RevolutのGLM-5.3セルフホスティング：コストとAPIの選び方
RevolutのGLM-5.1からGLM-5.3への移行を参考に、56基のB200を前提とせず、オープンモデルの標準採用を検討します。請求額の削減と総保有コストを分け、256Kのコンテキスト、応答時間の目標、GLM-5.3 APIの料金を確認します。従量課金と専用環境を比較し、Yingjun Wuの稼働率に関する反例と実用的な試験計画を紹介します。
目次
RevolutのGLM-5.3セルフホスティングを参考にするなら、多くのチームは従量課金APIでの小規模な試験から始めるのが適切です。品質基準を満たせないタスクには、最先端モデルへ切り替える経路を残してください。専用環境は、自分たちのリクエスト量、必要な応答時間、運用費用から妥当と判断できてから検討します。
以下では、Revolutが報告した結果と、チーム向けの推奨手順を区別しています。ドキュメントとAPI料金の確認日は2026-11-09です。
Revolutは何を導入したのですか？
Revolutは約2,000人のエンジニア向けにオープンなGLMモデルを標準とし、最先端モデルは例外的な用途に残しました。AI Engineerの講演と文字起こしでは、GLM-5.1からGLM-5.3への移行を説明しています。移行後の環境では、56基のNvidia B200 GPUを使用していました。
運用指標のスライドには、Togetherの名前もあります。これだけで、Revolutが56基のGPUを購入して自社施設に設置したとは判断できません。スライドが示すのはパートナーの名前であり、ハードウェアの所有者や運用契約の全体像ではありません。
モデルの接続先と、コーディング用クライアントは別々に選びます。モデルを変更するために、すべてのクライアントを置き換える必要があると考えないでください。説明された構成では、GLMがテキスト中心の作業を担当します。画像の理解が必要なリクエストは、ルーターが画像対応モデルに送ります。
生産性の数値にも注意が必要です。Abitbol氏は、コーディング時間の指標が約60%、作業完了までの期間を示すリードタイムが70%改善したと報告しました。一方、導入状況のスライドでは、リードタイムの改善を60%としています。
これらは社内で観測された傾向の報告です。条件をそろえたGLMとClaudeの比較試験ではありません。モデルの変更だけが改善の原因だったとは証明していません。
90%のコスト削減は何を比較した数字ですか？
この数字が比較しているのは、Revolutが報告した推論の請求額です。エンジニアの雇用費用やインフラの保有費用を含む総額ではありません。講演の公式解説では、請求額が以前の最先端モデル提供会社への支出の約10分の1になったと説明しています。以前の請求額の10分の1なら、削減率は90%です。
これとは別に、The Registerの報道は、入出力1 millionトークン当たり$0.30という数字をGLM-5.1の運用段階に結び付けています。この過去のトークン単価と、報告された請求額の削減を混同しないでください。GLM-5.3 APIの公開料金でも、Claude CodeやCodexのサブスクリプションに含まれる利用枠でもありません。
運用指標のスライドでは、キャッシュ済みトークンを無料としています。ただし、講演の解説には、条件をそろえたリクエスト量や請求期間がありません。総費用を再計算するための運用費用の内訳も不足しています。$0.30を、減価償却まで含めた総保有コストと呼ぶことはできません。
ホスティングの見積もりを比べる前に、トークン単価の分子に何を含めているか確認してください。GPUのレンタル料または減価償却費に加え、補助サーバー、ネットワーク、ストレージ、電力、サポート、エンジニアの人件費を確認します。すでに一括料金に含まれる項目は、二重に計上しないでください。
次に、分母に含めるトークンを定義します。新規入力、キャッシュ読み取り、生成された出力は、それぞれ異なる課金区分です。無料のキャッシュ読み取りを含む平均単価を、キャッシュなし入力の単価と直接比較することはできません。
なぜコンテキストを256Kに抑え、最初のトークンを3秒未満にするのですか？
256Kは、自分たちのタスクで試すコンテキスト予算として扱います。GLM-5.3自体の上限ではありません。Z.aiのモデルドキュメントには、入力はテキストのみ、コンテキストウィンドウは1Mトークンと記載されています。
Abitbol氏の「長いコンテキストは詐欺だ」という発言は、モデルの運用におけるトレードオフを表しています。長いリクエストには、コンテキストを保持するメモリと入力処理が多く必要です。GPU構成が固定されていれば、同時に処理できるセッションの余地が減ります。
実用上の目標は、最初のトークンまで3秒未満、生成速度は毎秒約200トークンでした。これはRevolutが求めた使い勝手の目標です。キャッシュを使わない新規の256Kトークンのリクエストが、必ず3秒以内に入力処理を終えるという保証ではありません。
試験では、キャッシュのないリクエストと、キャッシュ済みコンテキストを再利用するリクエストを分けて測定してください。通常時とピーク時の同時実行数で、遅延の中央値と95パーセンタイルを記録します。タスク全体の完了時間も測ります。トークン生成速度には、テストの実行時間やツールの待ち時間は含まれません。
ウィンドウ全体を埋めるのではなく、関連ファイルや検索で得た必要な情報から始めてください。出力用の余地も残します。追加費用や遅延に見合う改善が、受け入れ済みタスクの結果に表れた場合だけコンテキスト予算を増やします。
どの部分にGPU容量と運用作業が必要ですか？
Revolutの推論性能を再現するには、同じモデルの重みを読み込むだけでは不十分です。実際の負荷に合わせた調整が必要です。性能のスライドでは、同じ56基のB200 GPUで、最初のトークンまでの時間が14.26秒から1.68秒へ短縮されています。
これは最初のトークンを待つ時間が約88%減ったという意味です。すべてのコーディングタスクが88%速く完了したことを示す数字ではありません。
講演では、FP4量子化と、prefillとdecodeの分離を取り上げています。Prefillは入力を処理する段階です。Decodeは出力トークンを生成する段階です。こうした推論システムの設定には、処理容量の試験と、性能が悪化した場合に対応する運用担当者が必要です。
56基のGPUは、GLM-5.3を読み込むための最低要件でもありません。vLLMの導入レシピでは、8基のH200またはH20 GPUを使い、単一ノードでFP8を動かす構成を説明しています。ただし、その小規模な構成でRevolutと同じ同時実行数、遅延、費用を実現できるとは限りません。
専用環境を試す場合は、候補のハードウェア上で代表的なエージェントセッションを再実行してもらってください。モデルのチェックポイント、計算精度、コンテキスト予算、ピーク時の同時実行数を固定します。タスクの合格と許容できる遅延の両方を確認してから、容量を増やします。
56基のGPUがなくても取り入れられることは何ですか？
インフラより先に、標準モデルの選択方針と評価方法を取り入れてください。以下は試験計画の提案です。Revolutの非公開設定を再現したものではありません。
リポジトリから、バグ修正、テスト、リファクタリング、ドキュメント変更など、代表的なタスクを20件選びます。GLM-5.3と現在のモデルを、同じ開始コミットから実行してください。クライアント、ツールの権限、受け入れテスト、レビュー基準は変更しません。
実行ごとに独立した作業コピーを用意します。成功と判断するには、必要なファイルを読み、レビュー可能な変更を作り、合意した検査に合格する必要があります。チャットの回答がもっともらしいだけでは不十分です。
振り分け方針を明示してください。
- 通常のテキスト中心のコーディングタスクは、GLM-5.3に送ります。
- 画像の解釈が必要なタスクは、承認済みの画像対応モデルに送ります。
- 修正の試みが失敗した場合、またはレビュアーが明示的に求めた場合は、最先端モデルへ切り替えて理由を記録します。
これは評価を始めるための方針です。どのタスクにも最適な再試行回数を示すものではありません。どちらの経路でも、承認済みのデータ取り扱いルールとツール権限を守ってください。
クライアント側で振り分けを実装する場合は、Claude Code Routerの設定ガイドを参照できます。これは実装の選択肢であり、Revolutが同じパッケージを使用したという意味ではありません。
入力、キャッシュ済み入力、出力、失敗した試行、最先端モデルへの切り替え費用、経過時間、人によるレビュー時間を記録します。比較するのは、受け入れ済みタスク当たりの総支出です。コーディングエージェントのタスク単価ガイドでは、トークン単価だけで判断できない理由を説明しています。
品質基準を満たしたタスクの種類だけで、GLM-5.3を標準にしてください。再試行や追加レビューが節約分を打ち消す場合は、従来の経路を残します。
API経由のGLM-5.3はいくらですか？
Z.aiの標準APIなら、GPUを確保する契約をせずに比較の基準を測定できます。2026-11-09時点の公開料金では、GLM-5.3のUSD建て単価は次のとおりです。
| トークンの区分 | 1 millionトークン当たりの料金 |
|---|---|
| キャッシュなし入力 | $1.40 |
| キャッシュ済み入力 | $0.26 |
| 出力 | $4.40 |
キャッシュ済み入力の保存は、期間限定で無料とされています。この一時的な条件を恒久的なものとして扱わないでください。
入力100 millionトークン、出力10 millionトークンという仮の負荷を考えます。キャッシュを使わない場合のモデルのトークン料金は、次の計算になります。
100 × $1.40 + 10 × $4.40 = $184.00
入力のうち90 millionトークンがキャッシュヒットとして課金される場合、推定額は次のとおりです。
10 × $1.40 + 90 × $0.26 + 10 × $4.40 = $81.40
これは計算例であり、実測した請求額ではありません。有料ツールを使わないと仮定し、モデルのトークン料金だけを計算しています。キャッシュ比率90%も例示の前提であり、実際の負荷で達成できるという保証ではありません。
キャッシュ済み入力は、実際のレスポンスにあるusage.prompt_tokens_details.cached_tokensで区別してください。Z.aiのコンテキストキャッシュガイドで、このフィールドを説明しています。
2026-11-09に確認したBetterTokenのカタログにも、glm-5.3が掲載されています。OpenCode向けGLM連携では、OpenAI互換のベースURL https://www.bettertoken.ai/v1を使います。実測したトークンの構成比に基づいて、現在の料金を比較してください。このAPI経路はRevolutのインフラの費用構造を再現するものではなく、コーディングツールのサブスクリプションも含みません。
Z.aiへの接続を確認するには、HTTP APIの手順に従ってStandard API Keyを作成します。この例では、残高を入れた標準APIアカウントを使用してください。
curlがインストールされたBashで実行します。最初のコマンドは、メッセージを表示せずにキーの入力を待ちます。キーを貼り付けてEnterを押してください。入力したキーは画面に表示されません。
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のリファレンスに、このエンドポイントとレスポンス形式が記載されています。HTTP 200、空ではないchoices[0].message.content、usageオブジェクトを確認してください。期待する回答はREADYです。これは接続確認であり、コードの品質やツールの実行を検証するものではありません。
HTTP 429の場合は、再試行する前にJSONのエラーコードを確認します。Z.aiの1113は残高不足またはリソースパッケージの不足、1302はリクエスト頻度の制限を示します。前者では使用中のAPIアカウントに残高を追加し、後者ではリクエスト頻度を下げてください。これらはZ.aiのエラーリファレンス固有の意味です。
Yingjun Wuの稼働率35%という損益分岐点は、そのまま使えますか？
使えません。Wu氏の分析は、DeepSeek V4.1 Flashの推論サービスを販売する場合の計算です。社内のエンジニアにGLM-5.3を提供する場合の計算ではありません。
2026年11月2日に更新された分析では、H200はフル稼働でもレンタル料を回収できません。B300のケースでは、稼働率約35%で損益分岐点に達します。H200のケースでは、GPU-hour当たりの売上が約$1.60、レンタル料が$3.99です。この丸められた値から計算すると、ほかの費用を加える前から毎時$2.39の赤字になります。
この計算は、帯域、人員、予備容量の費用を除外しています。数値は同氏が設定したシナリオとして扱ってください。現在のレンタル見積もりや、ここで再現した測定結果ではありません。
参考になるのは計算方法です。社内向けの運用では、トークン販売の売上を、その構成によって実際に回避できるAPI支出に置き換えます。使用モデル、キャッシュ比率、達成可能な処理性能、品質検査、必要な遅延条件で再計算してください。
チームはどの運用形態を選ぶべきですか？
需要が不確か、または推論環境の運用担当者がいない場合は、従量課金APIを選びます。繰り返し測定し、回避できるAPI支出がホスティングの総見積額を賄えると分かったら再検討してください。
需要は安定しているものの、ハードウェアの所有と運用が目的ではない場合は、提供会社の専用環境を試します。契約では、更新、容量制限、障害、データの保存場所、サポートの担当範囲を明記してもらってください。必要な契約量が現実的な利用量を超える場合は、従量課金を続けます。
管理上の要件が理由となり、保守できるチームがいる場合は、自分たちで推論基盤を運用します。ピーク時の遅延、品質の悪化、人件費によって期待した利点が失われたら、選択を見直してください。
契約前に、受け入れ済みタスク単位の比較、ピーク負荷の再現試験、全費用を含む月次予算、運用責任者をそろえます。遊休容量と、例外的に最先端モデルを使う費用も含めてください。全体の予算にはチーム向けセルフホスティングの総保有コストモデルを使います。Revolutの過去のGLM-5.1の単価を、自分たちの予測値にしないでください。
