GLM-5.3: Z.ai setzt Recursive Self-Improvement erstmals in Produktion um
Veröffentlicht am: 17.09.2026 um 21:48 Uhr | Redaktion boerse-global.de
Das Technologieunternehmen Z.ai hat technische Berichte veröffentlicht, die den ersten öffentlichen Einsatz von Recursive Self-Improvement (RSI) in der Engineering-Praxis eines KI-Anbieters dokumentieren. Im Zentrum der Berichte steht der sogenannte GLM-5.3-Infra-Agent, der die Produktions-Inferenzinfrastruktur für das Sprachmodell GLM-5.3-Flash eigenständig entworfen, debuggt und optimiert hat.
Dieser Prozess fand auf einem Cluster statt, der mit über 100.000 chinesischen KI-Beschleunigern bestückt ist. Laut dem Team handelt es sich um den landesweit ersten öffentlich gemachten Fall, in dem RSI von einem Anbieter großer Sprachmodelle (LLM) direkt in der Produktion angewendet wurde.
Effizienzsteigerung auf großflächigen Beschleuniger-Clustern
Die Optimierungsmaßnahmen des Infra-Agenten führten zu deutlichen Leistungssteigerungen der Infrastruktur. Von der ersten Adaption bis zur vollen Produktionsreife des Systems vergingen weniger als zwei Wochen. Dabei konnte der End-to-End-Durchsatz auf das 3,2-fache des ursprünglichen Ausgangsniveaus gesteigert werden.
Z.ai gab an, dass die erreichte Hardware-Effizienz sowie die Kosten pro verarbeitetem Token nun auf einem Niveau liegen, das mit dem von NVIDIA-GPUs vergleichbar sei.
Das zugrunde liegende Modell GLM-5.3-Flash, das am 26.08.2026 offiziell eingeführt wurde, verfügt über insgesamt 320 Milliarden Parameter, wovon 18 Milliarden aktiv genutzt werden. Es unterstützt ein Kontextfenster von einer Million Token.
Die technische Architektur der Infrastruktur basiert auf ReplaySSM, nutzt Tensor-Parallelismus innerhalb der Rechenknoten sowie Mixed-Precision-Caching (INT8/FP8/BF16). Zudem kommt eine getrennte Architektur für die Phasen Encode, Prefill und Decode zum Einsatz.
Wer die rasanten Fortschritte bei KI-Infrastrukturen und Big Data verfolgt, erkennt schnell die massiven Investmentchancen hinter diesen Technologien. Dieser kostenlose Report bündelt die wichtigsten Informationen zu den Top 10 Big-Data-Werten übersichtlich für Ihr Portfolio. 10 Big-Data-Aktien mit Potenzial für Ihr Portfolio
Erfolgreicher Testbetrieb unter dem Pseudonym ox-alpha
Vor der offiziellen Bekanntgabe wurde das optimierte Modell anonym unter der Bezeichnung „ox-alpha“ auf Plattformen wie OpenCode und OpenRouter zur Verfügung gestellt. Innerhalb einer Woche entwickelte es sich dort zum meistgenutzten Modell. In einem Zeitraum von sechs Tagen verarbeitete die durch den Agenten optimierte Infrastruktur über 62 Billionen Token.
Während der Optimierungsphase identifizierte der Infra-Agent mehrere kritische Engpässe und Fehlerquellen. Dazu gehörten Rechenfehler bei langen Kontexten, Blockaden beim Transfer des Key-Value-Caches (KV-Transfer) sowie redundante Kernel-Berechnungen.
Ein konkreter Erfolg war die Behebung einer Blockade durch den Global Interpreter Lock (GIL) in der Software-Komponente DeepEP v1.2.1 (Mooncake). Dieser Fehler hatte zuvor einen Overhead beim KV-Transfer von über 20 Prozent verursacht. Nach dem durch den Agenten initiierten Fix sank dieser Wert auf unter 1 Prozent.
Während technologische Durchbrüche wie Recursive Self-Improvement die Industrie verändern, stellen sie Unternehmen auch vor neue regulatorische Herausforderungen. Ein kostenloser Umsetzungsleitfaden bietet Ihnen jetzt den notwendigen Überblick über Fristen, Pflichten und Risikoklassen des EU AI Acts. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt
Technische Durchbrüche und Grenzen der Selbstoptimierung
Neben Fehlerkorrekturen nahm der Agent auch tiefgreifende Optimierungen am Code vor. Ein Rewrite des sogenannten KDA-Decode-Kernels führte zu einer Beschleunigung um den Faktor 1,71. Zudem wurde am 27.08.2026 ein Genauigkeitsfix für den KDA-Kernel in die Flash Linear Attention (Pull Request #1180) gemerged, um Präzisionsprobleme im CP-Pfad zu beheben.
Tang Jie, Mitgründer und Chief Scientist bei Zhipu, erläuterte im Rahmen der Veröffentlichung die Herausforderungen bei der Entwicklung solcher Agenten. Das Hauptproblem sei oft ein mangelndes Verständnis der zugrunde liegenden Fehlerursachen, etwa wenn der Durchsatz unvermittelt um 20 Prozent einbreche. Die Rolle der Ingenieure wandle sich in diesem Prozess hin zu sogenannten Feedback-Designern.
Trotz der erzielten Erfolge betonte Tang Jie, dass ein vollständiges Recursive Self-Improvement noch in weiter Ferne liege. Dennoch sei der kleinste funktionierende RSI-Kreislauf bereits entstanden. Z.ai stellte klar, dass Ziele und Grenzen der KI weiterhin durch Menschen gesetzt würden. Das grundlegende Prinzip der aktuellen Entwicklung beschrieb Tang Jie so, dass das Modell das System optimiere, während das System wiederum das Modell trage.
