้สำเร็จ การติดตั้งใช้งานของ SambaNova มุ่งแก้ปัญหาในส่วนหลังนี้ ทำให้ความเร็วต่อการเรียกใช้และการนำข้อมูลจากแคชกลับมาใช้ซ้ำมีความสำคัญต่อประสบการณ์ผู้ใช้ไม่แพ้คะแนนงานที่ GLM-5.3 รายงานไว้