RespuestasPublicado26 fuentes
Ox Alpha era GLM-5.3-Flash: la prueba a gran escala que pone el foco en la inferencia de IA
El 26 de agosto de 2026, Zhipu AI confirmó que el modelo anónimo Ox Alpha —conocido como «Niu Lai» en comunidades chinas— era GLM 5.3 Flash. GLM 5.3 Flash es un modelo de mezcla dispersa de expertos con 320.000 millones de parámetros totales, unos 18.000 millones activos por token y una ventana de contexto de 1.048....
Publicado porEditado con GPT-5.6 LunaImágenes generadas con GPT Image 1.5
Respuesta de investigación
Conclusiones clave
- El 26 de agosto de 2026, Zhipu AI confirmó que el modelo anónimo Ox Alpha —conocido como «Niu Lai» en comunidades chinas— era GLM 5.3 Flash.
- GLM 5.3 Flash es un modelo de mezcla dispersa de expertos con 320.000 millones de parámetros totales, unos 18.000 millones activos por token y una ventana de contexto de 1.048.576 tokens.
- El anuncio no demuestra que los chips chinos hayan superado a Nvidia en todos los ámbitos; sí muestra que la optimización específica del modelo y del software puede hacer viable una infraestructura de inferencia no ba...
Prompt de IA
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
El misterio de «Ox Alpha» terminó el 26 de agosto de 2026. Zhipu AI, conocida internacionalmente como Z.ai, confirmó que el modelo anónimo —llamado «Niu Lai» en las comunidades chinas de desarrolladores— era en realidad GLM-5.3-Flash, un modelo multimodal nativo de pesos abiertos perteneciente a su familia GLM. 1
15
La revelación incluyó un dato de infraestructura tan importante como el propio lanzamiento: Zhipu afirmó que el sistema se probó gratuitamente en OpenRouter y OpenCode, donde procesó más de 50 billones de tokens en cinco días. Según la compañía, todo ese tráfico fue atendido por un clúster de más de 100.000 aceleradores fabricados en China. 8
15
Una prueba a ciegas con usuarios reales
Ox Alpha apareció sin el nombre ni el logotipo de una empresa detrás. Ese anonimato permitió que los desarrolladores lo evaluaran por su rendimiento cotidiano —calidad de las respuestas, velocidad, disponibilidad y precio— en lugar de dejarse guiar por una campaña de lanzamiento.
El modelo llegó rápidamente a los primeros puestos de uso en OpenRouter y OpenCode. Informaciones posteriores situaron el tráfico total por encima de los 60 billones de tokens en seis días, mientras que el uso en OpenRouter habría superado en más del doble al de modelos comparables de DeepSeek. Las cifras no son idénticas porque proceden de ventanas temporales y métricas de plataformas distintas. La conclusión más sólida es que la prueba rebasó los 50 billones de tokens y generó una demanda excepcionalmente alta. 1
3
30
El aspecto clave es que se trató de tráfico real de desarrolladores antes de que se conociera la identidad del modelo. Los usuarios no estaban eligiendo Ox Alpha por la marca Zhipu ni por los chips empleados, sino por la experiencia de uso.
Qué afirmó Zhipu sobre los chips chinos
Zhipu aseguró que la carga de inferencia en línea se ejecutó sobre más de 100.000 aceleradores fabricados en China. También afirmó que, gracias a la optimización del software, la eficiencia del hardware y el coste por token alcanzaron niveles comparables a los de las GPU de Nvidia. 15
24
La empresa no identificó públicamente a los proveedores concretos en el material citado aquí. Huawei, Moore Threads y Hygon han aparecido en informaciones del sector como posibles participantes, pero esa atribución no está verificada y no debe interpretarse como una confirmación de Zhipu. 30
40
La afirmación debe leerse con precisión. No demuestra que los chips chinos igualen a Nvidia en todas las cargas de trabajo, que hayan sustituido a sus GPU en el entrenamiento de modelos ni que ambos ecosistemas ofrezcan herramientas de desarrollo equivalentes. Lo que sí sugiere es algo más específico: un servicio de inferencia de gran tamaño puede diseñarse alrededor de una infraestructura doméstica no basada en Nvidia cuando el modelo y el sistema de serving se optimizan conjuntamente.
El software fue tan importante como el hardware
Una ventana de contexto de un millón de tokens plantea exigencias especialmente altas de memoria, ancho de banda, comunicación entre chips y planificación de tareas. Para hacer frente a ellas, Zhipu habría construido un motor de inferencia específico sobre SGLang y combinado varias técnicas:
- cuantización W8A8 para reducir la presión computacional y de memoria;
- cuantización mixta INT8, FP8 y BF16 para la caché;
- paralelismo tensorial dentro de cada nodo; y
- una arquitectura Encode–Prefill–Decode (EPD) que separa la codificación multimodal, el procesamiento inicial del prompt y la generación token a token en grupos de trabajo que pueden escalarse de forma independiente.
11
24
Zhipu afirmó que el sistema resultante multiplicó aproximadamente por tres el rendimiento de extremo a extremo frente a su línea base inicial sobre el mismo hardware. 24
26 La documentación posterior de SGLang también registra mejoras adicionales de rendimiento y de capacidad de caché FP8 frente a una configuración comparativa en BF16, aunque no constituye una auditoría independiente de la cifra original de tres veces.
17
Para Nvidia, la implicación se concentra sobre todo en el papel de CUDA en la inferencia, no en una desaparición inmediata de su ventaja general. Los kernels especializados, la cuantización, el paralelismo y la planificación pueden reducir la dependencia de CUDA en determinadas cargas de producción. El ecosistema de software de Nvidia, sus herramientas, su base instalada y su posición en el entrenamiento siguen siendo cuestiones distintas que este lanzamiento no resuelve.
Las especificaciones de GLM-5.3-Flash
GLM-5.3-Flash se describe como un modelo disperso de mezcla de expertos (MoE) con 320.000 millones de parámetros totales y aproximadamente 18.000 millones de parámetros activos por token. Admite una ventana de contexto de 1.048.576 tokens y entrada multimodal nativa, lo que lo orienta a documentos extensos, programación y tareas prolongadas de agentes de IA. 2
5
7
El modelo obtuvo, según los informes disponibles, una puntuación de 57 en el Artificial Analysis Intelligence Index, la misma cifra atribuida a Claude Opus 4.8. Se trata de una equivalencia en un índice compuesto concreto, no de una prueba de rendimiento idéntico en todos los benchmarks, aplicaciones o tareas de agentes. 9
Precio y posición competitiva
Zhipu comunicó un precio de API de 0,15 dólares por millón de tokens de entrada y 0,50 dólares por millón de tokens de salida. 4
29 La cobertura contemporánea describió el modelo como aproximadamente diez veces más barato que GLM-5.3 y unas 40 veces más barato que Claude Opus 4.8, aunque esas proporciones dependen de la dirección de los tokens, el nivel de precios y el plan comparado.
1
4
La importancia comercial de GLM-5.3-Flash no reside en un único récord. Su propuesta combina una arquitectura dispersa relativamente eficiente, una optimización agresiva del servicio y precios bajos. La prueba de Ox Alpha demostró que esa combinación podía atraer un volumen enorme de uso antes incluso de que los desarrolladores supieran quién estaba detrás.
Eso no significa que Zhipu haya resuelto todas las limitaciones de los chips o del software. Sí ofrece una demostración notable, a escala de producción, del margen que puede obtenerse cuando el modelo, el motor de inferencia y la infraestructura se diseñan como un solo sistema.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Ox Alpha era GLM-5.3-Flash: la prueba a gran escala que pone el foco en la inferencia de IA"?
El 26 de agosto de 2026, Zhipu AI confirmó que el modelo anónimo Ox Alpha —conocido como «Niu Lai» en comunidades chinas— era GLM 5.3 Flash.
¿Cuáles son los puntos clave a validar primero?
El 26 de agosto de 2026, Zhipu AI confirmó que el modelo anónimo Ox Alpha —conocido como «Niu Lai» en comunidades chinas— era GLM 5.3 Flash. GLM 5.3 Flash es un modelo de mezcla dispersa de expertos con 320.000 millones de parámetros totales, unos 18.000 millones activos por token y una ventana de contexto de 1.048.576 tokens.
¿Qué debo hacer a continuación en la práctica?
El anuncio no demuestra que los chips chinos hayan superado a Nvidia en todos los ámbitos; sí muestra que la optimización específica del modelo y del software puede hacer viable una infraestructura de inferencia no ba...
Fuentes
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