Ox Alpha war GLM-5.3-Flash – das steckt hinter Z.ais mysteriösem KI-Modell

Sechs Tage lang nutzten Entwickler ein leistungsfähiges KI-Modell namens Ox Alpha, ohne zu wissen, welches Unternehmen dahinterstand. Am 20. August 2026 tauchte es kostenlos und ohne Urheberangabe auf OpenRouter und OpenCode auf – mit einem Kontextfenster von einer Million Tokens sowie Unterstützung für Text, Bilder und Videos. Am 26. August löste Z.ai, die internationale Marke von Zhipu AI, das Rätsel auf: Ox Alpha war GLM-5.3-Flash, das erste nativ multimodale Modell der GLM-5-Familie. 259

Aus einem anonymen öffentlichen Test wurde damit praktisch über Nacht ein Produktstart. Z.ai veröffentlichte die Modellgewichte unter der permissiven MIT-Lizenz, kündigte niedrige API-Preise an und positionierte GLM-5.3-Flash als kosteneffiziente Lösung für umfangreiche Coding-Aufgaben und autonome Agenten-Workflows. 679

Wie wurde Ox Alpha enttarnt?

Ox Alpha erschien zunächst unter dem Modellpfad stealth/ox-alpha – ohne Entwicklerangabe, mit einem Preis von null Euro beziehungsweise null Dollar und einem Kontextlimit von 1.048.576 Tokens. Eingaben konnten neben Text auch Bilder und Videos enthalten. Entwickler setzten das Modell unter anderem in Coding-Agenten, Terminal-Aufgaben und Workflows mit langen Gesprächs- und Dateiverläufen ein. 458

Bald suchte die Community nach technischen Hinweisen. Dazu gehörten ein Tokenizer-Verhalten, das an GLM-Modelle erinnerte, sowie aussagekräftige Muster bei API-Fehlermeldungen. Daraus entstand die Vermutung, dass Zhipu AI hinter dem anonymen Modell stecken könnte. Z.ai bestätigte die Verbindung schließlich selbst und erklärte, der verdeckte Einsatz habe vor der Veröffentlichung Feedback aus realen Nutzungssituationen liefern sollen. 59

Der Test erzeugte ungewöhnlich viel Verkehr. Ein zeitnaher Bericht nennt 42 Billionen verarbeitete Tokens innerhalb von sechs Tagen, ein anderer spricht von rund 44 Billionen Tokens und 503.000 OpenCode-Nutzern. Diese Angaben stammen aus unterschiedlichen Berichten und Messzeitpunkten; sie sollten deshalb nicht als eine einzige, unabhängig bestätigte Gesamtzahl verstanden werden. 81116

Was ist GLM-5.3-Flash?

GLM-5.3-Flash ist ein Open-Weight-Modell für Softwareentwicklung, lang laufende Agenten-Aufgaben und multimodale Arbeitsabläufe. Nach Angaben von Z.ai handelt es sich um das erste nativ multimodale Modell der GLM-5-Serie. Es kann visuelle Eingaben verarbeiten und bis zu 1.048.576 Tokens in einem Kontext aufnehmen – genug, um große Codebasen, Dokumente, Screenshots und weitere Informationen in einer Aufgabe zusammenzuführen. 720

Die zentrale technische Eigenschaft ist eine Mixture-of-Experts-Architektur mit 320 Milliarden Parametern, von denen 18 Milliarden pro Token aktiviert werden. Vereinfacht gesagt verfügt das Modell über einen großen Pool an Fähigkeiten, nutzt bei der Verarbeitung eines einzelnen Tokens aber nur einen Teil davon. Z.ai kombiniert außerdem sparsame und lineare Aufmerksamkeitsmechanismen, um Rechenaufwand und den Bedarf an Key-Value-Cache während der Inferenz zu senken. 620

Daraus leitet sich die Bezeichnung „Flash“ ab: Das Modell ist keineswegs klein, soll sich aber günstiger betreiben lassen als ein dichtes Modell mit derselben Gesamtzahl an Parametern. Wie schnell und preiswert es in der Praxis arbeitet, hängt dennoch stark von Hardware, Server-Software, Auslastung und konkretem Anwendungsfall ab.

Wie gut ist es beim Programmieren?

Z.ai gibt für GLM-5.3-Flash im Benchmark DeepSWE v1.1 einen Wert von 63,4 an. GLM-5.2 kam demnach auf 46,2. In einem internen Vergleich mit Claude Opus 4.8 nennt Z.ai Werte von 29,0 zu 29,5. 78

Die Zahlen sind interessante Anhaltspunkte, aber keine allgemeingültige Rangliste der Modellqualität. Das DeepSWE-Ergebnis ist eine vom Anbieter gemeldete Benchmark-Angabe; der Vergleich mit Claude Opus 4.8 basiert laut Z.ai auf einer internen Evaluierung. Prompts, Werkzeuge, Agenten-Umgebung, Testdaten und Bewertungsmethode können solche Ergebnisse deutlich beeinflussen. Für eine belastbare Einordnung sind unabhängige und reproduzierbare Tests nötig.

Die praktischere Frage für Entwickler lautet daher, ob das Modell zum eigenen Workflow passt. GLM-5.3-Flash soll große Repositories untersuchen, visuelle Hinweise einbeziehen und längere Agenten-Aufgaben bearbeiten können, ohne den bisherigen Verlauf ständig zusammenfassen zu müssen. In produktiven Umgebungen zählen zusätzlich Zuverlässigkeit, Tool-Nutzung, Latenz und die Fähigkeit zur Fehlerkorrektur – nicht nur ein einzelner Benchmark-Wert.

Preise, Lizenz und Zugang

Z.ai nennt als Listenpreise 0,15 US-Dollar pro Million Eingabe-Tokens und 0,50 US-Dollar pro Million Ausgabe-Tokens. In der Dokumentation wurde anschließend eine zeitlich begrenzte Rabattaktion mit 50 Prozent Nachlass aufgeführt. Während des angegebenen Aktionszeitraums sinken die Preise damit auf 0,075 beziehungsweise 0,25 US-Dollar. 2

Die Gewichte wurden auf Hugging Face unter der MIT-Lizenz veröffentlicht. Das erlaubt grundsätzlich auch kommerzielle Nutzung und Bearbeitung und macht die Veröffentlichung offener als ein ausschließlich gehostetes Modell. Trotzdem sollten Teams vor einem produktiven Einsatz die konkreten Lizenzbedingungen, Modellzusätze, Abhängigkeiten, Hardware-Anforderungen und Pflichten der jeweiligen Bereitstellung prüfen. 29

Die Dokumentation führt GLM-5.3-Flash außerdem für das Entwickler- und Coding-Plan-Ökosystem von Z.ai. Die API unterstützt multimodale Chat-Completion-Eingaben sowie Tool-Nutzung. 172021

Lief der Test tatsächlich auf chinesischen Beschleunigern?

Mit der Enthüllung des Modells kam eine zweite Geschichte hinzu. Z.ai erklärte, der anonyme Ox-Alpha-Test sei vollständig auf in China gefertigten KI-Beschleunigern ausgeführt worden. Zum Einsatz gekommen sei außerdem ein angepasster, auf SGLang basierender Bereitstellungs-Stack. In den technischen Materialien stellt das Unternehmen den Einsatz als Versuch dar, die Inferenz auf heimischer Hardware effizienter zu machen.

Einige Berichte wiederholen darüber hinaus die Behauptung, der angepasste Stack habe die End-to-End-Leistung verdreifacht. Die konkrete Beschleuniger-Flotte, der genaue Vergleichsmaßstab und die Frage, in welchem Umfang der Betrieb tatsächlich ohne ausländische Komponenten auskam, wurden in den hier verfügbaren Quellen jedoch nicht unabhängig geprüft. 10

Das ist eine wichtige Einschränkung. Sollte sich die Darstellung bestätigen, wäre der Einsatz strategisch relevant für Chinas Bemühungen, trotz US-amerikanischer Exportbeschränkungen leistungsfähige KI-Dienste aufzubauen. Aktuell handelt es sich aber eher um eine bedeutende Unternehmensangabe als um einen endgültigen Beleg dafür, dass chinesische Hardware den umfassenderen Infrastruktur-Rückstand bereits aufgeholt hat.

Warum wurde das Modell anonym getestet?

Der Ox-Alpha-Ansatz verschaffte Z.ai etwas, das ein klassischer Produktstart nur schwer liefert: große Mengen ungeschönter Nutzung durch Entwickler, die die Identität des Modells nicht kannten. Weil Ox Alpha kostenlos und ungewöhnlich leistungsfähig war, testeten Nutzer es in Coding-Agenten und Langkontext-Aufgaben – nicht bloß anhand eines Marketing-Datenblatts. Z.ai zufolge bestand das Ziel darin, vor dem offiziellen Start Erfahrungen und Rückmeldungen zu sammeln. 59

Die Strategie passt zugleich zu einer Open-Weight-Verbreitung. Kostenlose oder günstige Zugänge, offene Gewichte und eine breite Entwicklerbasis senken die Einstiegshürde, fördern Experimente und können langfristig Nutzung rund um das Modell aufbauen. Frühere anonyme Modelltests, darunter das berichtete Experiment „Pony Alpha“, deuten darauf hin, dass Ox Alpha kein völlig isolierter Einfall war. Zu diesem früheren Projekt liegen allerdings nur begrenzte Informationen vor.

Was bedeutet die Enthüllung für den KI-Wettbewerb?

GLM-5.3-Flash beweist nicht automatisch, dass Z.ai insgesamt eine neue Leistungsspitze erreicht hat. Die stärksten derzeit verfügbaren Hinweise bestehen aus veröffentlichten technischen Daten, einem auffällig erfolgreichen öffentlichen Test sowie Benchmark- und Infrastrukturangaben des Unternehmens. Wie gut das Modell bei Programmierung, multimodalem Schlussfolgern, Tool-Nutzung, Latenz und Zuverlässigkeit tatsächlich ist, müssen unabhängige Tests und längerfristige Einsätze zeigen.

Das wettbewerbliche Signal ist dennoch deutlich: Ein Modell mit einer Million Tokens Kontext, nativer multimodaler Verarbeitung, offenen Gewichten und API-Preisen im Cent-Bereich pro Million Tokens setzt die Kostenstruktur teurer geschlossener Systeme unter Druck. Der anonyme Test zeigt zudem, dass ein verdeckter Preview gleichzeitig als Praxistest und als Verteilungsstrategie funktionieren kann.

Das Rätsel ist gelöst: Ox Alpha war Z.ais GLM-5.3-Flash. Die entscheidende Frage lautet nun nicht mehr, wer dahintersteckte, sondern ob das Versprechen von niedrigen Kosten und langem Kontext auch in wiederholbaren, zuverlässigen Produktions-Workflows Bestand hat.