SambaNova, GLM-5.3’ü SambaCloud’da Saniyede 200’den Fazla Belirteç Hızında Sunuyor

SambaNova Systems, 11 Kasım 2026’da Z.ai’nin açık ağırlıklı GLM-5.3 modelinin SambaCloud çıkarım hizmetinde saniyede 200’den fazla belirteç hızında kullanılabildiğini açıkladı. Geliştiriciler modele SambaCloud oyun alanı, API ve kodlama ajanlarına yönelik entegrasyonlar aracılığıyla erişebilir.

Z.ai, GLM-5.3’ü tanıttı 14 Ağustos 2026’da. Model, GLM-5.2 ile aynı temel modeli kullanıyor; yeni sistemdeki iyileşmeler ise daha fazla ortamda, daha çeşitli görevlerde ve daha fazla hesaplama gücüyle gerçekleştirilen ek eğitim sonrası çalışmalara bağlanıyor. SambaNova’nın duyurusu, mevcut model için barındırılan bir dağıtım seçeneği sunuyor. Model; karmaşık yazılım mühendisliği işleri ve birbirine bağlı adımlardan oluşan, uzun süreli ajan görevleri için tasarlandı.

Ajan İz Kaydı Ne Gösteriyor?

SambaNova, bu gereksinimleri göstermek için SambaCloud’da gerçekleştirilen örnek bir ajan çalıştırmasının iz kaydını paylaştı. Çalıştırma, 17 dakika 30 saniye içinde 41 model çağrısı yaptı; 5,4 milyon girdi belirtecini işlerken 42.000’den biraz az çıktı belirteci üretti. Her turda biriken bağlam yeniden gönderildiğinden, girdi miktarı ilk çağrıdaki 38.000 belirteçten sekizinci çağrıda 114.000’in üzerine çıktı. Çıktılar küçük kaldı: akıl yürütme ve bir araç çağrısı içeren birkaç yüz belirteç. Girdinin %91’den fazlası önbellekten sunuldu.

Bu örüntü, sunum hızına neden önem verildiğini açıklıyor. Ajan döngüleri, yalnızca bir sonraki kısa eylemi isterken uzun bağlamları tekrar tekrar modele gönderiyor; bu nedenle her çağrının gecikmesi süreç boyunca birikiyor. SambaNova, bildirdiği işlem hızını bu adımları kısa tutmanın bir yolu olarak sunuyor. Önbellek oranı ise iş yükünün önceki bağlamı ne ölçüde yoğun biçimde yeniden kullandığını gösteriyor.

Eğitim Sonrası Çalışmalar ve Bildirilen Sonuçlar

Z.ai, eğitim sonrası çalışma ortamlarının profesyonel işlere benzeyecek şekilde tasarlandığını ve deneyimli bir mühendisin birkaç gününü alabilecek görevleri içerdiğini belirtiyor. Makine öğrenimi altyapısıyla ilgili bir senaryoda modele hesaplama kümelerine, depolama sistemlerine, kurum içi belgelere, kod tabanlarına ve deney sonuçlarına erişim veriliyor. Modelin eğitim yığınındaki darboğazları teşhis etmesi, iyileştirmeleri uygulaması, deneyler yürütmesi ve doğruluğu korurken uçtan uca ölçülebilir bir hız artışı sağlaması gerekiyor.

Z.ai, GLM-5.3’ün Terminal-Bench 3.0 puanının 4,6’dan 28,3’e, DeepSWE v1.1 puanının 46,2’den 66,9’a ve Agents’ Last Exam puanının 23,8’den 28,5’e yükseldiğini bildiriyor. Bu karşılaştırmalar, kazanımların terminal görevleri, yazılım mühendisliği ve genel ajan görevleri alanlarında görüldüğünü ortaya koyuyor. SambaNova da bu dağıtımda aynı alanları hedefliyor.

Z.ai, özel Code Bench testinde GLM-5.3’ün Yüksek çaba düzeyinde, görev başına yaklaşık 50.000 çıktı belirteci kullanarak %31,4’e ulaştığını bildiriyor. Claude Opus 4.8 ise 120.000 belirteçle %29,5’e ulaştı. GLM-5.3, Azami çaba düzeyinde %39,5’e ulaşan Claude Fable 5’in gerisinde kaldı. Bu, belirli bir verimlilik sonucunu gösteriyor: GLM-5.3 bu testte Opus 4.8’den daha az belirteç üretip daha yüksek puan aldı, ancak Z.ai’nin kendi karşılaştırmasında Fable 5 yine de önde.

API ve Kodlama Ajanlarına Erişim

SambaCloud’da model, şu model dizesiyle çağrılır GLM-5.3. SambaNova’nın Python örneği, sohbet tamamlama isteklerini şu adrese gönderir https://api.sambanova.ai/v1 ve reasoning_effort olarak ayarlar max, Z.ai’nin kodlama için önerdiği düzey. Geliştiriciler bir API anahtarı kullanabilir veya modeli SambaCloud oyun alanında deneyebilir.

ZCode, SambaCloud’u OpenAI veya Anthropic ile uyumlu sağlayıcı ayarları üzerinden kullanabilir; bunun için temel URL, API anahtarı ve model menüsünde GLM-5.3 seçilmelidir. SambaNova, aynı temel URL değişikliğinin Claude Code, OpenCode ve Codex CLI ile de işe yaradığını belirtiyor. Codex’te geliştiricilerin Responses API uç noktasını kullanması ve model kataloğunda modelin desteklediği akıl yürütme düzeylerini belirtmesi gerekiyor.

GLM-5.3 düşük, yüksek ve azami akıl yürütme çabasını destekliyor; düşünme özelliği devre dışı bırakılamıyor. Z.ai, hâlâ thinking.type: "disabled" kullanan uygulamaların düşünme özelliğini etkinleştirmesi ve model kimliğini güncellemeden önce akıl yürütme çabasını düşük olarak ayarlaması gerektiğini belirtiyor; aksi takdirde istekler başarısız olur.

Barındırılan ajan çıkarımını değerlendiren ekipler için bu ayrım önem taşıyor: kıyaslama puanları bir modelin hangi görevleri tamamlayabildiğini gösterirken, iz kaydı bunları tamamlamak için gereken tekrarlı sunum işlemlerini ortaya koyuyor. SambaNova’nın dağıtımı, sorunun bu ikinci kısmını hedefliyor. Böylece çağrı başına hız ve önbellekten yeniden kullanım, kullanıcı deneyimi açısından GLM-5.3’ün bildirilen görev puanları kadar önemli hâle geliyor.