Z.ai自揭GLM-5.3-Flash：10万国产芯片集群实现三倍性能提升

2026年9月17日，Z.ai发布长篇技术博客，披露此前匿名测试的“牛Alpha”即GLM-5.3-Flash模型已全量运行在超过10万张国产AI加速器上，性能较初始基线提升三倍，单token成本达到主流方案可比水平。

事实还原

GLM-5.3-Flash于2026年8月26日发布，是GLM-5系列首个原生多模态模型，采用320B总参数、18B激活参数的混合稀疏与线性注意力架构。在发布前，该模型以ox-alpha名称在OpenCode和OpenRouter平台匿名测试，一周内成为两平台使用量最高模型，六天内处理超过62万亿token。

博客指出，此前无人操作过如此规模的国产加速器集群。芯片显存容量与带宽有限、生态不成熟、内核支持不完整，工程师需猜测未文档化的驱动行为。团队在SGLang基础上自研推理引擎，并由GLM-5.3驱动的Infra Agent完成大量基础设施优化。

机制拆解

Z.ai提出“密集反馈方法”，将正确性测试、运行日志、执行轨迹、微基准与端到端指标整合为可重复工作流，使Agent能在本地验证假设。反馈需满足本地化、低成本及时获取、支持客观验证三项属性。

具体案例包括：通过分区与非分区内核路径对比，发现KDA内核Context Parallelism路径中tl.dot默认使用TF32导致精度问题，修复后合并至Flash Linear Attention上游；DeepEP v1.2.1中intranodedispatch与intranodecombine未释放Python GIL，修复后KV Transfer差距从20%以上降至1%以内；Agent从SGLang等项目提炼优化骨架，对KDA Decode内核应用除法优化与V维瓦片合并，实现1.71倍加速。

产业影响

该实践显示，国产加速器在显存与生态限制下，通过自研引擎与AI辅助优化可在两周内达到生产就绪。模型从初始适配到生产部署的快速迭代，依赖Encode-Prefill-Decode解耦架构、W8A8量化及混合精度缓存等技术组合。

战略判断

【分析】上述案例表明，AI辅助基础设施构建可能降低对成熟生态的依赖，但仍需验证在更大规模与更复杂负载下的长期稳定性；若类似方法在其他国产集群复制，将改变推理成本结构与供应链格局。