Databricks gjorde Z.ai’s GLM 5.3 tilgængelig næsten fra dag ét

Databricks fik Z.ai’s GLM 5.3-familie ind på platformen med usædvanlig fart: GLM 5.3 Flash blev opført som en Databricks-hostet model den 26. august 2026, mens Databricks to dage senere annoncerede den fulde GLM 5.3 som en dag-ét-udgivelse. 314

Kilderne beskriver ikke den interne udvikling, modelkonverteringen eller den konkrete udrulningsplan i detaljer. Det, de viser, er i stedet en hurtig operationel overgang: Virksomheder kunne tilgå modellerne via administrerede endpoints med betaling pr. token uden selv at skulle bygge en komplet inferensplatform omkring modelvægtene.

Hvad integrerede Databricks egentlig?

Det vigtigste skel går mellem modeludvikling og distribution til virksomheder. Z.ai udviklede GLM-modellerne, mens Databricks gjorde dem tilgængelige gennem Model Serving og Foundation Model APIs.

På Azure Databricks kan GLM 5.3 Flash tilgås via ADI Services under endpoint-navnet databricks-glm-5-3-flash. Modellen understøtter tekst- og billedinput. Det samme katalog omfatter blandt andre GLM 5.2, Moonshot AI’s Kimi K3 og DeepSeek V4 Flash. 5

Databricks’ dokumentation oplister også GLM 5.3 Flash i modelkatalogerne til AWS og Google Cloud. 1718 Den dokumenterede adgangsmodel er et pay-per-token-endpoint i kundens Databricks-workspace – ikke et krav om at kalde Z.ai’s API direkte eller drive modelvægtene selv. 5

Det er den praktiske forklaring på den hurtige integration: Databricks kunne genbruge et eksisterende distributionslag og en velkendt adgangsmodel, så en ny model blev tilgængelig for erhvervskunder næsten med det samme.

GLM 5.3 Flash: arkitektur og funktioner

GLM 5.3 Flash er den mindre og billigere af de to modeller, selv om parameterantallet stadig er meget stort:

• 320 mia. parametre i alt
• 18 mia. aktive parametre pr. token
• Mixture-of-Experts-arkitektur (MoE)
• Indbygget multimodal input, herunder tekst og billeder
• Kontekstvindue på 1.048.576 tokens
• Optimeret til ræsonnering, programmering og agentbaseret brug af værktøjer 317

Modellen er rapporteret udgivet under MIT-licensen, hvilket gør modelvægtene forholdsvis tilgængelige for organisationer, der overvejer selvhosting frem for administreret inferens. 67 En tilladelig licens kan gøre eksperimentering lettere, men virksomheder bør stadig gennemgå den præcise licenstekst, eventuelle forpligtelser, sikkerhedsrisici og relevante indkøbsregler.

Databricks fremhævede Flash med en intern sammenligning på OfficeQA Pro v2 og oplyste, at modellen leverede omkring 10 procent højere kvalitet end GLM-5.2 til en tiendedel af prisen. Det er Databricks’ egen påstand og ikke et resultat, der er uafhængigt offentliggjort i det gennemgåede materiale. 13

Flash-prisen afhænger af udbyderen

Offentlige prisoplysninger peger ikke på én fast pris, fordi forskellige udbydere offentliggør forskellige takster. Én offentliggjort listepris for GLM 5.3 Flash er 0,15 dollar pr. million inputtokens og 0,50 dollar pr. million outputtokens. 9 OpenRouter angiver en lavere pris på 0,05 dollar pr. million inputtokens og 0,1667 dollar pr. million outputtokens. 12

Ingen af tallene bør opfattes som Databricks’ aftalte enterprise-pris. Købere bør bekræfte takstblad, regler for caching, minimumsforpligtelser, kvoter og fakturering i deres eget Databricks-miljø.

Den fulde GLM 5.3: en større ræsonneringsmodel

Den fulde GLM 5.3 er placeret som flagskibsmodellen. Den tilgængelige dokumentation beskriver den som baseret på den samme MoE-grundmodel som GLM-5.2, med cirka 744 mia. parametre i alt, 40 mia. aktive parametre og et kontekstvindue på 1 million tokens. De rapporterede forbedringer kommer primært fra udvidet reinforcement learning efter træningen og ikke fra en ny, beskrevet grundarkitektur. 1

Et offentliggjort API-prisblad angiver 1,40 dollar pr. million inputtokens og 4,40 dollar pr. million outputtokens for den fulde GLM 5.3. 1 Ligesom for Flash er det en offentlig API-reference og ikke en bekræftelse af Databricks’ enterprise-pris.

Z.ai-relateret rapportering angiver en CyberGym-score på 84,5 procent og beskriver store fremskridt på benchmarks for programmering og terminalbrug. Resultaterne bør dog ses som lanceringspåstande eller rapporterede tal – ikke som endelige ranglister. Det gennemgåede materiale dokumenterer ikke en uafhængig kontrol på tværs af de relevante tests. 7

Det er vigtigt for virksomheder. En høj score på et leverandørvalgt benchmark eller på en test med andre konfigurationer siger ikke nødvendigvis noget sikkert om ydeevnen på interne kodebaser, regulerede dokumenter, private data eller produktionssystemer med værktøjsbrug. En indkøbsbeslutning bør derfor baseres på opgaver, der ligner virksomhedens egne – ikke kun på overskrifter fra modelproducenten.

Cloud-adgang og hostingmodel

Databricks’ dokumentation bekræfter, at GLM 5.3 Flash findes i modelkatalogerne til AWS og Google Cloud, mens Azure Databricks viser Flash via ADI Services. 51718 Endpointet tilgås gennem Databricks’ pay-per-token-model til modelserving. 5

Platformens værdi ligger derfor mindre i at ændre selve modellen og mere i at ændre den måde, virksomheder bruger den på. Et Databricks-hostet endpoint kan indpasses i organisationens eksisterende workspace, API’er, fakturering og adgangsstyring. Samtidig får teams en fælles grænseflade til at sammenligne modeller fra flere leverandører, herunder OpenAI, Google, Zhipu AI, Moonshot AI og DeepSeek i Azure-kataloget. 5

Kilderne understøtter dog ikke den stærkere påstand, at Databricks fjerner grænseoverskridende eller regulatoriske risici. Hosting gennem Databricks kan ændre den operationelle vej, en forespørgsel følger, men kunderne skal stadig vurdere:

• Licenser til model og modelvægte
• Krav til dataresidens og dataoverførsel
• Eksportkontrol
• National sikkerhed og offentlige indkøbspolitikker
• Leverandør- og underleverandørvilkår
• Sikkerhedstest og misbrugsbeskyttelse
• Om endpointets logning og opbevaring lever op til interne regler

Et administreret endpoint kan reducere besværet ved implementering. Det er ikke i sig selv en juridisk eller compliance-mæssig afgørelse.

Derfor er integrationen vigtig for enterprise-AI

Timingen placerer Databricks som et distributionslag for hurtigt udviklede open-weight- og frontier-modeller. Databricks oplyste, at GLM 5.3 Flash kom med blandt mere end 30 open source- og frontier-modeller på platformen. 13

Strategien er relevant, fordi kinesiske AI-laboratorier i stigende grad lancerer modeller med lange kontekstvinduer, stærke kode- og agentfunktioner samt relativt lave offentlige API-priser. Azure-katalogets kombination af Zhipu AI, Kimi K3 og DeepSeek viser, hvordan Databricks kan give virksomheder én kanal til at evaluere modeller, som ellers ville kræve separate leverandørrelationer og infrastrukturvalg. 5

Den bredere modelbølge i august 2026 illustrerer presset i markedet. Rapporter beskrev DeepSeek V4 Pro som en MoE-model med 1,6 billioner parametre, 49 mia. aktive parametre og et kontekstvindue på 1 million tokens; Qwen3.8-Max som en MoE-model med 2,4 billioner parametre og 95 mia. aktive parametre; og Grok 4.6 som en ræsonneringsmodel med et kontekstvindue på 500.000 tokens.

Sammenligningerne skal læses med forsigtighed. Det tilgængelige materiale blander officielle lanceringer, tredjepartsevalueringer og leverandørpåstande, og modellerne er ikke nødvendigvis testet med samme prompts, inferensindstillinger eller værktøjsmiljøer. Den strategiske betydning er derfor mindst lige så vigtig som tallene: Markedet bevæger sig mod modeller, der kombinerer meget lange kontekster, agentbaserede arbejdsgange, åbne eller delvist åbne vægte og billigere inferens.

Det bør virksomheder kontrollere før ibrugtagning

Databricks’ hurtige tilgængelighed gør GLM 5.3 lettere at afprøve, men den gør ikke evaluering overflødig. En praktisk gennemgang bør omfatte fire områder:

1. Match til arbejdsopgaver: Sammenlign Flash og den fulde GLM 5.3 på virksomhedens egne opgaver inden for programmering, dokumentbehandling, ræsonnering og værktøjsbrug.
2. Økonomi: Beregn input-, output- og cachede tokenomkostninger ud fra den faktiske trafik. Offentlige udbyderpriser er ikke nødvendigvis Databricks-priser.
3. Driftskontrol: Bekræft region, logning, opbevaring, adgangskontrol, kvoter og procedurer ved hændelser.
4. Jura og sikkerhed: Gennemgå modellens licens, vilkår for datarouting, eksponering for eksportkontrol, privatlivskrav og utilsigtet eller skadelig modeladfærd.

Den vigtigste pointe er, at Databricks forkortede vejen fra modeludgivelse til eksperimentering i virksomheder. Det gjorde ikke modelvalget til en rent teknisk beslutning.

Konklusion

Databricks integrerede Z.ai’s GLM 5.3-familie ved at gøre modellerne tilgængelige gennem sit eksisterende lag til administreret modelserving og API-adgang: Flash den 26. august og den fulde GLM 5.3 den 28. august 2026. 314

GLM 5.3 Flash kombinerer en MoE-arkitektur på 320 mia. parametre i alt og 18 mia. aktive parametre, multimodalt input og et kontekstvindue på 1.048.576 tokens. Den fulde GLM 5.3 er rapporteret som en MoE-model på cirka 744 mia. parametre i alt og 40 mia. aktive parametre med et tilsvarende kontekstvindue på omkring 1 million tokens. 13

Fordelen er tydelig: Virksomheder kan evaluere kinesiskudviklede modeller gennem en velkendt cloudplatform uden straks selv at skulle drive modelvægtene.

Forbeholdet er lige så vigtigt. Databricks leverer adgang og driftmæssig bekvemmelighed – ikke automatisk dokumentation for benchmarkenes gyldighed eller en løsning på spørgsmål om licenser, dataresidens og eksportkontrol. Det ansvar ligger fortsat hos kunden og dennes governance-proces.