Ox Alpha Ternyata GLM-5.3-Flash—Ini yang Benar dari Hype dan Benchmark-nya

Ox Alpha adalah pratinjau anonim yang berumur singkat untuk GLM-5.3-Flash, model dari keluarga GLM milik Z.ai. Model ini muncul di OpenRouter dan OpenCode pada 20 Agustus 2026 dengan nama penyedia “Stealth”. Spesifikasinya mencakup jendela konteks 1.048.576 token, input multimodal berupa teks, gambar, dan video, native tool calling, serta akses tanpa biaya selama masa pratinjau. Z.ai kemudian mengonfirmasi bahwa GLM-5.3-Flash sebelumnya diuji secara anonim dengan nama ox-alpha. 110

Peluncuran ini menjadi contoh menarik tentang bagaimana distribusi yang tepat, akses gratis yang sangat longgar, dan kemampuan yang dirancang untuk AI agent dapat membuat sebuah model viral sebelum pembuatnya menerbitkan model card atau catatan benchmark resmi.

Apa yang ditawarkan Ox Alpha?

Saat pertama muncul, Ox Alpha diposisikan sebagai model penalaran untuk pemrograman, pekerjaan agentik jangka panjang, dan beban kerja produksi. Spesifikasinya tergolong agresif untuk sebuah model yang tersedia gratis:

• ID model: stealth/ox-alpha
• Jendela konteks: 1.048.576 token
• Output maksimum: 131.072 token
• Input: teks, gambar, dan video
• Kemampuan: penalaran, native tool calling, dan structured output
• Harga selama pratinjau: $0 untuk token input maupun output

OpenRouter dan OpenCode memberikan informasi yang sedikit berbeda mengenai durasi akses gratis. OpenRouter menyebut periode yang lebih singkat untuk rute layanannya, sedangkan OpenCode menyatakan akses berlangsung sekitar satu minggu sejak 20 Agustus. Dengan demikian, batas waktunya kira-kira berada di antara 24 dan 27 Agustus, bukan satu tanggal berakhir yang berlaku universal. 2412

Konteks 1 juta token tidak otomatis membuat sebuah model lebih pintar. Namun, kapasitas sebesar itu mengubah jenis pekerjaan yang bisa dilakukan. AI agent untuk pemrograman dapat mempertahankan lebih banyak isi repositori, keluaran tool, log, dan konteks visual dalam satu sesi, tanpa terus-menerus meringkas atau membuang informasi lama. Dukungan input video juga membuka penggunaan untuk pengujian antarmuka dan alur kerja yang tidak terbatas pada pembuatan kode berbasis teks. 343

Mengapa perhatian developer meledak begitu cepat?

Daya tarik awal Ox Alpha bersifat praktis, bukan semata-mata spekulatif. Developer bisa mencoba model coding multimodal dengan konteks panjang dan akses tool tanpa membayar token. Hambatan untuk bereksperimen pun menjadi jauh lebih rendah, terutama bagi pembuat agent yang menguji perbaikan repositori, interaksi dengan browser, dan pekerjaan rekayasa perangkat lunak yang berlangsung lama.

Popularitasnya meningkat dalam waktu singkat. Ox Alpha sempat mengakhiri rangkaian 56 hari DeepSeek di posisi teratas peringkat OpenCode. Sejumlah laporan juga menyebut lonjakan penggunaan harian yang luar biasa. Namun, klaim kapasitas dan jumlah token yang beredar selama peluncuran tidak semuanya diaudit secara independen. Angka-angka tersebut lebih aman dibaca sebagai tanda tingginya minat, bukan ukuran pasti skala produksi. 114

Perbedaan ini penting. Popularitas selama uji coba gratis mencerminkan gabungan antara kemampuan, kebaruan, harga, dan ketersediaan. Popularitas saja tidak membuktikan bahwa sebuah model merupakan sistem terbaik secara keseluruhan.

Hasil DeepSWE menjanjikan, tetapi belum konklusif

Klaim yang paling banyak dibagikan adalah skor 80% di DeepSWE, yang berarti 8 dari 10 tugas berhasil diselesaikan. Hasil ini memang menarik, tetapi sampel 10 tugas terlalu kecil untuk menjadi dasar pemeringkatan yang stabil. Evaluasi yang lebih besar dilaporkan menghasilkan sekitar 63%, sementara angka resmi Z.ai untuk GLM-5.3-Flash adalah 63,4% pada DeepSWE v1.1. 7634

Penilaian dengan proses penuh menghasilkan angka yang lebih rendah, termasuk laporan 58,4% dari 113 tugas. Evaluasi tersebut menyebut sebagian kegagalan berkaitan dengan format output dan persoalan implementasi. Hal ini menunjukkan bahwa benchmark untuk AI agent sangat sensitif terhadap konfigurasi harness, akses tool, batas waktu, dan kriteria keberhasilan. 4142

Kesimpulan yang paling hati-hati adalah: Ox Alpha menunjukkan kemampuan kuat untuk coding agent dan dalam sejumlah evaluasi berada di kisaran model tertutup terkemuka. Namun, bukti yang tersedia tidak membuktikan bahwa model ini secara konsisten mengungguli Claude Fable 5 atau seluruh model frontier lainnya.

Mengapa perbandingan dengan Claude tampak bertentangan?

Perbandingan tersebut menggunakan subset tugas, scaffolding agent, dan kondisi evaluasi yang berbeda. Sampel awal berisi 10 tugas bisa menghasilkan skor 80% tanpa benar-benar mewakili keseluruhan benchmark. Pengujian yang lebih besar dengan hasil sekitar 63% memberikan gambaran berbeda, sementara skor sekitar 58,4% dapat mencakup penalti tambahan akibat format output atau perilaku harness.

Tim DeepSWE kemudian dilaporkan menilai kemampuan keseluruhan model ini lebih kurang sebanding dengan Claude Opus 4.8, bukan sebagai bukti definitif bahwa Ox Alpha melampaui Claude Fable 5. Karena itu, angka benchmark sebaiknya selalu disertai informasi tentang cakupan dan konfigurasi pengujiannya. Skor dari berbagai eksperimen tidak bisa diperlakukan sebagai angka yang setara dalam satu papan peringkat yang bersih. 35

Mengapa developer ternama memujinya?

Antusiasme dari sejumlah pengguna terkenal sejalan dengan profil penggunaan Ox Alpha. Patrick Collison menyebutnya “very impressive” setelah mencoba model tersebut melalui agent harness. Pendiri HermesAgent juga mengatakan bahwa performanya melampaui beberapa standar evaluasi internal tim mereka. 3335

Komentar tersebut berharga sebagai laporan pengalaman langsung, khususnya untuk pekerjaan coding dan agent. Namun, komentar itu bukan pengganti kesimpulan terkontrol lintas benchmark bahwa Ox Alpha unggul secara universal.

Sebuah model bisa sangat berguna dalam alur kerja tertentu karena konteksnya panjang, perilaku pemanggilan tool yang baik, kecepatan, dukungan multimodal, atau biayanya rendah—meskipun posisi agregatnya di benchmark masih belum pasti.

Bagaimana komunitas melacak identitasnya?

Sebelum pengumuman resmi, peneliti dan developer membandingkan perilaku Ox Alpha dengan beberapa kandidat, termasuk tim MiMo milik Xiaomi, Google DeepMind, dan Zhipu AI.

Xiaomi dan MiMo

Xiaomi dianggap sebagai kandidat yang masuk akal karena tim MiMo sebelumnya pernah menguji model anonim bernama “Hunter Alpha”. Namun, terdapat perbedaan kemampuan yang cukup mencolok. Model MiMo dikaitkan dengan dukungan audio, sementara Ox Alpha menerima teks, gambar, dan video, tetapi tidak menerima input audio. Xiaomi pun menjadi hipotesis menarik, bukan atribusi yang kuat. 2229

Google DeepMind

Petunjuk dan unggahan media sosial yang dikaitkan dengan Google turut memicu spekulasi. Namun, bukti yang tersedia tidak menunjukkan bahwa DeepMind membangun atau mengoperasikan endpoint tersebut. Petunjuknya tetap bersifat tidak langsung.

Jejak GLM

Bukti pra-pengungkapan yang paling kuat mengarah ke keluarga GLM milik Zhipu. Pengujian komunitas melaporkan bahwa jumlah token Ox Alpha cocok dengan perilaku GLM-5.3 pada beragam prompt, dengan pengecualian berupa offset tetap sekitar 75 token. Pengujian video terpisah juga menemukan pola konsumsi token yang sesuai dengan model vision GLM dalam beberapa karakteristik encoding. 1821

Petunjuk lain yang dilaporkan antara lain:

• error reasoning_effort yang menyerupai respons API GLM;
• prompt berbahasa Mandarin yang muncul dalam sebagian kegagalan pemrosesan gambar;
• perilaku tokenisasi video yang konsisten dengan model multimodal Zhipu; dan
• nama “Ox Alpha” yang oleh sebagian pengamat dikaitkan dengan istilah “Pony Alpha” milik Zhipu. 212629

Setiap petunjuk secara terpisah masih bisa dijelaskan oleh routing, wrapper, infrastruktur bersama, atau peniruan. Namun, jika digabungkan, teori GLM menjadi semakin meyakinkan. Meski begitu, semua itu belum menggantikan pernyataan resmi. Bukti penentu datang ketika Z.ai mengidentifikasi Ox Alpha sebagai GLM-5.3-Flash dan mendokumentasikan peluncuran model dengan nama tersebut. 1043

Apa yang berubah setelah identitasnya terungkap?

Pengungkapan tersebut mengubah Ox Alpha dari teka-teki atribusi menjadi pratinjau produk. Dokumentasi Z.ai menjelaskan bahwa GLM-5.3-Flash merupakan model hibrida dengan 320 miliar parameter total dan 18 miliar parameter aktif. Model ini juga memiliki kemampuan visual bawaan untuk mengamati antarmuka, melihat hasil render, dan membaca umpan balik interaksi—membentuk siklus tertutup antara kode, browser, dan GUI. 43

Rilis resmi juga menjawab kelemahan utama endpoint anonim: ketidakpastian mengenai keberlanjutan layanan. GLM-5.3-Flash dilaporkan dirilis dengan lisensi MIT, sementara bobotnya tersedia bagi developer yang menginginkan kendali lebih besar atas penerapan model. 1950

Meski demikian, lisensi MIT tidak berarti setiap penerapan otomatis aman atau murah. Developer tetap perlu menilai kebutuhan perangkat keras, performa inferensi, ketentuan API, perlindungan data dan privasi, batas laju, keandalan pemanggilan tool, serta konsistensi output untuk beban kerja masing-masing.

Apa yang menentukan apakah GLM-5.3-Flash akan bertahan?

Akses gratis berhasil menciptakan perhatian, tetapi adopsi jangka panjang akan ditentukan oleh faktor produk yang lebih tahan lama:

1. Ekonomi: Harga API berbayar harus tetap kompetitif dibandingkan model coding lain yang mumpuni.
2. Keandalan: Developer membutuhkan uptime stabil, batas laju yang dapat diprediksi, dan pemanggilan tool yang konsisten.
3. Privasi: Tim harus memahami bagaimana prompt, kode, dan input visual disimpan atau digunakan.
4. Reproduksibilitas: Evaluasi independen perlu menjelaskan performa model dalam benchmark lengkap dan aplikasi nyata.
5. Pilihan deployment: Bobot berlisensi MIT dan opsi self-hosting dapat mengurangi ketergantungan pada rute hosted sementara, selama tim mampu memenuhi kebutuhan operasionalnya.

Pelajaran utama dari Ox Alpha bukan sekadar bahwa model anonim ini sempat mengalahkan pesaing terkenal. Kisahnya menunjukkan bahwa desain alur kerja yang menarik dapat membuat sebuah model menyebar sangat cepat ketika developer bisa mengujinya dalam skala besar.

Cerita benchmark-nya ternyata lebih bernuansa daripada judul-judul viral pertama. Namun, kombinasi konteks panjang, multimodalitas, pemakaian tool, coding agent, dan akses berbiaya rendah memang cukup kuat untuk menjelaskan mengapa model ini mendapat perhatian. Setelah identitasnya dipastikan sebagai GLM-5.3-Flash, tantangan berikutnya adalah membuktikan apakah kombinasi tersebut tetap bernilai ketika faktor kebaruan dan akses gratis sudah tidak lagi menjadi daya tarik utama.