RéponsesPublié26 sources
Ox Alpha était GLM-5.3-Flash : ce que l’annonce de Zhipu AI change pour l’inférence
Le 26 août 2026, Zhipu AI a confirmé que le mystérieux modèle Ox Alpha, aussi appelé « Niu Lai », était GLM 5.3 Flash. GLM 5.3 Flash est un modèle à mélange d’experts de 320 milliards de paramètres, dont environ 18 milliards sont activés pour chaque token, avec une fenêtre de contexte de 1 048 576 tokens.
Publié parModifié avec GPT-5.6 LunaImages générées avec GPT Image 1.5
Réponse de recherche
Points clés à retenir
- Le 26 août 2026, Zhipu AI a confirmé que le mystérieux modèle Ox Alpha, aussi appelé « Niu Lai », était GLM 5.3 Flash.
- GLM 5.3 Flash est un modèle à mélange d’experts de 320 milliards de paramètres, dont environ 18 milliards sont activés pour chaque token, avec une fenêtre de contexte de 1 048 576 tokens.
- L’annonce ne prouve pas que les puces chinoises ont dépassé Nvidia dans tous les domaines : elle montre surtout qu’une optimisation logicielle poussée peut rendre viable, à grande échelle, une infrastructure d’inféren...
Prompt 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
Le mystère a pris fin le 26 août 2026 : Zhipu AI, également connue à l’international sous le nom de Z.ai, a confirmé que le modèle anonyme « Ox Alpha » — appelé « Niu Lai » dans les communautés chinoises de développeurs — était en réalité GLM-5.3-Flash, un modèle à poids ouverts et nativement multimodal de la famille GLM. 1
15
L’annonce ne se limite pas au lancement d’un nouveau modèle. Zhipu affirme avoir testé gratuitement GLM-5.3-Flash sous une identité masquée sur OpenRouter et OpenCode, où il aurait traité plus de 50 000 milliards de tokens en cinq jours. Selon l’entreprise, l’ensemble du trafic a été pris en charge par un cluster de plus de 100 000 puces chinoises. 8
15
Un test grandeur nature, sans effet de marque
Ox Alpha est apparu sans logo ni nom d’entreprise. Les développeurs ont donc pu l’évaluer dans des conditions proches de l’usage quotidien, en se fondant sur ses réponses, sa vitesse, sa disponibilité et son coût plutôt que sur la réputation de son fabricant ou sur le matériel utilisé.
Le modèle s’est rapidement hissé en tête des classements d’utilisation d’OpenRouter et d’OpenCode. Des estimations ultérieures ont fait état de plus de 60 000 milliards de tokens sur six jours, tandis que le trafic enregistré sur OpenRouter aurait dépassé de plus de deux fois celui de modèles DeepSeek comparables. Ces chiffres ne couvrent pas nécessairement les mêmes périodes ni les mêmes indicateurs de plateforme. La conclusion la plus prudente est donc que l’essai a dépassé 50 000 milliards de tokens et suscité une demande exceptionnellement forte. 1
3
30
L’intérêt de ce test tient précisément à son caractère réel : avant même de connaître l’identité d’Ox Alpha, les utilisateurs ont généré un volume considérable de requêtes. Ils ont, en quelque sorte, voté avec leurs appels API.
Ce que Zhipu affirme au sujet des puces chinoises
Zhipu indique que les requêtes d’inférence ont été traitées par plus de 100 000 accélérateurs fabriqués en Chine. Après optimisation logicielle, l’entreprise affirme avoir atteint une efficacité matérielle et un coût par token comparables à ceux de processeurs graphiques Nvidia grand public pour ce type d’usage. 15
24
Les sources citées ne permettent toutefois pas d’identifier avec certitude les fournisseurs exacts. Huawei, Moore Threads et Hygon ont été évoqués dans des articles spécialisés comme contributeurs possibles, mais cette attribution n’a pas été confirmée par Zhipu et doit rester présentée comme une hypothèse. 30
40
La portée de l’annonce doit aussi être délimitée. Elle ne démontre pas que les puces chinoises égalent Nvidia sur tous les workloads, qu’elles ont remplacé Nvidia pour l’entraînement des modèles ou que leurs outils de développement offrent une équivalence générale avec l’écosystème CUDA. Elle apporte une preuve plus ciblée : un service d’inférence de grande ampleur peut fonctionner sur une infrastructure domestique non Nvidia lorsque le modèle, le moteur de service et le matériel sont optimisés conjointement.
Le rôle décisif du moteur d’inférence
Gérer une fenêtre de contexte pouvant atteindre un million de tokens impose de résoudre des problèmes complexes de mémoire, de bande passante, de communication entre puces et de planification des tâches. Pour y parvenir, Zhipu aurait développé un moteur d’inférence dédié à partir de SGLang, avec plusieurs techniques complémentaires :
- la quantification W8A8, destinée à réduire la pression sur le calcul et la mémoire ;
- une quantification mixte INT8, FP8 et BF16 pour le cache ;
- le parallélisme tensoriel à l’intérieur des nœuds ;
- une architecture Encode–Prefill–Decode (EPD), qui sépare l’encodage multimodal, le traitement initial de la requête et la génération token par token en groupes de ressources pouvant être dimensionnés indépendamment.
11
24
Selon Zhipu, cette approche a multiplié par environ trois les performances de service de bout en bout par rapport à une première configuration utilisant le même matériel. 24
26 La documentation publiée ensuite par SGLang fait également état de gains de débit et d’une capacité supérieure pour le cache FP8 par rapport à une configuration de comparaison en BF16. Elle ne constitue toutefois pas un audit indépendant du chiffre de trois fois avancé par Zhipu.
17
Pour Nvidia, le signal concerne donc surtout la place de CUDA dans l’inférence. Des noyaux spécialisés, la quantification, le parallélisme et une planification adaptée au modèle peuvent réduire la dépendance à CUDA pour certains services de production. Cela ne remet pas automatiquement en cause l’écosystème logiciel plus large de Nvidia, ses outils, sa base installée ou sa position dans l’entraînement des modèles.
Les caractéristiques de GLM-5.3-Flash
GLM-5.3-Flash est présenté comme un modèle clairsemé à mélange d’experts — ou MoE, pour Mixture of Experts — totalisant 320 milliards de paramètres, dont environ 18 milliards sont activés pour chaque token. Il prend en charge une fenêtre de contexte de 1 048 576 tokens et des entrées multimodales natives, ce qui le destine notamment aux documents très longs, au code et aux agents capables de conduire des tâches prolongées. 2
5
7
Le modèle aurait obtenu un score de 57 à l’Artificial Analysis Intelligence Index, à égalité avec Claude Opus 4.8. Il s’agit d’une égalité sur un indice composite précis, et non d’une preuve que les deux modèles affichent les mêmes résultats sur chaque benchmark, application ou tâche agentique. 9
Un prix agressif pour l’API
Zhipu a annoncé un tarif API de 0,15 dollar par million de tokens en entrée et de 0,50 dollar par million de tokens en sortie. 4
29 Des articles contemporains ont décrit GLM-5.3-Flash comme environ dix fois moins cher que GLM-5.3 et près de quarante fois moins cher que Claude Opus 4.8. Ces ratios dépendent toutefois du sens de facturation — entrée ou sortie —, du niveau de prix et de l’offre comparés.
1
4
L’enjeu commercial repose ainsi sur la combinaison de trois leviers : une architecture MoE relativement économe, une optimisation poussée du service d’inférence et une tarification basse. Le test Ox Alpha a montré que cet assemblage pouvait attirer une quantité massive de trafic avant même que le public ne connaisse le nom de Zhipu.
Il n’a pas démontré que l’entreprise avait résolu toutes les limites des puces ou des logiciels chinois. Il a en revanche fourni une démonstration à l’échelle de la production : en concevant ensemble le modèle, le moteur d’inférence et la pile matérielle, un acteur peut tirer beaucoup plus de valeur d’une infrastructure qui, prise isolément, n’aurait pas nécessairement les mêmes performances que celle de Nvidia.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Ox Alpha était GLM-5.3-Flash : ce que l’annonce de Zhipu AI change pour l’inférence » ?
Le 26 août 2026, Zhipu AI a confirmé que le mystérieux modèle Ox Alpha, aussi appelé « Niu Lai », était GLM 5.3 Flash.
Quels sont les points clés à valider en premier ?
Le 26 août 2026, Zhipu AI a confirmé que le mystérieux modèle Ox Alpha, aussi appelé « Niu Lai », était GLM 5.3 Flash. GLM 5.3 Flash est un modèle à mélange d’experts de 320 milliards de paramètres, dont environ 18 milliards sont activés pour chaque token, avec une fenêtre de contexte de 1 048 576 tokens.
Que dois-je faire ensuite en pratique ?
L’annonce ne prouve pas que les puces chinoises ont dépassé Nvidia dans tous les domaines : elle montre surtout qu’une optimisation logicielle poussée peut rendre viable, à grande échelle, une infrastructure d’inféren...
Sources
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