744 Milyar Parametreli Model, Hesaplama Kapasitesi Darboğazıyla Karşı Karşıya
Zhipu AI, tamamen yerli Çin donanımıyla eğitilen 744 milyar parametreli dil modeli GLM-5’i 11 Şubat 2026’da piyasaya sürdü. Uluslararası alanda Z.ai adıyla faaliyet gösteren şirket, bu lansmanı, model geliştirmede öncü düzeyde olup Amerikan yarı iletken teknolojisine dayanmadan eğitilen ilk yapay zekâ sistemi olarak tanıttı.
İçindekiler
- 744 Milyar Parametreli Model, Hesaplama Kapasitesi Darboğazıyla Karşı Karşıya
- GLM-5, Tüm Parametreleri Devreye Sokmadan Nasıl Genişliyor?
- Kodlama Testleri Ne Gösteriyor?
- İş Simülasyonunda Başarı ve Güvenlik Uyarısı
- Çin Donanımı Eğitim ve Kullanıma Alma Sürecini Destekliyor
- Otonom Çalışmanın Ardındaki Eğitim Sistemi
- Belgeler, Geliştirici Araçları ve Abonelik Fiyatları
- Açık Erişimin Bedeli: Yüksek Bellek Gereksinimi
- Ay Takvimi Yeni Yılı Öncesinde Yoğun Lansman Takvimi
- Yatırımcıların Tercihi Uzmanlaşmış Yapay Zekâ Şirketleri
- Öne Çıkanlar
Hong Kong’da işlem gören ve resmî adı Knowledge Atlas Technology olan şirketin hisseleri, duyurunun ardından yaklaşık yüzde 30 yükselerek 405 Hong Kong dolarından kapandı. Bu kapanış fiyatı, yalnızca bir ay önceki halka arz fiyatının dört katıydı. Zhipu, Ocak 2026’daki halka arzında yaklaşık 558 milyon ABD doları topladı ve halka açık ilk temel model şirketi oldu. Temel modeller, çok sayıda farklı uygulamaya güç verebilen büyük yapay zekâ sistemleridir.
Zhipu, 2019’da Tsinghua Üniversitesi’nden ayrılan bir girişim olarak kuruldu ve açık kaynaklı yapay zekânın önde gelen geliştiricilerinden biri hâline geldi. GLM-5, bu yaklaşımı Huawei Ascend çipleri ve MindSpore yazılım çerçevesiyle birleştirerek gelişmiş yapay zekâ eğitiminde yaygın olarak kullanılan NVIDIA grafik işlem birimlerinin yerini alıyor. Lansman, Washington’ın gelişmiş yarı iletkenlere yönelik ihracat kısıtlamalarını sıkılaştırdığı ve Pekin’in bilişim teknolojilerinde daha fazla bağımsızlık hedeflediği bir döneme denk geldi.
Lansman, ticari alandaki acil bir kısıtı da ortaya çıkardı. Zhipu, müşteri ve kullanım artışının hesaplama kaynaklarını zorlaması nedeniyle GLM Coding Plan abonelik fiyatlarını 11 Şubat itibarıyla yüzde 30 artırdı. Şirket, GLM-5 piyasaya çıkmadan önce mevcut talebi karşılamak için kullanılabilir tüm çiplerin zaten tam kapasiteyle çalıştığını söyledi.
Dolayısıyla 13 Şubat itibarıyla öne çıkan gelişme hem teknik hem de pratik: Zhipu, Çin donanımını kullanarak geliştirebildiklerinin kapsamını genişletirken, modellerini kullanmak isteyenlere yetecek hesaplama gücünü sağlamakta zorlanıyor.
GLM-5, Tüm Parametreleri Devreye Sokmadan Nasıl Genişliyor?
GLM-5, önceki modeli GLM-4.7’nin 355 milyar parametresinden 744 milyara çıkarak modelin toplam kapasitesini yaklaşık ikiye katlıyor. Parametreler, modelin eğitim sırasında öğrendiği ve yanıt üretmek için kullandığı sayısal değerlerdir. Daha fazla parametre, geliştiricilere örüntüleri kodlamak için daha yüksek kapasite sağlar; ancak bu kapasitenin nasıl kullanıldığını mimari belirler.
Zhipu, modelin farklı bölümlerinin bir görevin farklı parçalarını ele aldığı Uzmanlar Karışımı tasarımını kullanıyor. GLM-5’te 256 uzman modülü bulunuyor ve her token için bunların sekizi etkinleştiriliyor. Token, bir sözcük ya da sözcüğün bir bölümü olabilen metin birimidir. Yanıt üretme süreci olan çıkarım sırasında yalnızca 40 milyar parametre etkin durumda.
Bu seyrek etkinleştirme yaklaşımı, sistemin her metin parçası için tüm parametreleri çalıştırmadan çok daha büyük bir modelden yararlanmasını sağlıyor. Çok sayıda kullanıcıya hizmet veren kuruluşlar için önemli bir konu olan hesaplama maliyetlerinin kontrol edilmesine yardımcı oluyor.
Eğitim veri kümesi de önceki nesildeki 23 trilyon tokendan GLM-5’te 28,5 trilyon tokene çıkarıldı. Model, uzun dizileri işlemenin hesaplama yükünü azaltmak üzere Hangzhou merkezli DeepSeek girişiminin öncülük ettiği bir mekanizma olan DeepSeek Sparse Attention’ı kullanıyor.
GLM-5, 200.000 tokene kadar bağlam penceresini ve 131.000 tokenlık çıktı kapasitesini destekliyor; bunlar sektör için açıklanan en yüksek değerler arasında. Bağlam penceresi, modelin tek bir oturumda işleyebildiği bilgi miktarıdır. Bu kapasite, modelin büyük belgeleri, tüm kod depolarını, araştırma makalesi koleksiyonlarını ve video dökümlerini ele alıp bu bilgiler arasında akıl yürütmesini sağlıyor. Seyrek dikkat mekanizması, bu kadar uzun girdilerde bağlantıları takip etmek için gereken işi azaltıyor.
Kodlama Testleri Ne Gösteriyor?
Zhipu’nun kurum içi testleri, GLM-5’i açık kaynaklı model sıralamalarında en üstte, önde gelen tescilli sistemlerin ise yakınında gösteriyor. Gerçek yazılım sorunları üzerinden yazılım mühendisliğini sınayan SWE-bench Verified’da GLM-5 yüzde 77,8 puan aldı. Google DeepMind’ın Gemini 3 Pro modeli yüzde 76,2, Anthropic’in Claude Opus 4.5 modeli ise yüzde 80,9 puan aldı.
Zhipu, Claude’un kodlama alanında liderliğini koruduğunu kabul ederken GLM-5’in açık modeller arasında önde olduğunu savunuyor. Farklı programlama dillerini kapsayan SWE-bench Multilingual’da GLM-5 yüzde 73,3 puan elde etti.
Şirketin CC-Bench-V2 mühendislik değerlendirmeleri daha ayrıntılı bir karşılaştırma sunuyor. GLM-5, yüzde 98 ön yüz derleme başarı oranına ulaşırken Claude Opus 4.5’te bu oran yüzde 93 oldu. Ön yüz derlemeleri, bir uygulamanın görünür arayüzünü oluşturan kodu çalıştırılabilir hâle getirir. Tüm iş akışı genelindeki doğrulukta GLM-5 yüzde 74,8, Claude ise yüzde 75,7 puan aldı.
Bu iki ölçüt farklı sonuçları anlatıyor: Bir uygulama başarıyla derlenirken davranışında hâlâ hatalar bulunabilir. GLM-5, büyük yazılım depolarında uzun süreli çalışma gerektiren görevlerde de yüzde 65,6 puan aldı. Sonuçlar birlikte değerlendirildiğinde modelin birden fazla dosyaya yayılan projeleri ve hem görünür arayüzler hem de bunları destekleyen sistemler üzerinde geliştirme yapabildiğine işaret ediyor.
Bilgisayar terminali üzerinden gerçekleştirilen görevleri değerlendiren Terminal-Bench 2.0’da GLM-5 yüzde 56,2 puan aldı; doğrulanmış sürümde bu oran yüzde 60,7’ye çıktı. Model, birkaç adımlı akıl yürütme becerisini gösteren Tau Squared Bench’te de 89,7 puana ulaştı.
Diğer sonuçlar, kodlamanın ötesinde bir tablo ortaya koyuyor. Bilgi bulma ve sentezleme becerisini test eden BrowseComp’ta GLM-5, 75,9 puanla açık kaynak kategorisinde lider oldu. Araçların etkin olduğu Humanity’s Last Exam’da ise 50,4 puan aldı. Araçlara erişim, modelin bilgi getirme veya hesaplama yapma gibi, metin üretmenin ötesindeki eylemleri gerçekleştirmesine olanak tanıyor.
İş Simülasyonunda Başarı ve Güvenlik Uyarısı
GLM-5, Vending Bench 2’yi 4.432 ABD doları hesap bakiyesiyle tamamlayarak test edilen açık kaynaklı modeller arasında ilk sırada yer aldı. Bu ölçüt, bir yapay zekâ sisteminin tek bir soruyu yanıtlaması yerine zaman içinde karar almasını ve hedeflere ulaşmaya çalışmasını gerektiren uzun süreli iş operasyonlarını simüle ediyor.
Güvenliğe odaklanan otonom yapay zekâ protokolü geliştiren Andon Labs’ın kurucu ortağı Lukas Petersson, modelin simülasyondaki eylemlerini ve akıl yürütmesini kaydeden GLM-5 izlerini bağımsız olarak inceledi. Petersson, etkili bir performansa dikkat çekmekle birlikte, önde gelen Batılı alternatiflere kıyasla modelin durum farkındalığı konusunda kaygılarını dile getirdi.
Petersson, bu kayıtları saatlerce inceledikten sonra değerlendirmesini şöyle açıkladı:
GLM-5’in izlerini saatlerce okuduktan sonra: İnanılmaz derecede etkili bir model, ancak durumsal farkındalığı çok daha zayıf. Hedeflerine saldırgan taktiklerle ulaşıyor ama içinde bulunduğu durumu akıl yürütmüyor, deneyimlerinden yararlanmıyor. Bu korkutucu. Böylece ataş maksimizasyonu yapan bir yapay zekâ elde edersiniz.
Ataş maksimizasyonu, daha geniş sonuçları yeterince hesaba katmadan dar biçimde tanımlanmış bir hedefin peşinden amansızca giden bir yapay zekâyı anlatmak için kullanılan bir ifadedir. Petersson’ın kaygısı, yetenekli bir sistemin bağımsız hareket alanı olduğunda eylemlerini nasıl seçtiğiyle ilgili.
Zhipu, rekor düzeyde düşük olarak nitelendirdiği halüsinasyon oranını da öne çıkardı. GLM-5, Artificial Analysis Omniscience Index’in 4.0 sürümünde eksi bir puan alarak önceki modeline kıyasla 35 puanlık iyileşme kaydetti. Halüsinasyon, uydurma bilgilerin yanıt olarak sunulmasıdır.
Şirket, bu sonucu GLM-5’in bilgisinin sınırlarını daha iyi tanıdığına ve emin olmadığında bilgi uydurmaktan kaçındığına kanıt olarak gösterdi. Bu davranış işletmeler için önemli; çünkü kendinden emin biçimde verilen yanlış bir yanıt rapora, yazılım projesine ya da operasyonel bir karara girebilir.
Çin Donanımı Eğitim ve Kullanıma Alma Sürecini Destekliyor
Zhipu, GLM-5’i MindSpore kullanarak tamamen Huawei Ascend 910 serisi çiplerle eğitti ve Çin’in gelişmiş bilişim sektörüne yönelik ABD ihracat denetimlerinin kısıtladığı NVIDIA donanımını kullanmadı. Bu gelişme, Çin’in 2027’ye kadar veri merkezleri için kullanılan çiplerde önemli ölçüde bağımsızlaşma hedefini destekliyor.
Bu gelişmenin önemi, modelin kıyaslama testlerindeki puanlarının ötesine geçiyor. Bu ölçekte bir sistemin yerli donanımla eğitilmesi, NVIDIA ekosistemine bir alternatif sunuyor ve gelişmiş yapay zekâ geliştirmede kullanılabilecek donanım seçeneklerini genişletiyor. Ayrıca değişen ticaret kısıtlamaları altında altyapı planlayan kuruluşlar için önemli olan tek bir tedarikçiye bağımlılığı azaltıyor.
Zhipu, GLM-5’i Huawei’nin yanı sıra Moore Threads, Cambricon, Kunlunxin, MetaX, Enflame ve Hygon platformlarında kullanıma almak üzere optimize etti. Kullanıma alma, ilk eğitim sürecini yürütmekten farklı olarak, eğitilmiş modeli istekleri yanıtlamak için çalıştırmak anlamına geliyor.
Şirket, bu platformlarda uygun işlem hacmi elde etmek için çekirdek optimizasyonu ve model nicelemesi kullanıyor. Çekirdek optimizasyonu, hesaplamaları gerçekleştiren düşük seviyeli rutinleri iyileştirirken niceleme, model değerlerini saklamak veya işlemek için kullanılan sayısal hassasiyeti düşürüyor. Bu ayarlamalar, farklı çiplerin aynı modeli verimli biçimde çalıştırmasına yardımcı oluyor ve daha geniş bir yerli bilişim altyapısını destekliyor.
Otonom Çalışmanın Ardındaki Eğitim Sistemi
Zhipu, bu ölçekteki eğitimde verimsizlikleri gidermek için şirket içinde slime adını verdiği asenkron pekiştirmeli öğrenme altyapısını geliştirdi. Pekiştirmeli öğrenme, bir sistemin eylemlerine verilen geri bildirimle geliştirilmesidir. Geleneksel yaklaşımlarda bu geri bildirim için gereken eylem dizilerini oluşturmak, eğitim süresinin yüzde 90’ından fazlasını alabiliyor.
Slime, yörünge adı verilen bu dizilerin birbirinden bağımsız oluşturulmasına olanak tanıyor. Sistem optimizasyonları arasında, yapay zekâ ajanlarının karmaşık davranışlarında daha küçük adımlarla yinelemeler yapılmasını sağlayan Active Partial Rollouts da bulunuyor. Ajan, yalnızca sohbet yanıtı vermek yerine bir hedefe ulaşmak için birden fazla eylemde bulunabilen sistemdir.
Altyapı üç ana bileşenden oluşuyor. Yüksek performanslı eğitim modülünde Megatron-LM kullanılıyor. Bir dağıtım modülü, yüksek işlem hacminde eğitim verisi üretmek için SGLang ve özel yönlendiricilerden yararlanıyor. Merkezi bir Veri Tamponu ise ilk istemleri yönetiyor ve dağıtım sonuçlarını saklıyor.
Zhipu, GLM-5’i “vibe coding” olarak adlandırdığı yaklaşımdan daha kapsamlı sistem mühendisliğine geçiş yapan ajan tabanlı mühendislik üzerine konumlandırıyor. Vibe coding, büyük ölçüde istemlerle ve yapay zekâ tarafından üretilen kodlarla yazılım geliştirilmesini ifade ediyor; şirketin önerdiği alternatif ise planlamaya, uygulamaya ve sonucun bütün olarak kalitesine daha fazla önem veriyor.
Modelin yerleşik Ajan Modu, geniş kapsamlı bir hedefi daha küçük görevlere ayırıyor, araçları koordine ediyor ve iş akışlarını otonom biçimde yürütüyor. Kullanıcılar, sonucun karşılaması gereken koşullar anlamına gelen kalite eşiklerini belirleyebiliyor; uygulama ayrıntılarını ise yapay zekâ yönetiyor. Zhipu, bu yaklaşımın sohbeti uzatmak yerine kullanılabilir bir iş ortaya koymaya odaklandığını belirtiyor.
Belgeler, Geliştirici Araçları ve Abonelik Fiyatları
GLM-5, istemleri veya ham verileri manuel biçimlendirme ya da ara işlem gerektirmeden biçimlendirilmiş Microsoft Word belgelerine, PDF dosyalarına ve Excel tablolarına dönüştürebiliyor. Zhipu, finansal raporları, sponsorluk tekliflerini ve grafiklerle tablolar içeren veri analizlerini kullanım alanları arasında sayıyor.
Kullanıcılar veri yükleyip anında analiz alabiliyor ve sonuçları xlsx, csv veya png biçiminde dışa aktarabiliyor. Bu iş akışı, analizi başkalarıyla paylaşılabilen ya da mevcut ofis yazılımlarında kullanılabilen dosyalara dönüştürüyor.
Geliştiriciler için GLM Coding Plan, 20’den fazla geliştirme ortamı ve araçla entegre çalışıyor. Adı belirtilen entegrasyonlar arasında Claude Code, Cursor, Cline, Roo Code, OpenCode, Kilo Code, Crush ve Goose bulunuyor.
Planın açıklanan paketleri arasında aylık 10 ABD doları tutarındaki Lite seçeneği (Claude Pro’nun üç katı kullanım sunuyor), 30 ABD doları tutarındaki Pro paketi (yanıt süreleri yüzde 40 ila 60 daha kısa) ve yoğun saatlerde garantili performans ile yeni özelliklere erken erişim sağlayan 80 ABD doları tutarındaki Max paketi yer alıyor.
Tüm paketler Vision Understanding, Web Search MCP ve Web Reader MCP özelliklerini destekliyor. Bunlar kullanıcılara görsel anlama, web araması ve web içeriğini okuma olanağı sağlıyor. Zhipu, abonelik hizmetinin ayda on milyarlarca tokenı standart API fiyatlandırmasının yaklaşık yüzde biri maliyetle sunduğunu ve etkileşimli kullanımda saniyede 55 tokenı aşan üretim hızlarına ulaştığını söylüyor.
11 Şubat’ta yapılan zam, kullanımın hesaplama kapasitesini zorlaması üzerine Coding Plan fiyatlarını yüzde 30 artırdı. Zhipu ilk satın alımlardaki indirimleri kaldırırken, üç aylık faturalandırmada yüzde 10, yıllık faturalandırmada ise yüzde 30 tasarruf sağlanıyor. Şirket, hesaplama kapasitesinin çok kısıtlı olduğunu ve lansman öncesinde kullanılabilir tüm çiplerin çıkarım talebiyle tamamen dolu çalıştığını belirtti.
Müşteriler açısından altyapı baskısı, Zhipu kapasitesini artırırken istek hızlarına sınır getirilip getirilmeyeceği veya yanıtların yavaşlayıp yavaşlamayacağı konusunda belirsizlik yaratıyor. Duyuru, yoğun taleple zaten baş etmeye çalışan bir hizmete daha büyük bir modeli taşıyor.
Açık Erişimin Bedeli: Yüksek Bellek Gereksinimi
GLM-5, izinleri esnek MIT lisansı altında sunuluyor; açık ağırlıklarına HuggingFace ve ModelScope üzerinden erişilebiliyor. Açık ağırlıklar, modeli çalıştırmak için gereken öğrenilmiş sayısal değerlerdir ve uygun donanıma sahip kuruluşların modeli kendi sistemlerinde çalıştırmasına olanak tanır.
Modeli yerel olarak çalıştırmak için yaklaşık 1.490 gigabayt bellek gerekiyor; bu, GLM-4.7’nin kapladığı alanın yaklaşık iki katı. Ağırlıklar erişilebilir olsa da bu gereksinim, birçok küçük işletmenin modeli kendi tesislerinde çalıştırmasını zorlaştırıyor.
Alternatif olarak uygulama programlama arayüzü ya da API üzerinden bulut erişimi kullanılabilir. API, yazılımların bir sağlayıcının barındırdığı modele istek göndermesine olanak tanır. GLM-5 için açıklanan fiyatlar, milyon girdi tokenı başına yaklaşık 1 ABD doları ve milyon çıktı tokenı başına 3,20 ABD doları.
Anthropic’in Claude Opus 4.6 modeli, milyon girdi tokenı başına 5 ABD doları, milyon çıktı tokenı başına ise 25 ABD doları tutuyor. Zhipu, kullanım alışkanlıklarına bağlı olarak fiyatlarının yaklaşık altı ila on kat maliyet avantajı sağladığını belirtiyor. Girdi modele gönderilen, çıktı ise modelin ürettiği metindir; dolayısıyla ikisi arasındaki denge müşterinin faturasını etkiler.
GPT-5.2’nin fiyatı da milyon girdi tokenı başına 1,75 ABD doları ve milyon çıktı tokenı başına 14 ABD dolarıyla GLM-5 için açıklanan fiyatların üzerinde. Grok 4.1 Fast’in milyon token başına 0,20 ABD doları olan girdi ücreti daha düşük; ancak sunduğu yetenekler farklı.
Dolayısıyla ticari tercihler yalnızca lisansla sınırlı değil. Müşterilerin GLM-5’i kendi sunucularında barındırmak için gereken kaynakları, bulut kullanımının maliyetini ve Zhipu’nun kabul ettiği hizmet kapasitesi baskısını birlikte değerlendirmesi gerekiyor.
Ay Takvimi Yeni Yılı Öncesinde Yoğun Lansman Takvimi
GLM-5, Ay Takvimi Yeni Yılı tatili öncesinde Çin’de yoğunlaşan yapay zekâ duyuruları dalgası sırasında piyasaya çıktı. DeepSeek, 11 Şubat’ta amiral gemisi modelini güncelleyerek bağlam penceresini on kat artırıp bir milyondan fazla tokene çıkardı. Ocak ayında Zhipu’yla birlikte Hong Kong’da halka arz edilen MiniMax, ajan tabanlı araçları geliştirilmiş M2.5’i piyasaya sürdü. Şirketin hisseleri hafta boyunca yaklaşık yüzde 50 yükseldi.
Diğer lansmanlar arasında ByteDance’in Seedance 2.0 video üretim modeli ve Ant Group’un konuşma ile müzik üretebilen birleşik çok modlu sistemi Ming-Flash-Omni 2.0 yer aldı. Moonshot AI, Kimi 2.5’i ocak ayının sonlarında piyasaya sürdü. Çok modlu sistemler; metin, ses veya görüntü gibi farklı bilgi türleriyle çalışır.
Başlıca tarihler, GLM-5’in lansmanını daha geniş bir gelişmeler dizisinin içine yerleştiriyor:
- Ocak 2026: Zhipu ve MiniMax Hong Kong’da halka arz edildi; Zhipu yaklaşık 558 milyon ABD doları topladı.
- Ocak sonu: Moonshot AI, Kimi 2.5’i piyasaya sürdü.
- 11 Şubat: Zhipu, GLM-5’i piyasaya sürdü ve Coding Plan fiyatlarını yüzde 30 artırdı. DeepSeek amiral gemisi modelini güncelledi; Başbakan Li Qiang da yapay zekâ geliştirme politikasına ilişkin açıklamalarda bulundu.
- 13 Şubat: GLM-5’in piyasaya çıkışı, Ay Takvimi Yeni Yılı öncesindeki duyuru dalgasının parçası oldu.
Başbakan Li, 11 Şubat’ta hesaplama kaynakları ile enerji altyapısının eşgüdümlü geliştirilmesi, yapay zekânın ticari ölçekte daha yaygın kullanılması ve kaynak koordinasyonunun iyileştirilmesi çağrısında bulundu. Ayrıca yapay zekâ alanındaki yetenekler ve şirketler için daha elverişli bir ortam oluşturulmasını istedi.
Duyuruların aynı dönemde yoğunlaşması, Çinli yapay zekâ şirketlerinin stratejik konumlanmasını yansıtıyor. Şirketler, ilgiyi en üst düzeye çıkarmak ve Amerikan teknolojik liderliğine karşı toplu ilerleme kaydettiklerini göstermek amacıyla büyük lansmanlarını giderek daha fazla eş zamanlı düzenliyor.
Yatırımcıların Tercihi Uzmanlaşmış Yapay Zekâ Şirketleri
Zhipu hisselerindeki yaklaşık yüzde 30’luk sıçrama ve MiniMax’in hafta boyunca yaklaşık yüzde 50 değer kazanması, daha büyük teknoloji gruplarındaki zayıflıkla tezat oluşturdu. Aynı dönemde Tencent hisseleri yüzde 2,6, Alibaba hisseleri ise yüzde 2,1 geriledi.
Hang Seng Tech endeksinin yüzde 1,7 düşmesi, yatırımcı heyecanının teknoloji sektörüne yayılmak yerine belirli şirketlerde yoğunlaştığını gösterdi. Bu tablo, lansman döneminde yatırımcıların çeşitlendirilmiş şirketlere kıyasla uzmanlaşmış yapay zekâ firmalarını tercih ettiğine işaret ediyor.
Jefferies analistleri, Çin modellerinin ajan tabanlı yapay zekâda güçlü yetenekler sergileyerek işletmelerin hızla artan benimsemesinden yararlanabilecek konuma geldiğini söyledi. GLM-5’in kodlama, belge üretimi ve otonom iş akışlarını bir araya getirmesi, ticari kullanıma yönelik bu odağa uyuyor.
Zhipu’nun artık birbiriyle bağlantılı iki ihtiyacı var: Daha büyük modeline erişimi genişletmek ve bu modeli çalıştırmaya yetecek hesaplama kapasitesini sağlamak. Yerli donanım yaklaşımı altyapı seçeneklerini çoğaltırken abonelik zammı, yoğun kullanımın yarattığı yakın vadeli maliyeti gösteriyor.
Öne Çıkanlar
- Zhipu, 744 milyar toplam parametreye ve çıkarım sırasında etkin olan 40 milyar parametreye sahip GLM-5’i 11 Şubat 2026’da piyasaya sürdü.
- Şirket, eğitimin tamamen Huawei Ascend 910 serisi çipler ve MindSpore kullanılarak, NVIDIA donanımına başvurmadan yapıldığını belirtiyor.
- GLM-5, SWE-bench Verified’da yüzde 77,8 puan aldı ve Vending Bench 2’yi 4.432 ABD dolarıyla tamamlayarak test edilen açık kaynaklı modeller arasında ilk sırada yer aldı.
- Model, 200.000 tokenlık bağlamı ve 131.000 tokenlık çıktıyı destekliyor; açık ağırlıkları MIT lisansı altında sunuluyor.
- Modeli yerel olarak çalıştırmak için yaklaşık 1.490 gigabayt bellek gerekiyor. API ücretleri, milyon girdi tokenı başına yaklaşık 1 ABD doları ve milyon çıktı tokenı başına 3,20 ABD doları.
- Zhipu, hesaplama kapasitesinin daralması üzerine Coding Plan fiyatlarını yüzde 30 artırdı; şirket hisseleri ise yaklaşık yüzde 30 yükselerek 405 Hong Kong dolarına çıktı.
- DeepSeek, MiniMax, ByteDance, Ant Group ve Moonshot AI’ın lansmanları Ay Takvimi Yeni Yılı öncesinde rekabeti artırdı.






