Baseten 将 GLM-5.2 API 性能翻倍，并推出低延迟 Fast 版本
philipkiely · x · 2026-07-26
Baseten 介绍了他们为 GLM-5.2 做的推理服务优化：相较发布初期，API 性能已经提升到 2 倍以上，并且专门做了一版面向 coding 和 agent 场景的 GLM-5.2-Fast API。
文中列出的主要优化包括：
- 调整 scheduler、修复推理栈中的性能/质量 bug
- 更新 NVFP4 权重
- 改进 speculative decoding 配置
- 为 fast API 采用更偏低延迟的并行与 batch 策略
- 在 fast API 上减少 max batch size，并从 ADP 转向更偏延迟优化的张量/专家并行
这两套 API 都跑在 NVIDIA B200 GPU 上。为了换取更低延迟，fast API 的输入/输出 token 价格比通用版 高 50%。文章也提醒，真实性能会受流量形态、输入输出长度影响，后续还会继续优化 speculative decoding。
所属事件:Baseten将GLM-5.2提速至280 tok/s(3 条相关)→
「Infra」频道最新
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11
- 劝退帖:推理工程是真金白银的硬活,八成尝鲜者已悄然放弃 — abhijithneil · 2026-09-11
- Hugging Face《Ultra Scale Playbook》:GPU 集群训练 LLM 的免费技术书 — mdancho84 · 2026-09-11
- 从聊天到 Agent,推理延迟正在成为生产级瓶颈 — Euphoric_Sea632 · 2026-09-11
- 推理服务关键指标盘点:流式速度 TPOT 与可用性如何影响体验 — abhijithneil · 2026-09-11
- PlanetScale 推出分片 Postgres,768 台服务器组成 1PB 单库 — dhruv2038 · 2026-09-11