الاستضافة الذاتية لـ GLM-5.3: استعد لإطلاق الأوزان المفتوحة

أصدرت شركة Zhipu AI نموذج GLM-5.3 في 14 أغسطس 2026، وتضمنت تغطية الإطلاق السطر الأكثر أهمية لفرق البنية التحتية: الأوزان المفتوحة ستصل بعد حوالي أسبوعين، أي حوالي 28 أغسطس، على منظمة Zhipu على Hugging Face. هذه الفجوة هي هدية. إنها تمنحك وقتًا لتقدير حجم الأجهزة، واختيار حزمة التقديم (serving stack)، والتقاط خط أساس (baseline) للانحدار مقابل واجهة برمجة التطبيقات (API) المستضافة قبل نشر أي جزء من Safetensors علنًا.

النموذج يستحق العمل التحضيري. تضع تقييمات Zhipu الداخلية قدرة الترميز متقدمة بنسبة 50% عن GLM-5.2، وقفز Terminal-Bench 3.0 من 4.6 إلى 28.3، وتصف الشركة أداء الوكيل (agent performance) بأنه "يقترب من Claude Fable 5"، وذلك وفقًا لتقارير الإطلاق. القصة الكاملة للمعايير، بما في ذلك الأماكن التي لا يزال فيها يتخلف عن النماذج الرائدة، موجودة في شرحنا لـ GLM-5.3. تظل هذه المقالة مركزة على سؤال واحد: ما الذي يجب أن يكون جاهزًا في يوم الإطلاق حتى تتمكن من تقديم GLM-5.3 بنفسك؟

لتوضيح الأمر: الأوزان غير قابلة للتنزيل اليوم. كل ما يلي يستهدف نافذة الإصدار، وأي شيء لم تؤكده Zhipu يتم وضع علامة عليه كتوقع، وليس حقيقة. ما يمكنك فعله الآن هو بناء خط أساس، وهذا يتم من خلال Apidog: التقاط لقطة لاستجابات واجهة برمجة التطبيقات المستضافة هذا الأسبوع، ثم إعادة تشغيل نفس المجموعة مقابل نقطة النهاية المحلية الخاصة بك لاحقًا.

زر

ملخص سريع (TL;DR)

تم إصدار GLM-5.3 في 14 أغسطس 2026. تقول Zhipu إن الأوزان المفتوحة ستتبع بعد حوالي أسبوعين، حوالي 28 أغسطس، بعد مراجعة المخاطر الأكثر شمولاً حتى الآن. الموقع المتوقع: huggingface.co/zai-org.
بنية عائلة GLM-5 (وفقًا لوثائق Z.ai): مزيج من الخبراء (Mixture of Experts)، إجمالي 744 مليار معلمة، حوالي 40 مليار نشطة لكل تمريرة، سياق 200 ألف. النموذج الأساسي لم يتغير في 5.3؛ جميع المكاسب تأتي من التدريب اللاحق الموسع.
حساب المعلمات البالغ عددها 744 مليار: الأوزان وحدها تبلغ حوالي 1.5 تيرابايت بصيغة BF16، ونصف ذلك تقريبًا بصيغة FP8، قبل ذاكرة التخزين المؤقت KV. الاستضافة الذاتية بالدقة الكاملة هي مجال خوادم متعددة وحدات معالجة الرسوميات (GPU).
كل إصدار سابق لـ GLM-5 تم شحنه على Hugging Face كمستودعات BF16 و FP8 مقترنة، لذا توقع `GLM-5.3` و `GLM-5.3-FP8` في اليوم الأول، مع تأخر تحويلات GGUF المجتمعية لأيام إلى أسابيع.
vLLM و SGLang هما حزمتي التقديم الواقعيتين لليوم الأول. كلاهما يعرض نقاط نهاية متوافقة مع OpenAI، لذا فإن رمز العميل المكتوب مقابل واجهة برمجة التطبيقات المستضافة لـ Z.ai يتحول بتغيير `base_url`.
ابنِ خط الأساس للانحدار الخاص بك (مستضاف مقابل محلي) الآن في Apidog: مجموعة واحدة، بيئتان، تأكيدات على الشكل والمحتوى.

ما الذي ستصدره Zhipu ومتى

أقرت Zhipu (تحت العلامة التجارية Z.ai دوليًا) إطلاق واجهة برمجة تطبيقات GLM-5.3 مع وعد بوزن مفتوح لمدة أسبوعين: النموذج سيصل إلى Hugging Face حوالي 28 أغسطس 2026. التأخير ليس عشوائيًا. تقول Zhipu إنها بنت نظام مراجعة المخاطر الأكثر شمولاً لها حتى الآن لهذا الإصدار، وهو أمر جدير بالملاحظة نظرًا لحصول النموذج على 84.5% في CyberGym، وهو أعلى قليلاً من Claude Mythos 5 و GPT-5.6 Sol. تعتبر Seeking Alpha الإصدار محاولة من Zhipu للحفاظ على الريادة في النماذج المفتوحة التي تبادلتها مع DeepSeek طوال العام.

هناك تفصيلان من الإصدار يهمان المستضيفين الذاتيين:

النموذج الأساسي لم يتغير. GLM-5.3 هو نموذج GLM-5 الأساسي مع تدريب لاحق موسع. البنية التي تحتاجها حزمة التقديم الخاصة بك هي نفسها التي تعمل بها vLLM و SGLang بالفعل لـ GLM-5 و GLM-5.2. لا يوجد نوع جديد من الاهتمام، ولا مفاجآت متوقعة في المحلل اللغوي (tokenizer).
نمط الإصدار راسخ. تستضيف منظمة Zhipu على Hugging Face نماذج GLM-5 و GLM-5.1 و GLM-5.2، كل منها مع مستودع FP8 مصاحب. GLM-5.2 وحده يظهر 2.69 مليون تنزيل. توقع نفس الشكل لـ 5.3: إصدار safetensors من نوع BF16 بالإضافة إلى متغير FP8 رسمي.

لم يتم تأكيد شروط الترخيص لـ 5.3 في تغطية الإطلاق. تحقق من بطاقة النموذج عندما يظهر المستودع قبل دمجه في منتج تجاري.

ماذا يعني 744 مليار إجمالي، و 40 مليار نشطة بالنسبة لأجهزتك

عائلة GLM-5 هي تصميم "مزيج من الخبراء" (Mixture of Experts): إجمالي 744 مليار معلمة، حوالي 40 مليار نشطة لكل تمريرة أمامية، سياق 200 ألف، وفقًا لوثائق Z.ai (تسرد مستودعات Hugging Face إجماليات أعلى قليلاً تتضمن التضمينات). هذه مواصفات العائلة، وليست ادعاءات خاصة بـ 5.3، ولكن نظرًا لأن النموذج الأساسي لم يتغير، فهي الأرقام الصحيحة للتخطيط.

يخلق تقسيم MoE عدم تناسق بين الذاكرة مقابل الحساب:

يتصرف الحساب مثل نموذج كثيف بـ 40 مليار معلمة. لكل رمز، يتم تفعيل الخبراء الموجهين فقط، لذا فإن الإنتاجية لكل وحدة معالجة رسوميات (GPU)، بمجرد أن يناسب النموذج، أفضل بكثير مما قد يوحي به نموذج كثيف بـ 744 مليار معلمة.
تتصرف الذاكرة مثل نموذج بـ 744 مليار معلمة. يجب أن يعيش كل خبير في مكان قابل للعنونة. عند 2 بايت لكل معلمة (BF16)، يبلغ حجم 744 مليار معلمة حوالي 1.5 تيرابايت من الأوزان؛ وعند 1 بايت (FP8)، حوالي 744 جيجابايت. هذا حساب رياضي على الرقم المنشور، وليس تكوينًا تم اختباره، ويستثني ذاكرة التخزين المؤقت KV.

المستويات العملية، دون ادعاء عدد دقيق لوحدات معالجة الرسوميات (GPU):

الدقة	حجم الوزن (حسابي)	الموطن الواقعي
BF16	~1.5 تيرابايت	عنقود متعدد العقد (Multi-node cluster) أو أكبر تكوينات GPU لخادم واحد
FP8 (رسمي)	~745 جيجابايت	خادم متعدد وحدات معالجة رسوميات (GPU) عالي الأداء، عقدة واحدة
تحويلات INT4-class المجتمعية	~370-400 جيجابايت تقريبًا	أجهزة متعددة وحدات معالجة رسوميات (GPU) أصغر؛ انتظر تقارير الجودة

إذا كانت ميزانيتك لوحدة معالجة رسوميات استهلاكية واحدة، فإن أوزان GLM-5.3 الكاملة ليست هدفك، وهذا جيد. استأجر ساعات استخدام GPU للتقييم، أو انتظر تحويلات (quants) مجتمعية قوية، أو احتفظ بالنموذج الثقيل على واجهة برمجة التطبيقات المستضافة بينما تشغل النماذج المفتوحة الأصغر محليًا. يغطي دليلنا لأفضل نماذج اللغة الكبيرة المحلية في 2026 ما يناسب ميزانيات GPU الفردية ومحطات العمل اليوم.

اعتبر نافذة السياق البالغة 200 ألف بمثابة قرار يتعلق بالذاكرة أيضًا: ذاكرة التخزين المؤقت KV تنمو مع السياق وحجم الدُفعة (batch size)، لذا حدد السياق الذي سيتم تقديمه لكل مستوى نشر قبل يوم الإطلاق بدلاً من الافتراض الافتراضي لسقف النموذج.

اختر حزمة التقديم (serving stack) الخاصة بك قبل وصول الأوزان

هناك ثلاث عائلات من برامج التقديم تهم هنا، ولن تكون جميعها جاهزة في نفس الوقت.

يعد vLLM هو الحل الافتراضي لهذا النطاق: دعم عائلة GLM-5 منذ الإصدار الأصلي، وتوجيه MoE، وموازاة الموتر (tensor) والخبراء عبر وحدات معالجة الرسوميات (GPUs) والعقد (nodes)، وخادم متوافق أصلاً مع OpenAI. سيبدو أمر الإطلاق كما يلي بمجرد وجود المستودع:

vllm serve zai-org/GLM-5.3-FP8 \
  --tensor-parallel-size 8 \
  --max-model-len 65536 \
  --served-model-name glm-5.3

اعتبر الأعلام كقالب: اسم المستودع يتبع نمط تسمية Zhipu، وتعتمد إعدادات التوازي على عدد وحدات معالجة الرسوميات (GPU) وذاكرتك.

SGLang هو البديل الرئيسي، مع أداء MoE قوي وتخزين مؤقت للبادئة (prefix caching) باستخدام شجرة الجذر (radix-tree) الذي يؤتي ثماره لأعباء عمل الوكلاء (agent workloads) التي تعيد إرسال مطالبات مشتركة طويلة. كما أنه يقدم نقطة نهاية متوافقة مع OpenAI، لذا فإن التبديل بين الاثنين لاحقًا لا يتطلب لمس رمز العميل.

تحتاج عائلة llama.cpp (llama.cpp، Ollama، LM Studio) إلى تحويلات GGUF، والتي تأتي من المجتمع بعد أيام أو أسابيع من إسقاط Safetensors. يؤدي هذا المسار في النهاية إلى جلب النموذج إلى أجهزة أصغر، بمستويات جودة يجب عليك التحقق منها مقابل خط الأساس الخاص بك بدلاً من قبولها على الثقة.

قم بتثبيت وتشغيل حزمتك هذا الأسبوع باستخدام أوزان GLM-5.2 العامة إذا كان لديك الأجهزة، أو أي نموذج MoE أصغر إذا لم يكن لديك. تصحيح أخطاء مشغلات CUDA في 28 أغسطس هو وضع الفشل الذي يمكن تجنبه.

استخدم واجهة برمجة التطبيقات المستضافة اليوم كخط أساس لك

هذه هي الخطوة التحضيرية التي تتخطاها معظم الفرق: قبل استضافة نموذج بنفسك، سجل ما تنتجه الإعداد المرجعي. واجهة برمجة التطبيقات المستضافة من Zhipu هي هذا المرجع، وهي تعمل الآن. عندما تجيب نشرة (deployment) المحلية الخاصة بك بشكل مختلف، يخبرك خط الأساس المحفوظ ما إذا كان الفارق يأتي من اختيارك للتحويل الكمي، أو خطأ في حزمة التقديم (serving-stack)، أو تباين أخذ العينات العادي.

واجهة برمجة التطبيقات المستضافة متوافقة مع OpenAI: https://api.z.ai/api/paas/v4/chat/completions دوليًا، https://open.bigmodel.cn/api/paas/v4/chat/completions للصين القارية، مصادقة Authorization: Bearer <key>. وثائق Z.ai تسرد glm-5 اليوم؛ glm-5.3 يتبع اتفاقية العائلة، لذا قم بتأكيد السلسلة الدقيقة في الوثائق الرسمية. الإعداد الكامل لكلا المنطقتين موجود في دليل البدء السريع لـ GLM-5.3 API الخاص بنا.

التقط خطوط الأساس عند درجة حرارة 0 مع مطالبات ثابتة:

curl https://api.z.ai/api/paas/v4/chat/completions \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "temperature": 0,
    "messages": [
      {"role": "user", "content": "Write a Python function that parses RFC 3339 timestamps and returns UTC datetimes. Include error handling for invalid input."}
    ]
  }' > baseline-rfc3339.json

ابنِ من 20 إلى 50 من هذه الحالات تغطي أعباء عملك الحقيقية: مهام توليد التعليمات البرمجية، أنماط استدعاء أدوات الوكيل، تلخيص السياق الطويل. درجة الحرارة 0 لن تجعل المخرجات قابلة للتكرار تمامًا، لكنها تضيّق التباين بما يكفي لجعل أي انخفاض في الجودة ناتج عن التحويل الكمي يبرز.

ابنِ عدة الانحدار في Apidog

تُعد سكربتات cURL الخام مفيدة حتى يكون لديك نقطتي نهاية، وثلاث مستويات كمية، وزميل يسأل عن أي تكوين قد مرّ. عدة متكاملة ومنظمة تتوسع بشكل أفضل، وهذه مشكلة انحدار واجهة برمجة تطبيقات قياسية، وهو نفس الانضباط الذي يغطيه دليل اختبار واجهة برمجة التطبيقات لمهندسي ضمان الجودة.

الإعداد في Apidog:

مجموعة واحدة، كل مطالبة خط أساس. أنشئ طلبًا لكل حالة خط أساس مقابل مسار إكمال الدردشة. يعني مخطط OpenAI المتوافق أنه يمكنك استيراد مواصفات بنمط OpenAI والحصول على شكل الطلب تم التحقق منه مجانًا.
بيئتان: hosted و local. تحدد hosted عنوان URL الأساسي إلى https://api.z.ai/api/paas/v4 باستخدام GLM_API_KEY الخاص بك؛ تشير local إلى http://localhost:8000/v1 (الإعداد الافتراضي لـ vLLM) بمفتاح نائب. يشير كل طلب إلى {{base_url}}، لذا فإن تبديل الأهداف يكون من خلال قائمة منسدلة واحدة.
تأكيدات على الشكل أولاً، والمحتوى ثانيًا. تأكد من HTTP 200، ومن أن choices[0].message.content غير فارغ، ومن وجود كتلة usage منطقية. بالنسبة لخطوط أساس التعليمات البرمجية، أضف فحوصات المحتوى التي تصمد أمام تغييرات الصياغة: أن يتضمن الرد def ، ويذكر datetime ، ويتضمن نمط try.
احفظ الاستجابات المستضافة كأمثلة. ستصبح هذه بمثابة مراجعك الثابتة. في يوم الإطلاق، ستعيد تشغيل المجموعة مقابل local وتقارن الفروقات.
شغّلها من سطر الأوامر. يشغل مُشغل Apidog المجموعة بدون واجهة رسومية، لذا تصبح المقارنة خطوة قابلة للبرمجة يمكنك إعادة تشغيلها لكل مستوى كمي، أو حزمة تقديم، أو تغيير في الإعداد.

الناتج الذي تريده بحلول 28 أغسطس هو إجابة بأمر واحد على سؤال "هل يعمل نشري (deployment) مثل النموذج المستضاف"، مع نتائج نجاح/فشل لكل مطالبة بدلاً من التكهنات.

رمز العميل الخاص بك لا يتغير

مكافأة اتفاقية التوافق مع OpenAI: التطبيقات المكتوبة مقابل واجهة برمجة التطبيقات المستضافة تنتقل إلى نقطة النهاية المستضافة ذاتيًا بتغيير في التكوين، وليس بإعادة كتابة. يتحكم متغير بيئة واحد في الهدف:

import os
from openai import OpenAI

# مستضاف:  GLM_BASE_URL=https://api.z.ai/api/paas/v4
# محلي:   GLM_BASE_URL=http://localhost:8000/v1
client = OpenAI(
    base_url=os.environ["GLM_BASE_URL"],
    api_key=os.environ.get("GLM_API_KEY", "local-serving"),
)

response = client.chat.completions.create(
    model="glm-5.3",
    temperature=0,
    messages=[
        {"role": "user", "content": "Refactor this function to remove the nested loops: ..."},
    ],
)
print(response.choices[0].message.content)

تقبل vLLM و SGLang أي اسم نموذج قمت بتسجيله وقت الخدمة، لذا فإن `—served-model-name glm-5.3` يحافظ على تطابق سلسلة النموذج مع المعرف المستضاف. تعمل ميزات البث (streaming) واستدعاء الأدوات (tool calls) ووضع JSON بنفس الطريقة، ولكن اختبر استدعاء الأدوات على وجه التحديد: فهنا غالبًا ما تختلف الحزم المحلية عن السلوك المستضاف.

تأطير التكلفة: واجهة برمجة تطبيقات مستضافة مقابل وحدات معالجة الرسوميات الخاصة بك

لم تنشر Zhipu تسعيرًا لواجهة برمجة التطبيقات الخاصة بـ 5.3 عند الإطلاق؛ تحقق من صفحة التسعير الرسمية للحصول على الأرقام الحالية قبل تقدير التكاليف. لذا فإن المقارنة هنا هيكلية، وليست لكل رمز.

تتضمن استضافة نموذج MoE من فئة 744 مليار معلمة ذاتيًا دفع تكلفة سعة وحدة معالجة الرسوميات (GPU) بغض النظر عن تدفق الرموز. وهذا ينطبق في ثلاث حالات: الاستخدام المستمر العالي بما يكفي بحيث تتجاوز الرسوم لكل رمز تكلفة الأجهزة المستهلكة أو الإيجار، وحوكمة البيانات التي تحافظ على المطالبات داخل شبكتك، والتحكم في زمن الوصول أو التوفر الذي لا تستطيع واجهة برمجة التطبيقات المشتركة ضمانه. بخلاف ذلك، يفوز الاستضافة بالسعر، ويتفوق استئجار ساعات استخدام GPU للتقييم على شراء الأجهزة لنموذج غير متحقق منه.

هناك أيضًا حجة التحوط. يمكن أن تتغير أسعار المزودين؛ أدت زيادة DeepSeek لعام 2026 إلى إرباك الفرق التي بنت اقتصاديات الوحدة على أسعار الإطلاق، كما غطينا في تحليلنا لزيادة أسعار واجهة برمجة تطبيقات DeepSeek. تعمل الأوزان المفتوحة على الحد من هذا الجانب السلبي: إذا تغير تسعير الاستضافة، فإن مسار الاستضافة الذاتية الخاص بك قد تم إثباته بالفعل.

قائمة مراجعة يوم الإطلاق

كل ما سبق يختصر إلى هذه القائمة. العناصر من 1 إلى 6 قابلة للتنفيذ اليوم.

أكد مستوى الدقة المستهدف (BF16، FP8، أو انتظر التحويلات الكمية) مقابل الأجهزة التي يمكنك الوصول إليها، باستخدام النطاقات الحسابية المذكورة أعلاه.
قم بتثبيت vLLM أو SGLang وتشغيله تجريبيًا باستخدام أوزان GLM-5.2 العامة أو نموذج MoE آخر.
أنشئ مفتاح API لـ Z.ai وتأكد من معرف نموذج 5.3 الدقيق مقابل الوثائق الحية.
التقط من 20 إلى 50 استجابة خط أساس بدرجة حرارة صفر من واجهة برمجة التطبيقات المستضافة.
ابنِ مجموعة Apidog مع بيئتي hosted و local وتأكيدات الشكل.
حدد أقصى طول سياق مخدوم لكل مستوى نشر.
عند الإصدار: راقب huggingface.co/zai-org لمستودعي GLM-5.3 و GLM-5.3-FP8، واقرأ ترخيص بطاقة النموذج قبل النشر التجاري.
قم بتنزيل الأوزان، وتشغيل الخادم، وتوجيه البيئة local إليه، وتشغيل المجموعة.
قارن الفروقات بين المحلي والتركيبات المستضافة. تحقق من حالات فشل مستوى المحتوى قبل زيادة حركة المرور.
بعد ذلك فقط ابدأ في الضبط: مستوى التحويل الكمي، تخطيط التوازي، التخزين المؤقت للبادئة، حدود السياق.

الأسئلة الشائعة

هل يمكنني تنزيل أوزان GLM-5.3 الآن؟

لا. اعتبارًا من 14 أغسطس 2026، واجهة برمجة التطبيقات المستضافة هي الوحيدة المتاحة. تقول Zhipu إن الأوزان المفتوحة ستصل بعد حوالي أسبوعين من الإصدار، أي حوالي 28 أغسطس. الوجهة المتوقعة هي صفحة zai-org على Hugging Face، حيث توجد نماذج GLM-5 و 5.1 و 5.2 بالفعل.

هل سيعمل GLM-5.3 على وحدة معالجة رسوميات استهلاكية واحدة؟

ليس بالأوزان الكاملة. يبلغ إجمالي معلمات العائلة البالغ عددها 744 مليارًا حوالي 744 جيجابايت بصيغة FP8 قبل ذاكرة التخزين المؤقت KV، وهو يتجاوز بكثير أي بطاقة واحدة، وحتى التحويلات الكمية من فئة INT4 تقع في نطاق وحدات معالجة الرسوميات المتعددة. بالنسبة للميزانيات التي تسمح بوحدة معالجة رسوميات واحدة، قم بتشغيل نماذج مفتوحة أصغر محليًا واحتفظ بـ GLM-5.3 على واجهة برمجة التطبيقات المستضافة؛ مراجعتنا لنماذج اللغة الكبيرة المحلية تسرد ما يناسب.

ما هو إطار العمل الذي يجب أن أستخدمه لخدمة GLM-5.3؟

يُعد vLLM هو الخيار الافتراضي الأكثر أمانًا: دعم مثبت لعائلة GLM-5، توازي مدرك لـ MoE، وخادم متوافق مع OpenAI. SGLang بديل قوي عندما تعيد عملية عملك إرسال بادئات مشتركة طويلة، كما تفعل حلقات الوكيل. يفتح مسار llama.cpp و Ollama لاحقًا، بمجرد ظهور تحويلات GGUF المجتمعية.

هل سيعمل كود OpenAI SDK الحالي الخاص بي مع GLM-5.3 المستضاف ذاتيًا؟

نعم، هذا هو الهدف من اتفاقية التوافق مع OpenAI من كلا الجانبين. وجه `base_url` الخاص بـ SDK إلى خادم vLLM أو SGLang الخاص بك بدلاً من `https://api.z.ai/api/paas/v4` واحتفظ بنفس شكل الطلب. اختبر استدعاء الأدوات والبث بشكل خاص؛ فهذه هي الجوانب التي تختلف فيها الحزم المحلية أحيانًا عن السلوك المستضاف.

لماذا أهتم بواجهة برمجة التطبيقات المستضافة إذا كنت أخطط للاستضافة الذاتية؟

لأنها تطبيقك المرجعي. بدون خطوط أساس مستضافة، لا يمكنك معرفة ما إذا كان المخرج المحلي الغريب يعني أن التحويل الكمي الخاص بك مفرط في العدوانية أو أن النموذج يتصرف بهذه الطريقة في كل مكان. التقط خطوط الأساس الآن عبر نقطة النهاية المستضافة، باستخدام الإعداد في دليل البدء السريع لـ GLM-5.3 API الخاص بنا، ويصبح يوم الإطلاق تمرينًا للمقارنة بدلاً من التخمين.

مكان GLM-5.3 في حزمتك

GLM-5.3 هو أقوى إعلان ترميز بأوزان مفتوحة لهذا العام حتى الآن: الأول بين النماذج المفتوحة على Terminal-Bench 3.0 و Agents’ Last Exam، وحصل على نتيجة CyberGym أعلى من نموذجين رائدين، مع وصول الأوزان في جدول زمني عام. لن تكون الفرق التي تحقق قيمة في الأسبوع الأول هي تلك التي تمتلك أكبر ميزانيات لوحدات معالجة الرسوميات (GPU). بل ستكون تلك التي قضت نافذة الأسبوعين في العمل غير الجذاب: تثبيت الحزمة، اختيار مستوى الدقة، التقاط خطوط الأساس، تجهيز العدة.

ابدأ بقائمة المراجعة أعلاه. التقط خطوط الأساس المستضافة الخاصة بك هذا الأسبوع، وحمل Apidog للاحتفاظ بها: مجموعة واحدة، بيئة hosted وبيئة local، وتأكيدات تحول سؤال "هل يعمل نشري" إلى تقرير نجاح/فشل يمكنك إعادة تشغيله في كل مرة تغير فيها مستوى الكم أو علامة الخدمة.

زر