AntwortenVeröffentlicht26 Quellen
Ox Alpha war GLM-5.3-Flash: Was Zhipus Test für die KI-Inferenz bedeutet
Am 26. August 2026 bestätigte Zhipu AI, dass das anonyme Modell Ox Alpha – in chinesischen Entwicklerkreisen auch „Niu Lai“ genannt – GLM 5.3 Flash war.
Veröffentlicht vonBearbeitet mit GPT-5.6 LunaBilder erstellt mit GPT Image 1.5
Forschungsantwort
Wichtige Erkenntnisse
- Am 26. August 2026 bestätigte Zhipu AI, dass das anonyme Modell Ox Alpha – in chinesischen Entwicklerkreisen auch „Niu Lai“ genannt – GLM 5.3 Flash war.
- GLM 5.3 Flash ist ein Mixture of Experts Modell mit insgesamt 320 Milliarden Parametern, rund 18 Milliarden aktiven Parametern pro Token und einem Kontextfenster von 1.048.576 Tokens.
- Die entscheidende Nachricht ist weniger ein Beleg dafür, dass chinesische Chips Nvidia generell überholt haben, sondern dafür, dass optimierte Software einen nicht auf Nvidia basierenden Inferenz Stack im großen Maßst...
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Zhipu AI reveal on August 26, 2026, about the anonymous “Ox Alpha” model known as “Niu Lai,” including its identity as GLM-5.3-Flas. Article summary: On August 26, Zhipu AI (Z.ai) disclosed that the anonymous “Ox Alpha”/“Niu Lai” model was its GLM-5.3-Flash: an open-weight, native-multimodal mixture-of-experts model tested anonymously before release. [1][4][6] ## What. Topic tags: general, general web, documentation, news, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
Am 26. August 2026 hat Zhipu AI, international auch als Z.ai bekannt, das Rätsel um das anonyme Modell „Ox Alpha“ beendet. In chinesischen Entwicklerkreisen war es zudem als „Niu Lai“ bekannt. Das Unternehmen bestätigte, dass dahinter GLM-5.3-Flash steckt – ein Modell mit offenen Gewichten und nativer Multimodalität aus der GLM-Reihe. 1
15
Mit der Enthüllung verband Zhipu eine weitreichende Infrastrukturangabe: Das Modell sei vor dem offiziellen Start kostenlos und anonym auf OpenRouter und OpenCode getestet worden. In fünf Tagen habe es dabei mehr als 50 Billionen Tokens verarbeitet. Der gesamte Datenverkehr sei von einem Cluster mit mehr als 100.000 in China hergestellten KI-Beschleunigern getragen worden. 8
15
Der Blindtest wurde zum Praxistest
Ox Alpha erschien zunächst ohne Firmenlogo und ohne klassische Produktkampagne. Entwickler konnten das Modell deshalb vor allem nach seinen Antworten, seiner Geschwindigkeit, Verfügbarkeit und dem Preis beurteilen – nicht nach dem Namen des Anbieters oder der verwendeten Hardware.
Innerhalb kurzer Zeit stieg Ox Alpha auf OpenRouter und OpenCode an die Spitze der Nutzungsrankings. Spätere Berichte sprechen von mehr als 60 Billionen Tokens in sechs Tagen. Auf OpenRouter soll das Modell zeitweise mehr als doppelt so häufig genutzt worden sein wie vergleichbare DeepSeek-Angebote. Die unterschiedlichen Summen ergeben sich vermutlich aus abweichenden Messzeiträumen und Plattformmetriken. Belastbar ist daher vor allem: Der Test überschritt 50 Billionen Tokens und stieß auf ungewöhnlich große Nachfrage. 1
3
30
Gerade dieser Umstand macht den Vorgang relevant. Das Modell musste unter realem Entwicklerverkehr bestehen, bevor seine Identität bekannt war. Die Nutzer stimmten damit gewissermaßen mit den Füßen ab – anhand der praktischen Leistung statt anhand des Marketings.
Was Zhipu über die chinesischen Chips sagt
Nach Angaben von Zhipu lief die Online-Inferenz auf mehr als 100.000 in China gefertigten Beschleunigern. Durch Softwareoptimierung seien sowohl die Hardwareeffizienz als auch die Kosten pro Token auf ein Niveau gebracht worden, das mit gängigen Nvidia-GPUs vergleichbar sei. 15
24
Welche Hersteller genau beteiligt waren, hat Zhipu in den hier zugrunde liegenden Angaben nicht öffentlich genannt. In Branchenberichten werden Huawei, Moore Threads und Hygon als mögliche Zulieferer erwähnt. Diese Zuordnung ist jedoch nicht verifiziert und darf nicht als Bestätigung durch Zhipu verstanden werden. 30
40
Die Aussage sollte außerdem eng ausgelegt werden. Sie belegt nicht, dass chinesische Chips Nvidia bei jeder Art von Arbeitslast ebenbürtig sind. Ebenso wenig zeigt sie, dass heimische Hardware Nvidia beim Training verdrängt hat oder dass beide Ökosysteme dieselben Entwicklerwerkzeuge bieten.
Sie stützt eine deutlich konkretere These: Ein großer Inferenzdienst kann auf einem nicht von Nvidia stammenden, inländischen Hardware-Stack betrieben werden, wenn Modell, Inferenzsystem und Hardware gemeinsam optimiert werden.
Warum die Inferenzsoftware entscheidend war
Ein Kontextfenster von bis zu einer Million Tokens stellt hohe Anforderungen an Speicher, Bandbreite, Kommunikation und Auslastungsplanung. Zhipu entwickelte dafür offenbar eine eigene, auf SGLang basierende Inferenz-Engine und kombinierte mehrere Verfahren:
- W8A8-Quantisierung, um Rechen- und Speicherbedarf zu senken;
- eine gemischte INT8-, FP8- und BF16-Quantisierung für den Cache;
- Tensorparallelität innerhalb einzelner Knoten; und
- eine Encode–Prefill–Decode-Architektur (EPD), bei der multimodale Kodierung, Verarbeitung des Prompts und die schrittweise Token-Erzeugung in getrennten, unabhängig skalierbaren Pools laufen.
11
24
Nach Angaben von Zhipu steigerte dieses System die Ende-zu-Ende-Leistung gegenüber einer anfänglichen Basislinie auf derselben Hardware um etwa das Dreifache. 24
26 Die spätere SGLang-Dokumentation weist zudem auf zusätzliche Verbesserungen bei Durchsatz und FP8-Cache-Kapazität gegenüber einer BF16-Vergleichskonfiguration hin. Sie ist allerdings kein unabhängiges Audit der ursprünglichen Dreifach-Angabe von Zhipu.
17
Für Nvidia liegt die Bedeutung deshalb vor allem in der Inferenz – nicht in einem unmittelbaren Zusammenbruch des gesamten CUDA-Vorsprungs. Spezialisierte Kernel, Quantisierung, Parallelisierung und intelligentes Scheduling können die Abhängigkeit von CUDA bei einzelnen produktiven Inferenzlasten verringern. Nvidias breites Software-Ökosystem, seine Werkzeuge, die installierte Basis und die Position beim Training sind davon getrennt zu betrachten. Diese Fragen beantwortet der Start von GLM-5.3-Flash nicht.
Die technischen Eckdaten von GLM-5.3-Flash
GLM-5.3-Flash wird als sparsames Mixture-of-Experts-Modell mit insgesamt 320 Milliarden Parametern und rund 18 Milliarden aktiven Parametern pro Token beschrieben. Es unterstützt ein Kontextfenster von 1.048.576 Tokens sowie native multimodale Eingaben. Damit zielt es unter anderem auf lange Dokumente, Programmieraufgaben und lang laufende Agenten-Workflows. 2
5
7
Beim Artificial Analysis Intelligence Index erreichte das Modell laut den vorliegenden Berichten einen Wert von 57 – ebenso wie Claude Opus 4.8. Das bedeutet Gleichstand bei einem zusammengesetzten Index, ist aber kein Beleg für identische Leistungen in jedem Einzelbenchmark, jeder Anwendung oder jeder Agentenaufgabe. 9
Niedriger Preis als Teil der Strategie
Zhipu gab für die API einen Preis von 0,15 US-Dollar pro Million Eingabe-Tokens und 0,50 US-Dollar pro Million Ausgabe-Tokens an. 4
29 Zeitgenössische Berichte bezeichneten das Modell als ungefähr zehnmal günstiger als GLM-5.3 und rund vierzigmal günstiger als Claude Opus 4.8. Solche Verhältnisse hängen jedoch davon ab, ob Eingabe oder Ausgabe, welcher Tarif und welche Preisstufe verglichen werden.
1
4
Der eigentliche Angriff auf etablierte KI-Anbieter beruht damit auf dem Zusammenspiel von drei Faktoren: einer effizienten sparsamen Architektur, aggressiver Optimierung des Bereitstellungs-Stacks und einem niedrigen Preis. Der anonyme Ox-Alpha-Test zeigte, dass diese Kombination schon vor Bekanntgabe der Anbieteridentität erhebliche Nutzung anziehen konnte.
Er beweist nicht, dass Zhipu jedes Problem bei Hardware und Software gelöst hat. Er liefert aber eine bemerkenswerte Demonstration dafür, wie viel Spielraum entsteht, wenn ein KI-Modell, seine Inferenz-Engine und die zugrunde liegende Hardware von Anfang an als Gesamtsystem entwickelt werden.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Ox Alpha war GLM-5.3-Flash: Was Zhipus Test für die KI-Inferenz bedeutet“?
Am 26. August 2026 bestätigte Zhipu AI, dass das anonyme Modell Ox Alpha – in chinesischen Entwicklerkreisen auch „Niu Lai“ genannt – GLM 5.3 Flash war.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Am 26. August 2026 bestätigte Zhipu AI, dass das anonyme Modell Ox Alpha – in chinesischen Entwicklerkreisen auch „Niu Lai“ genannt – GLM 5.3 Flash war. GLM 5.3 Flash ist ein Mixture of Experts Modell mit insgesamt 320 Milliarden Parametern, rund 18 Milliarden aktiven Parametern pro Token und einem Kontextfenster von 1.048.576 Tokens.
Was soll ich als nächstes in der Praxis tun?
Die entscheidende Nachricht ist weniger ein Beleg dafür, dass chinesische Chips Nvidia generell überholt haben, sondern dafür, dass optimierte Software einen nicht auf Nvidia basierenden Inferenz Stack im großen Maßst...
Quellen
indexbox.ioGLM-5.3-Flash: Zhipu AI's New Open-Weight Model ...
pandaily.comZhipu Confirms Anonymous 'Niu Lai' Model Is GLM-5.3-Flash, Served on 100,000 Domestic Chips
kucoin.comZhipu launches the GLM-5.3-Flash model on ...
pasqualepillitteri.itOx Alpha revealed, it is Zhipu GLM-5.3-Flash with MIT weights