GLM-5.3-Flash: come il test anonimo Ox Alpha ha svelato un modello open da 320 miliardi di parametri

Per quasi una settimana, gli sviluppatori hanno potuto usare gratuitamente un modello multimodale senza sapere chi lo avesse creato. L’endpoint, chiamato Ox Alpha, è comparso il 20 agosto 2026 su OpenRouter e su altri strumenti per sviluppatori, senza un produttore dichiarato né una model card dettagliata. Il 26 agosto Zhipu AI — l’azienda che opera a livello internazionale anche con il marchio Z.ai — ha svelato l’identità: Ox Alpha era GLM-5.3-Flash. 34

La rivelazione ha trasformato un giallo nel mondo dell’intelligenza artificiale in un lancio importante per l’ecosistema dei modelli open. GLM-5.3-Flash è un sistema mixture-of-experts (MoE) da 320 miliardi di parametri complessivi, con soli 18 miliardi attivati per ogni token. Offre una finestra di contesto da circa un milione di token, capacità multimodali native e pesi distribuiti con licenza MIT. 368

Perché Ox Alpha aveva attirato tanta attenzione

All’apparenza, Ox Alpha era soltanto un endpoint gratuito e senza marchio. In pratica, offriva una finestra di contesto molto ampia e supportava input multimodali, spingendo gli sviluppatori a provarlo in attività di programmazione, automazione e utilizzo di agenti. Le prestazioni osservate nei flussi di lavoro reali alimentarono le ipotesi sull’identità del laboratorio responsabile. 1316

Zhipu ha spiegato che l’anonimato era intenzionale. Nascondendo nome, specifiche e azienda di provenienza, voleva che gli sviluppatori valutassero il modello sulla base dei risultati, senza lasciarsi influenzare dalla reputazione del marchio, dal numero di parametri o dal marketing del lancio. Il test ha inoltre permesso di raccogliere dati d’uso e feedback prima della pubblicazione ufficiale. 1315

Secondo diversi resoconti, durante la prova era disponibile una capacità gratuita di circa 100.000 miliardi di token al giorno. Tra gli sviluppatori che avrebbero espresso apprezzamento per il modello c’era anche Patrick Collison, cofondatore di Stripe, che lo avrebbe definito “molto impressionante”. Sono reazioni significative, ma non equivalgono a una valutazione controllata e replicabile. 1314

Zhipu ha inoltre dichiarato che il servizio funzionava su acceleratori cinesi prodotti internamente. Il South China Morning Post ha parlato di un cluster composto da 100.000 chip e di 62.000 miliardi di token elaborati prima del rilascio ufficiale. Le cifre sulla capacità e sull’utilizzo non coincidono in tutti i resoconti: vanno quindi considerate come dati riferiti dall’azienda o dai media, non come misurazioni sottoposte a verifica indipendente. 713

L’architettura di GLM-5.3-Flash spiegata in breve

GLM-5.3-Flash è un modello mixture-of-experts. Il suo insieme complessivo comprende 320 miliardi di parametri, ma soltanto 18 miliardi vengono attivati per ciascun token. L’obiettivo è combinare la capacità rappresentativa di un modello molto grande con un costo computazionale inferiore rispetto all’attivazione dell’intera rete a ogni passaggio. 34

Il modello ha 45 livelli ed è presentato come il primo modello nativamente multimodale della serie GLM-5. Può lavorare con testo, immagini, video, documenti visivi, file e input multimodali alternati. Questo tipo di integrazione è pensato per agenti che devono osservare un’interfaccia, interpretare uno screenshot, leggere un documento o verificare il risultato dell’esecuzione di codice, invece di limitarsi a elaborare testo. 411

Zhipu indica una finestra di contesto di 1.048.576 token, generalmente arrotondata a un milione. Una capacità simile può essere utile per analizzare repository software estesi, mantenere sessioni agentiche prolungate, elaborare grandi raccolte documentali o combinare codice, immagini e file nello stesso flusso di lavoro. 34

Secondo l’azienda, GLM-5.3-Flash è stato addestrato partendo da una nuova base, con architettura e ricetta di training riprogettate. Il corpus multimodale utilizzato conterrebbe 30.000 miliardi di token: il modello non viene quindi descritto come una semplice versione ridotta di GLM-5.3, ma come un progetto orientato fin dall’inizio a efficienza e multimodalità. 416

Come dovrebbe ridurre i costi di inferenza

L’architettura combina attenzione lineare e attenzione sparsa. La prima punta a rendere meno costosa l’elaborazione delle relazioni su sequenze molto lunghe; la seconda seleziona le interazioni che richiedono maggiore precisione. Il compromesso mira a mantenere le capacità sui contesti lunghi senza far crescere in modo eccessivo il costo di ogni richiesta. 416

Zhipu cita anche IndexPool, un meccanismo progettato per ridurre memoria e latenza associate all’indicizzazione quando la finestra di contesto raggiunge dimensioni elevate. L’architettura include inoltre connessioni iperboliche vincolate alla varietà (manifold-constrained hyper-connections) come ulteriore tecnica per migliorare l’efficienza dello scaling. Il beneficio concreto dipende comunque dalla configurazione del servizio, dalla lunghezza delle sequenze, dall’hardware e dal tipo di carico. 416

Rispetto a GLM-5.3, Zhipu dichiara una riduzione di 3,01 volte del calcolo dell’attenzione e di 4,44 volte dell’utilizzo della KV cache, mantenendo la qualità sui contesti lunghi. Per gli sviluppatori, questi aspetti sono importanti: il calcolo dell’attenzione e la memoria necessaria per la KV cache possono diventare colli di bottiglia nelle sessioni agentiche prolungate. I rapporti, tuttavia, provengono principalmente dalla documentazione tecnica di Zhipu e non rappresentano accelerazioni universali verificate da soggetti indipendenti. 4

A cosa serve: programmazione, agenti e interfacce visive

GLM-5.3-Flash è rivolto soprattutto alla programmazione, alla progettazione software con elementi visivi, agli agenti capaci di gestire attività articolate nel tempo e all’uso di strumenti esterni. Le capacità visive native dovrebbero consentire a un agente di osservare interfacce, risultati di rendering e feedback delle interazioni, creando un ciclo continuo tra codice, browser e interfacce grafiche. 4

I risultati pubblicati da Zhipu includono:

• Terminal-Bench 2.1: 84,3
• DeepSWE v1.1: 63,4 Pass@1
• AutomationBench: 48,8
• NL2Repo: 56,3
• Toolathlon Verified: 78,4

I punteggi sono coerenti con il posizionamento del modello nell’ambito dell’ingegneria del software e degli agenti. I confronti, però, richiedono cautela: i benchmark agentici possono variare sensibilmente in base a prompt, strumenti, scaffolding, hardware, limiti di tempo e versione della valutazione. È quindi più corretto leggere queste cifre come risultati dichiarati da Zhipu, non come una classifica definitiva di tutti i modelli concorrenti. 415

Pesi open e possibilità di esecuzione locale

Zhipu ha pubblicato i pesi di GLM-5.3-Flash su Hugging Face con la permissiva licenza MIT, inclusa una versione in formato BF16. La documentazione indica inoltre il supporto a framework di serving come SGLang e vLLM. Per le organizzazioni questo significa poter valutare il modello sui propri repository, documenti e ambienti agentici, con la possibilità di eseguirlo localmente o gestirne direttamente l’infrastruttura invece di dipendere soltanto dall’API ospitata da Z.ai. 368

L’apertura dei pesi cambia il quadro pratico, ma non elimina le difficoltà tecniche. Un checkpoint da 320 miliardi di parametri resta un progetto impegnativo da distribuire: i 18 miliardi attivi per token riducono il lavoro computazionale durante l’inferenza, ma non rendono automaticamente leggero l’intero modello né i requisiti di memoria.

Cosa dimostra davvero il lancio anonimo

L’esperimento Ox Alpha non è stato soltanto un’operazione promozionale. Ha verificato se gli sviluppatori avrebbero continuato a usare il modello anche senza conoscerne nome, dimensioni o azienda. In questo modo, Zhipu ha ottenuto traffico e reazioni da carichi di lavoro reali prima del lancio ufficiale. 1315

Il metodo presenta però limiti evidenti. L’accesso gratuito può generare volumi eccezionalmente elevati, l’entusiasmo pubblico può essere amplificato dall’effetto novità e un test anonimo non controlla prompt, strumenti o condizioni di confronto. La conclusione più solida è quindi circoscritta: GLM-5.3-Flash ha suscitato un interesse concreto tra gli sviluppatori prima che se ne conoscesse l’identità, e Zhipu ha usato quel riscontro per sostenere il rilascio del modello.

In sintesi

GLM-5.3-Flash è l’identità svelata di Ox Alpha: un modello GLM open-weight e nativamente multimodale, progettato per programmazione efficiente e attività agentiche. Le specifiche principali sono un’architettura MoE da 320B complessivi e 18B attivi, 45 livelli, una finestra da un milione di token, attenzione ibrida lineare e sparsa e pesi con licenza MIT. 3411

La promessa più importante non è soltanto la scala. È la combinazione di contesto lungo, input visivi, uso di strumenti e costi di serving dichiarati inferiori, all’interno di un modello che gli sviluppatori possono scaricare e gestire autonomamente. Il test alla cieca ha fornito un riscontro d’uso insolitamente diretto, ma servono ancora valutazioni indipendenti e riproducibili per capire quanto queste promesse si traducano in prestazioni affidabili in produzione.