Revolut का सेल्फ-होस्टेड GLM-5.3: लागत और API विकल्प

Revolut के सेल्फ-होस्टेड GLM-5.3 नतीजों का मूल्यांकन कर रही अधिकतर टीमों को इस्तेमाल के हिसाब से शुल्क वाले API पायलट से शुरुआत करनी चाहिए। गुणवत्ता की जाँच में विफल होने वाले कामों के लिए किसी अग्रणी मॉडल का वैकल्पिक रास्ता रखें। समर्पित होस्टिंग तभी चुनें, जब आपके अनुरोधों की मात्रा, विलंब की ज़रूरतें और संचालन खर्च उसे उचित ठहराएँ।

नीचे Revolut के बताए नतीजों और आपकी टीम के लिए सुझावों को अलग रखा गया है। दस्तावेज़ों और API की कीमतों की जाँच 2026-11-09 को की गई थी।

Revolut ने वास्तव में क्या तैनात किया?

Revolut ने लगभग 2,000 इंजीनियरों के लिए खुले वज़न वाले GLM मॉडलों को मुख्य विकल्प बनाया। अग्रणी मॉडलों को अपवाद वाले कामों के लिए रखा गया। उसकी AI Engineer प्रस्तुति और प्रतिलेख में GLM-5.1 से GLM-5.3 पर जाने का वर्णन है। बाद वाली तैनाती में 56 Nvidia B200 GPU इस्तेमाल हुए।

संचालन के आँकड़ों वाली स्लाइड में Together का नाम भी है। इससे यह निष्कर्ष न निकालें कि Revolut ने अपने परिसर के लिए 56 कार्ड खरीदे थे। स्लाइड साझेदार का नाम बताती है, हार्डवेयर का मालिक या संचालन की पूरी व्यवस्था नहीं।

मॉडल का एंडपॉइंट और कोडिंग क्लाइंट अलग-अलग चुनें। हर कोडिंग क्लाइंट बदलना मॉडल बदलने की शर्त न बनाएँ। बताई गई संरचना में GLM पाठ-आधारित काम करता है। राउटर चित्र समझने वाले अनुरोध ऐसे मॉडल को भेजता है, जो उन्हें संभाल सके।

उत्पादकता के दावों की सीमा भी समझें। डेविड एबिटबोल ने कोडिंग में लगने वाले समय में लगभग 60% सुधार बताया। काम शुरू होने से पूरा होने तक की अवधि, यानी lead time, में उन्होंने 70% सुधार बताया। लेकिन मॉडल अपनाने वाली स्लाइड में lead time का सुधार 60% लिखा है।

इन्हें कंपनी के बताए आंतरिक रुझान मानें, GLM और Claude का नियंत्रित तुलनात्मक परीक्षण नहीं। इनसे यह साबित नहीं होता कि केवल मॉडल बदलने से सुधार हुआ।

90% लागत घटने का दावा क्या मापता है?

यह दावा Revolut के बताए इन्फ़रेंस बिलों की तुलना करता है, यानी मॉडल चलाकर उत्तर बनवाने के बिलों की। इसमें इंजीनियरों को काम पर रखने या बुनियादी ढाँचे के स्वामित्व की पूरी लागत शामिल नहीं है। प्रस्तुति के आधिकारिक विवरण के अनुसार, बिल अग्रणी मॉडल प्रदाताओं पर पहले होने वाले खर्च का लगभग दसवाँ हिस्सा था। पुराने बिल का दसवाँ हिस्सा रह जाना 90% की कमी है।

अलग से, The Register की रिपोर्ट प्रति मिलियन इनपुट/आउटपुट टोकन $0.30 का आँकड़ा Revolut के GLM-5.1 वाले चरण से जोड़ती है। इस पुराने प्रति-टोकन आँकड़े को कुल बिल में बताई गई कमी से अलग रखें। यह न GLM-5.3 API का सार्वजनिक शुल्क है, न Claude Code या Codex सदस्यता में मिलने वाली उपयोग सीमा।

संचालन वाली स्लाइड में कैश किए गए टोकन भी मुफ़्त बताए गए हैं। लेकिन प्रस्तुति का विवरण समान अनुरोध मात्रा और समान बिलिंग अवधि नहीं देता। उसमें कुल लागत दोबारा निकालने के लिए आवश्यक संचालन खर्च का ब्योरा भी नहीं है। $0.30 को मूल्यह्रास सहित स्वामित्व की पूरी लागत न मानें।

होस्टिंग प्रस्ताव की तुलना से पहले पूछें कि प्रति-टोकन लागत के अंश में कौन-से खर्च शामिल हैं। GPU का किराया या मूल्यह्रास, सहायक सर्वर, नेटवर्क, स्टोरेज, बिजली, सहायता और इंजीनियरों का श्रम जाँचें। पहले से शामिल शुल्क दोबारा न जोड़ें।

फिर हर में शामिल टोकन तय करें। नया इनपुट, कैश से पढ़ना और तैयार किया गया आउटपुट अलग बिलिंग श्रेणियाँ हैं। मुफ़्त कैश रीड शामिल करने वाले औसत की तुलना सीधे बिना कैश वाले इनपुट के शुल्क से नहीं हो सकती।

256K संदर्भ और तीन सेकंड से कम में पहला टोकन क्यों?

256K को अपने काम पर जाँचने योग्य संदर्भ बजट मानें, GLM-5.3 की सीमा नहीं। Z.ai के मौजूदा मॉडल दस्तावेज़ केवल टेक्स्ट इनपुट और 1M टोकन की संदर्भ विंडो बताते हैं।

एबिटबोल की टिप्पणी, “लंबा संदर्भ एक धोखा है”, मॉडल चलाने में उनके चुने समझौते को दर्शाती है। लंबे अनुरोधों को संदर्भ रखने और इनपुट संसाधित करने के लिए अधिक संसाधन चाहिए। तय आकार के क्लस्टर में इससे एक साथ चलने वाली सत्रों की गुंजाइश घटती है।

उनके व्यावहारिक लक्ष्य थे: पहला टोकन तीन सेकंड से कम में और लगभग 200 नए टोकन प्रति सेकंड। ये Revolut के इच्छित उपयोग अनुभव के लक्ष्य हैं। इनसे यह गारंटी नहीं मिलती कि हर नया 256K-टोकन अनुरोध तीन सेकंड में इनपुट संसाधित कर लेगा।

अपने पायलट में बिना तैयार कैश वाले अनुरोधों को कैश किए गए संदर्भ का दोबारा इस्तेमाल करने वाले अनुरोधों से अलग मापें। सामान्य और सबसे अधिक समानांतर अनुरोधों की स्थिति में विलंब का मीडियन और 95वाँ पर्सेंटाइल दर्ज करें। काम पूरा होने का समय भी मापें। तेज़ टोकन जनरेशन में टेस्ट चलाने या टूल का इंतज़ार करने का समय शामिल नहीं होता।

पूरी उपलब्ध विंडो भरने के बजाय ज़रूरी फ़ाइलें और खोजकर जुटाई गई प्रासंगिक जानकारी दें। आउटपुट के लिए जगह छोड़ें। संदर्भ बजट तभी बढ़ाएँ, जब स्वीकृत कामों के नतीजे अतिरिक्त खर्च या देरी को उचित ठहराएँ।

किन हिस्सों के लिए GPU क्षमता और संचालन टीम चाहिए?

Revolut जैसी सेवा का प्रदर्शन पाने के लिए अपनी कार्यभार के अनुसार सेटिंग्स बदलनी होंगी। केवल वही मॉडल वज़न लोड करना पर्याप्त नहीं है। उसकी प्रदर्शन वाली स्लाइड में पहले टोकन का समय 14.26 सेकंड से 1.68 सेकंड हुआ। दोनों स्थितियों में वही 56 B200 GPU थे।

यह पहले टोकन के इंतज़ार में लगभग 88% की कमी है। इससे यह साबित नहीं होता कि हर कोडिंग काम 88% तेज़ हो गया।

प्रस्तुति में FP4 क्वांटाइज़ेशन और prefill को decode से अलग करने की चर्चा है। Prefill इनपुट संसाधित करता है। Decode आउटपुट टोकन बनाता है। इन सेवा-संबंधी विकल्पों के लिए क्षमता परीक्षण और प्रदर्शन बिगड़ने पर ज़िम्मेदारी लेने वाला संचालक चाहिए।

GLM-5.3 लोड करने के लिए 56 कार्ड न्यूनतम हार्डवेयर आवश्यकता भी नहीं हैं। vLLM की मौजूदा तैनाती विधि एक नोड पर आठ H200 या H20 GPU के साथ FP8 तैनाती बताती है। वह छोटा कॉन्फ़िगरेशन Revolut जितने समानांतर अनुरोध, उतना कम विलंब या वैसी लागत का वादा नहीं करता।

समर्पित होस्टिंग के पायलट में प्रस्तावित हार्डवेयर पर प्रतिनिधि एजेंट सत्र दोबारा चलवाएँ। मॉडल के वज़न का संस्करण, संख्यात्मक परिशुद्धता, संदर्भ बजट और अधिकतम समानांतर अनुरोध तय रखें। क्षमता बढ़ाने से पहले सफल काम और स्वीकार्य विलंब, दोनों की माँग करें।

टीम 56 GPU के बिना क्या अपना सकती है?

बुनियादी ढाँचा अपनाने से पहले मुख्य मॉडल चुनने की नीति और मूल्यांकन विधि अपनाएँ। नीचे सुझाया गया पायलट है, Revolut के निजी कॉन्फ़िगरेशन का पुनर्निर्माण नहीं।

अपने रिपॉज़िटरी से 20 प्रतिनिधि काम चुनें। इनमें बग सुधार, टेस्ट, रीफ़ैक्टरिंग और दस्तावेज़ों में बदलाव हो सकते हैं। GLM-5.3 और मौजूदा मॉडल को एक जैसे शुरुआती कमिट से चलाएँ। कोडिंग क्लाइंट, टूल की अनुमतियाँ, स्वीकृति टेस्ट और समीक्षा मानदंड समान रखें।

हर रन के लिए अलग कार्यशील कॉपी दें। सफल काम में ज़रूरी फ़ाइलें पढ़ना, समीक्षा योग्य बदलाव तैयार करना और तय जाँचें पास करना शामिल होना चाहिए। चैट में विश्वसनीय दिखने वाला उत्तर पर्याप्त नहीं है।

स्पष्ट रूटिंग नीति रखें:

• सामान्य पाठ-आधारित कोडिंग काम GLM-5.3 को भेजें।
• चित्र समझने वाले काम किसी अनुमोदित चित्र-सक्षम मॉडल को भेजें।
• सुधार की एक असफल कोशिश के बाद, या समीक्षक के स्पष्ट अनुरोध पर, काम अग्रणी मॉडल को भेजें और कारण दर्ज करें।

यह मूल्यांकन की शुरुआती नीति है, हर स्थिति के लिए आदर्श पुनः प्रयास संख्या नहीं। दोनों रास्तों पर डेटा संभालने और टूल अनुमतियों के अनुमोदित नियम लागू रखें।

क्लाइंट की ओर रूटिंग लागू करने के लिए Claude Code Router की कॉन्फ़िगरेशन गाइड देखें। यह लागू करने का एक विकल्प है, यह दावा नहीं कि Revolut ने वही पैकेज इस्तेमाल किया।

इनपुट, कैश किए गए इनपुट, आउटपुट, असफल कोशिशें, अग्रणी मॉडल पर भेजने का शुल्क, कुल समय और मानवीय समीक्षा का समय दर्ज करें। प्रति स्वीकृत काम का कुल खर्च तुलना में लें। कोडिंग एजेंट की प्रति-काम लागत वाली गाइड समझाती है कि केवल कम टोकन दर से निर्णय क्यों नहीं होता।

GLM-5.3 को केवल उन कामों में मुख्य विकल्प बनाएँ, जहाँ वह गुणवत्ता की आपकी सीमा पूरी करता है। अतिरिक्त कोशिशें या समीक्षा बचत मिटा दें, तो मौजूदा रास्ता बनाए रखें।

API से GLM-5.3 चलाने की लागत कितनी है?

Z.ai का मानक API GPU की व्यवस्था किए बिना शुरुआती माप लेने का आधार देता है। 2026-11-09 को उसकी प्रकाशित कीमतों में GLM-5.3 के लिए ये USD दरें थीं:

टोकन श्रेणी	प्रति 1 मिलियन टोकन कीमत
बिना कैश वाला इनपुट	$1.40
कैश किया गया इनपुट	$0.26
आउटपुट	$4.40

कैश किए गए इनपुट का स्टोरेज सीमित समय के लिए मुफ़्त बताया गया है। इस अस्थायी शर्त को स्थायी न मानें।

उदाहरण के लिए 100 मिलियन इनपुट टोकन और 10 मिलियन आउटपुट टोकन लें। बिना कैश के मॉडल-टोकन शुल्क होगा:

100 × $1.40 + 10 × $4.40 = $184.00

अगर उन इनपुट टोकनों में से 90 मिलियन का शुल्क कैश हिट के रूप में लगे, तो अनुमान होगा:

10 × $1.40 + 90 × $0.26 + 10 × $4.40 = $81.40

ये गणना वाले उदाहरण हैं, मापे गए बिल नहीं। इनमें कोई सशुल्क टूल नहीं माना गया है और केवल मॉडल के टोकन शुल्क शामिल हैं। 90% कैश हिस्सेदारी उदाहरण की धारणा है, आपके कार्यभार के लिए वादा नहीं।

कैश किए गए इनपुट को अलग पहचानने के लिए उत्तर का वास्तविक फ़ील्ड usage.prompt_tokens_details.cached_tokens इस्तेमाल करें। Z.ai ने इसे अपनी संदर्भ कैशिंग गाइड में समझाया है।

2026-11-09 को जाँचे गए BetterToken कैटलॉग में भी glm-5.3 है। उसका OpenCode GLM एकीकरण OpenAI-संगत बेस URL https://www.bettertoken.ai/v1 इस्तेमाल करता है। अपने मापे गए टोकन अनुपात के लिए उसकी मौजूदा कीमतें तुलना में लें। यह API रास्ता Revolut के बुनियादी ढाँचे की लागत नहीं दोहराता और इसमें कोडिंग टूल की सदस्यता शामिल नहीं है।

Z.ai तक पहुँच जाँचने के लिए उसके HTTP API निर्देशों से Standard API Key बनाएँ। इस उदाहरण में पर्याप्त बैलेंस वाला मानक API खाता इस्तेमाल करें।

इसे Bash में चलाएँ और सुनिश्चित करें कि curl इंस्टॉल है। पहला कमांड बिना संदेश दिखाए आपकी कुंजी का इंतज़ार करता है। उसे पेस्ट करके Enter दबाएँ; कुंजी स्क्रीन पर नहीं दिखेगी।

read -rs ZAI_API_KEY && export ZAI_API_KEY

curl --silent --show-error \
  --write-out '\nHTTP %{http_code}\n' \
  "https://api.z.ai/api/paas/v4/chat/completions" \
  -H "Authorization: Bearer $ZAI_API_KEY" \
  -H "Content-Type: application/json" \
  --data '{
    "model": "glm-5.3",
    "messages": [
      {"role": "user", "content": "Return exactly READY."}
    ]
  }'

Chat Completion संदर्भ इस एंडपॉइंट और उत्तर के प्रारूप को बताता है। HTTP 200, गैर-खाली choices[0].message.content और usage ऑब्जेक्ट देखें। अपेक्षित उत्तर READY है। यह पहुँच की जाँच है, कोडिंग गुणवत्ता या टूल चलने की नहीं।

HTTP 429 पर दोबारा कोशिश करने से पहले JSON में त्रुटि कोड देखें। Z.ai में 1113 अपर्याप्त बैलेंस या संसाधन पैकेज न होने को बताता है। 1302 अनुरोध भेजने की दर की सीमा है। पहले मामले में सही API खाते में बैलेंस जोड़ें; दूसरे में अनुरोध भेजने की दर घटाएँ। ये अर्थ Z.ai की त्रुटि संदर्भ सूची के लिए हैं।

क्या Yingjun Wu की 35% उपयोग-दर वाली गणना आपकी टीम पर लागू है?

नहीं। Wu का विश्लेषण DeepSeek V4.1 Flash इन्फ़रेंस बेचने के बारे में है, आंतरिक इंजीनियरिंग टीम को GLM-5.3 उपलब्ध कराने के बारे में नहीं।

उनके 2 नवंबर 2026 को अपडेट किए गए विश्लेषण में H200 पूरी उपयोग-दर पर भी किराया नहीं निकाल पाता। B300 वाला मामला लगभग 35% उपयोग-दर पर लागत निकालता है। H200 के मामले में आय करीब $1.60 प्रति GPU-hour है, जबकि किराया $3.99 है। इन गोल किए गए आँकड़ों से अन्य खर्च जोड़ने से पहले ही $2.39 प्रति घंटे की कमी निकलती है।

उनकी गणना में बैंडविड्थ, कर्मचारियों और अतिरिक्त आरक्षित क्षमता का खर्च शामिल नहीं है। इन्हें उनके परिदृश्य की धारणाएँ मानें, मौजूदा किराए या यहाँ दोहराए गए माप नहीं।

उपयोगी बात गणना की विधि है। आंतरिक होस्टिंग के लिए टोकन बेचने की आय के बजाय वह API खर्च लें, जो आपकी तैनाती वास्तव में बचाएगी। अपने मॉडल, कैश अनुपात, हासिल हो सकने वाली गति, गुणवत्ता जाँच और ज़रूरी विलंब के अनुसार दोबारा गणना करें।

कौन-सा तैनाती विकल्प चुनें?

माँग अनिश्चित हो या मॉडल चलाने के विशेषज्ञ न हों, तो इस्तेमाल के हिसाब से शुल्क वाला API चुनें। बार-बार मापने पर बच सकने वाला API खर्च पूरी होस्टिंग लागत भरने लगे, तब इस निर्णय पर दोबारा विचार करें।

माँग स्थिर हो लेकिन हार्डवेयर खरीदना और चलाना लक्ष्य न हो, तो प्रदाता की समर्पित क्षमता का पायलट करें। अनुबंध में अपडेट, क्षमता सीमा, विफलताओं, डेटा के स्थान और सहायता की ज़िम्मेदारी स्पष्ट होनी चाहिए। आवश्यक प्रतिबद्धता वास्तविक इस्तेमाल से अधिक हो, तो उपयोग-आधारित API पर रहें।

नियंत्रण की ज़रूरत इसे उचित ठहराए और टीम रखरखाव कर सके, तो अपना इन्फ़रेंस स्टैक चलाएँ। चरम भार पर विलंब, गुणवत्ता में गिरावट या कर्मचारियों की लागत अपेक्षित लाभ मिटा दे, तो निर्णय बदलें।

अनुबंध करने से पहले स्वीकृत कामों की तुलना, चरम भार का परीक्षण, पूरा मासिक बजट और संचालन के लिए नामित ज़िम्मेदार व्यक्ति तय करें। खाली पड़ी क्षमता और अग्रणी मॉडल वाले अपवादों का खर्च भी जोड़ें। पूरे बजट के लिए टीम की सेल्फ-होस्टिंग की कुल लागत वाला ढाँचा इस्तेमाल करें। Revolut के पुराने GLM-5.1 आँकड़े को अपना लागत अनुमान न मानें।