Revolut и GLM-5.3: стоимость своего кластера и API

Большинству команд, которые хотят повторить экономию Revolut на GLM-5.3, стоит начать с пилота через API с оплатой за токены. Для задач, где качество окажется недостаточным, сохраните резервный доступ к флагманской модели. Переходите на выделенные GPU, только когда ваша нагрузка, требования к задержкам и расходы на эксплуатацию оправдают этот выбор.

Ниже результаты Revolut отделены от рекомендаций для вашей команды. Данные документации и цены API приведены по состоянию на 2026-11-09.

Что именно развернула Revolut?

Revolut выбрала модели GLM с открытыми весами основным вариантом для примерно 2,000 инженеров, оставив флагманские модели для исключений. В выступлении AI Engineer и его расшифровке описан переход с GLM-5.1 на GLM-5.3. Для GLM-5.3 компания использовала 56 GPU Nvidia B200.

На слайде с рабочими показателями также указан Together. Из этого нельзя заключить, что Revolut купила 56 ускорителей и установила их у себя. Слайд называет партнёра, но не раскрывает владельца оборудования и условия эксплуатации.

Модель и клиент для работы с кодом выбирайте отдельно. Смена модели не обязательно требует замены всех клиентов. В описанной архитектуре GLM обрабатывает текстовые задачи, а маршрутизатор передаёт изображения модели, которая умеет их анализировать.

Показатели продуктивности требуют отдельной оговорки. Дэвид Абитбол оценил улучшение по времени написания кода примерно в 60%. Для полного цикла выполнения задачи, lead time, он назвал 70%. При этом на слайде о внедрении улучшение lead time обозначено как 60%.

Это заявленная динамика внутренних показателей, а не контролируемое сравнение GLM и Claude. Она не доказывает, что улучшение вызвала только смена модели.

Что означает снижение расходов на 90%?

Речь идёт о счетах Revolut за обработку запросов к моделям, а не о совокупных расходах на инженеров и инфраструктуру. В официальном разборе выступления говорится, что счёт составил примерно одну десятую прежних расходов на флагманские модели внешних провайдеров. Это соответствует снижению на 90%.

Отдельная цифра — $0.30 за миллион входных/выходных токенов. The Register относит её к этапу использования GLM-5.1. Не смешивайте эту историческую оценку стоимости токенов со снижением общего счёта. Это не публичный тариф GLM-5.3 и не лимит подписки Claude Code или Codex.

На слайде с рабочими показателями токены из кэша также отмечены как бесплатные. Однако разбор выступления не приводит сопоставимые объёмы запросов и расчётные периоды. Не хватает и расшифровки эксплуатационных расходов для полной оценки. Нельзя считать $0.30 полной стоимостью владения с учётом амортизации.

Сравнивая предложения хостинга, выясните, какие расходы входят в числитель стоимости на токен. Учитывайте аренду GPU или амортизацию, вспомогательные серверы, сеть, хранение данных, электричество, поддержку и труд инженеров. Проверьте, какие статьи уже включены в предложение, чтобы не посчитать их дважды.

Затем уточните знаменатель: какие токены вошли в расчёт. Новый ввод, чтение из кэша и сгенерированный ответ — разные категории оплаты. Среднюю стоимость с бесплатными чтениями из кэша нельзя напрямую сравнивать с тарифом на некэшированный ввод.

Зачем ограничивать контекст до 256K и ждать первый токен менее трёх секунд?

Используйте 256K как бюджет контекста для проверки на своих задачах, а не как предел GLM-5.3. Документация Z.ai указывает текстовый ввод и контекстное окно 1M токенов.

Фраза Абитбола «длинный контекст — обман» описывает компромисс при обслуживании запросов. Большие запросы требуют больше памяти для контекста и больше работы при обработке входа. На фиксированном кластере остаётся меньше ресурсов для параллельных сессий.

Его практические ориентиры — менее трёх секунд до первого токена и около 200 сгенерированных токенов в секунду. Это требования к удобству работы инженеров Revolut. Они не гарантируют, что любой новый запрос на 256K токенов без готового кэша пройдёт обработку входа за три секунды.

В пилоте отдельно измеряйте холодные запросы и запросы с повторным использованием кэшированного контекста. Записывайте медиану и 95-й перцентиль задержки при обычном и пиковом числе параллельных запросов. Измеряйте и полное время задачи: скорость генерации не учитывает запуск тестов и ожидание инструментов.

Передавайте нужные файлы и найденные фрагменты, а не заполняйте всё доступное окно. Оставляйте место для ответа. Увеличивайте бюджет контекста, только если результаты принятых задач оправдывают дополнительные расходы или задержку.

Что требует GPU и работы инженеров эксплуатации?

Для повторения результатов Revolut нужна настройка под конкретную нагрузку, а не только загрузка тех же весов модели. На слайде о производительности время до первого токена снизилось с 14.26 до 1.68 секунды. Кластер при этом остался прежним: 56 B200.

Это сокращение ожидания первого токена примерно на 88%. Из него не следует, что каждая задача по разработке стала выполняться на 88% быстрее.

В выступлении обсуждаются квантование FP4 и разделение prefill и decode. На этапе prefill сервер обрабатывает входные данные. На этапе decode он генерирует выходные токены. Такие настройки требуют нагрузочных проверок и ответственного за возможное ухудшение работы сервиса.

Кластер из 56 ускорителей — не минимальная конфигурация для загрузки GLM-5.3. В актуальной инструкции vLLM описано развёртывание FP8 на одном узле с восемью H200 или H20. Эта меньшая конфигурация не обещает параллелизм, задержки или экономику Revolut.

Для пилота на выделенных мощностях попросите воспроизвести типичные сессии агента на предлагаемом оборудовании. Зафиксируйте версию весов, точность, бюджет контекста и пиковое число параллельных запросов. Расширяйте мощности только после проверки качества результатов и допустимых задержек.

Что можно повторить без 56 GPU?

Заимствуйте правила выбора модели и метод проверки, прежде чем копировать инфраструктуру. Ниже — предлагаемый план пилота, а не восстановленная внутренняя конфигурация Revolut.

Выберите 20 характерных задач из своих репозиториев: исправления ошибок, тесты, рефакторинг, изменения документации. Запустите GLM-5.3 и текущую модель с одних и тех же исходных коммитов. Не меняйте клиент, разрешения инструментов, приёмочные тесты и критерии ревью.

Для каждого запуска выделите отдельную рабочую копию. Успешный запуск должен прочитать нужные файлы, подготовить изменение для ревью и пройти согласованные проверки. Правдоподобного ответа в чате недостаточно.

Задайте явные правила маршрутизации:

• Обычные текстовые задачи по разработке отправляйте в GLM-5.3.
• Задачи с анализом изображений передавайте одобренной модели, которая поддерживает такой ввод.
• После неудачной попытки исправления или по прямому запросу ревьюера передавайте задачу флагманской модели и записывайте причину.

Это отправная точка для проверки, а не универсально оптимальное число повторов. Для обоих вариантов сохраняйте утверждённые правила работы с данными и разрешения инструментов.

Один из вариантов маршрутизации на стороне клиента описан в инструкции по настройке Claude Code Router. Это вариант реализации для вашей команды, а не утверждение, что Revolut использовала именно этот пакет.

Записывайте входные, кэшированные и выходные токены, неудачные попытки, расходы на резервную модель, общее время и время ручной проверки. Сравнивайте полные затраты на принятую задачу. Разбор стоимости задачи кодинг-агента объясняет, почему одного тарифа на токены для выбора недостаточно.

Делайте GLM-5.3 основной моделью только для категорий задач, где она проходит ваш порог качества. Сохраняйте прежний вариант там, где дополнительные попытки или ревью сводят экономию на нет.

Сколько стоит GLM-5.3 через API?

Стандартный API Z.ai позволяет получить исходные замеры без обязательств по аренде GPU. По состоянию на 2026-11-09 опубликованные тарифы GLM-5.3 указаны в USD:

Категория токенов	Цена за 1 миллион токенов
Некэшированный ввод	$1.40
Ввод из кэша	$0.26
Вывод	$4.40

Хранение кэшированного ввода указано как бесплатное на ограниченный срок. Не закладывайте это условие в расчёты как постоянное.

Возьмём примерную нагрузку: 100 миллионов входных и 10 миллионов выходных токенов. Расчётная стоимость токенов без попаданий в кэш:

100 × $1.40 + 10 × $4.40 = $184.00

Если 90 миллионов входных токенов тарифицируются как чтение из кэша, оценка меняется:

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

Это расчётные примеры, а не измеренные счета. Они предполагают отсутствие платных инструментов и учитывают только токены модели. Доля кэшированного ввода 90% — допущение примера, а не обещание для вашей нагрузки.

Определяйте фактический объём кэшированного ввода по полю ответа usage.prompt_tokens_details.cached_tokens. Оно описано в руководстве Z.ai по кэшированию контекста.

В каталоге BetterToken на 2026-11-09 также есть glm-5.3. В инструкции по подключению GLM к OpenCode указан OpenAI-совместимый базовый адрес https://www.bettertoken.ai/v1. Сравните текущие цены для своего соотношения токенов. Этот API-доступ не воспроизводит экономику инфраструктуры Revolut и не включает подписку на инструмент разработки.

Для России BetterToken документирует обычный доступ к API без VPN и пополнение в рублях. Перед пополнением проверьте способ и условия оплаты в консоли BetterToken. Сведения о VPN относятся к API BetterToken. Доступ к сторонним сайтам, загрузку клиентов, вход в аккаунты и обновления проверяйте отдельно.

Чтобы проверить доступ к Z.ai, создайте Standard API Key по инструкции для HTTP API. Для примера нужен пополненный аккаунт стандартного API.

Запускайте команды в Bash с установленным curl. Первая команда молча ожидает ввод ключа. Вставьте его и нажмите Enter: символы ключа не отображаются. Затем выполните запрос curl.

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."}
    ]
  }'

Справочник Chat Completion описывает этот адрес и формат ответа. Проверьте HTTP 200, непустое поле choices[0].message.content и объект usage. Ожидаемый ответ — READY. Это проверка доступа, а не качества кода или работы инструментов агента.

При HTTP 429 сначала прочитайте код ошибки в JSON, а уже затем решайте, стоит ли повторять запрос. У Z.ai код 1113 означает недостаточный баланс или отсутствие пакета ресурсов, а 1302 — превышение частоты запросов. В первом случае пополните используемый API-аккаунт; во втором сократите частоту запросов. Эти значения относятся именно к справочнику ошибок Z.ai.

Подойдёт ли вам порог безубыточности 35% из расчёта Yingjun Wu?

Нет. Yingjun Wu считал экономику продажи доступа к DeepSeek V4.1 Flash, а не обслуживания внутренней команды на GLM-5.3.

В его анализе, обновлённом 2 ноября 2026 года, H200 не покрывает аренду даже при полной загрузке. Вариант на B300 выходит на безубыточность примерно при 35%. В сценарии H200 выручка составляет около $1.60 за GPU-час, а аренда — $3.99. По этим округлённым значениям расчётный убыток составляет $2.39 в час ещё до прочих расходов.

В расчёт не включены передача данных, труд сотрудников и резервные мощности. Это условия сценария автора, а не текущие предложения аренды или независимо воспроизведённые замеры.

Для внутреннего развёртывания полезен сам метод. Вместо выручки от продажи токенов подставьте расходы на API, которых действительно позволит избежать ваш кластер. Пересчитайте результат для своей модели, доли кэша, достижимой производительности, проверок качества и допустимых задержек.

Какой вариант выбрать команде?

Начните с API с оплатой за токены, если спрос нестабилен или в команде нет специалистов по обслуживанию моделей. Пересмотрите решение, когда повторные замеры покажут: сэкономленные расходы на API покрывают полную стоимость хостинга.

Проверьте выделенные мощности у провайдера, если нагрузка стабильна, но покупать и обслуживать оборудование вы не планируете. В договоре закрепите ответственность за обновления, ограничения мощности, сбои, размещение данных и поддержку. Оставайтесь на оплате за токены, если обязательный объём аренды превышает реальную потребность.

Разворачивайте и обслуживайте модели самостоятельно, если этого требуют задачи контроля и у команды есть необходимые специалисты. Откажитесь от этого варианта, если задержки на пике, ухудшение качества или затраты на сотрудников съедают ожидаемый выигрыш.

До подписания договора подготовьте сравнение затрат на принятые задачи, проверку пиковой нагрузки и полный месячный бюджет. Назначьте ответственного за эксплуатацию. Учтите простаивающие мощности и обращения к флагманским моделям. Для полного бюджета используйте модель совокупной стоимости владения для команды, а не историческую оценку Revolut для GLM-5.1.