智谱今天上线 GLM-5.3-FlashX，推理速度最高 200 tokens/s，较 GLM-5.3-Flash 模型 提速 5 倍、提价 2.5 倍，API 同步开放，模型名称：GLM-5.3-FlashX
在这背后，是在 10万 张国产芯片提供的推理算力基础上，进一步加大对 Infra 侧的投入与推理优化
GLM 的 Infra，由 GLM 构建
跑 Flash 的这套 Infra，是由 GLM-5.3 驱动 Agent 构建的，从模型适配一路做到生产上线，前后不到两周，端到端吞吐做到了初始基线的 3 倍
GLM-5.3-Flash 从首次运行到正式上线的性能演进
在构建的过程中，人负责定目标、设边界，搭好反馈环境，以及关键的修改审核 而对于测试、日志、Trace、微基准都接给 Agent，它自己查问题、改代码、跑实验，局部验证通过，再放回完整服务里验收，完成「稠密反馈」
基于稠密反馈的 Infra Agent 优化闭环
下面是构建、优化这套推理系统时的三个案例。
案例一：输入是 FP32，计算却用了 TF32
KDA 的 CP 路径出了精度偏差，长上下文下尤其明显。Agent 顺着状态合并、更新的过程查下去，问题落在两处 tl.dot 上：输入是 FP32，计算却默认用了 TF32，误差逐步积了起来。
这两处都显式加上了 input_precision="tf32x3"。修复已合入 Flash Linear Attention 上游。
案例二：KV Transfer 被 GIL 卡住了
同样的 workload，Prefill 加上传输后，与单独 Prefill 的性能差距要求不超过 5%，测试却跑出了 20% 以上。Agent 翻看 Trace，发现 KV Transfer 的 Python 侧执行，始终没能和 DeepEP 的 dispatch/combine 调用重叠。
再往下查，DeepEP v1.2.1 的两处 C++ 调用没有释放 GIL，负责 Mooncake Transfer 的 Python 线程拿不到锁，传输任务迟迟交不出去。改完，同样测试条件下，性能差距降到了 1% 以内。
KV Transfer 并发瓶颈的排查与修复
案例三：同一组计算，做了四遍
KDA Decode 沿 V 维度分块，同一组 FP32 归一化和门控计算，被不同分块重复做了四遍。
Agent 把这些分块合到同一线程块里，提前批量计算，共享中间结果。并行度少了一些，重复计算也去掉了；这一步，算子性能提高到优化前的 1.71 倍。
KDA Decode 算子从基础实现到生产版本的性能演进
