GLM-5.3-Flash: Model AI 320 Bilion Parameter yang Menyamar sebagai Ox Alpha

Pada 20 Ogos 2026, satu model AI percuma bernama Ox Alpha muncul di OpenRouter dan beberapa alat pembangun lain tanpa nama pengeluar, kad model atau helaian spesifikasi terperinci. Enam hari kemudian, Zhipu AI—yang beroperasi di peringkat antarabangsa sebagai Z.ai—mengakui bahawa Ox Alpha sebenarnya ialah GLM-5.3-Flash. 34

Pendedahan itu menamatkan misteri selama seminggu dan membawa kepada pelancaran model terbuka yang agak besar: sistem mixture-of-experts (MoE) dengan 320 bilion parameter keseluruhan, hanya 18 bilion parameter aktif bagi setiap token, konteks sekitar sejuta token, input multimodal asli dan pemberat yang dikeluarkan di bawah lesen MIT. 368

Bagaimana Ox Alpha mencetuskan perhatian?

Ox Alpha diperkenalkan secara “buta”—pengguna boleh mengujinya, tetapi tidak diberitahu siapa pembangunnya atau berapa besar model tersebut. Pembangun mula mencubanya untuk menulis kod, membina aliran kerja ejen dan memproses input visual. Prestasi praktikalnya menarik perhatian sehingga timbul spekulasi bahawa ia mungkin datang daripada makmal AI terkemuka. 1316

Menurut Zhipu, identiti dan spesifikasi model sengaja dirahsiakan supaya pembangun menilai hasil kerja model, bukan terpengaruh oleh reputasi jenama, jumlah parameter atau gembar-gembur pelancaran. Penggunaan sebenar itu turut memberi syarikat corak trafik dan maklum balas daripada tugasan pembangunan perisian serta ejen AI sebelum pengumuman rasmi. 1315

Laporan media menyebut kapasiti percuma sekitar 100 trilion token sehari sepanjang tempoh ujian. Patrick Collison, pengasas bersama Stripe, juga antara pembangun terkenal yang dilaporkan memuji kualiti model itu. Reaksi sedemikian membantu menjadikan endpoint tanpa nama tersebut sebagai pelancaran yang paling diperhatikan, walaupun pujian pengguna tidak sama dengan penilaian terkawal. 1314

Zhipu turut menyatakan bahawa perkhidmatan itu berjalan pada pemecut AI buatan China. South China Morning Post melaporkan penggunaan kelompok 100,000 cip sedemikian dan 62 trilion token yang diproses sebelum pelancaran rasmi. Angka kapasiti dan penggunaan berbeza mengikut laporan, jadi ia wajar dianggap sebagai angka yang dilaporkan syarikat atau media, bukannya ukuran yang diaudit secara bebas. 713

Apa yang ada di dalam GLM-5.3-Flash?

GLM-5.3-Flash ialah model mixture-of-experts, atau MoE. Ia mempunyai kumpulan 320 bilion parameter, tetapi hanya 18 bilion diaktifkan untuk menghasilkan setiap token. Secara ringkas, pendekatan ini cuba menawarkan kapasiti representasi model yang sangat besar tanpa menggunakan kesemua parameter pada setiap langkah inferens. 34

Model ini mempunyai 45 lapisan dan merupakan model pertama dalam siri GLM-5 yang digambarkan sebagai multimodal secara asli. Ia direka untuk mengendalikan teks, imej, video, dokumen visual, fail dan input multimodal yang diselang-seli. Keupayaan ini berguna apabila ejen perlu melihat antara muka, mentafsir tangkap layar, membaca dokumen atau menilai hasil kod—bukan sekadar memproses teks. 411

Zhipu mengiklankan 1,048,576 token, lazimnya diringkaskan sebagai konteks sejuta token. Ruang konteks ini menyasarkan repositori perisian yang besar, sesi ejen yang panjang, himpunan dokumen dan tugasan yang menggabungkan kod dengan bahan visual atau fail. 34

Model ini dilatih daripada asas baharu menggunakan seni bina dan resipi latihan yang direka semula. Zhipu melaporkan penggunaan korpus multimodal sebanyak 30 trilion token, menunjukkan bahawa GLM-5.3-Flash bukan sekadar versi GLM-5.3 yang dikecilkan, sebaliknya model baharu yang dibina dengan tumpuan pada kecekapan dan keupayaan multimodal. 416

Mengapa seni binanya dikatakan lebih cekap?

GLM-5.3-Flash menggabungkan perhatian linear dengan perhatian jarang. Perhatian linear bertujuan menjadikan pemprosesan hubungan jarak jauh dalam urutan lebih murah, manakala perhatian jarang memilih interaksi tertentu yang memerlukan ketepatan lebih tinggi. Gabungan ini direka untuk menyeimbangkan keupayaan konteks panjang dengan kos inferens yang lebih terkawal. 416

Zhipu turut memperkenalkan mekanisme IndexPool bagi mengurangkan beban memori dan kependaman ketika pengindeksan pada konteks yang sangat panjang. Seni bina itu juga menggunakan manifold-constrained hyper-connections sebagai satu lagi teknik untuk meningkatkan kecekapan penskalaan. Nilai sebenar teknik ini tetap bergantung pada konfigurasi pelayan, panjang urutan, perkakasan dan jenis beban kerja. 416

Berbanding GLM-5.3, Zhipu mendakwa GLM-5.3-Flash mengurangkan pengiraan perhatian sebanyak 3.01 kali ganda dan penggunaan cache KV sebanyak 4.44 kali ganda, sambil mengekalkan kualiti konteks panjang. Cache KV ialah memori yang menyimpan maklumat token terdahulu semasa model menjana jawapan; dalam ejen yang berjalan lama, penggunaan memori ini boleh menjadi kesesakan utama. Namun, nisbah tersebut datang terutamanya daripada bahan teknikal Zhipu sendiri dan tidak sepatutnya dianggap sebagai peningkatan kelajuan sejagat yang telah disahkan secara bebas. 4

Keupayaan dan keputusan penanda aras

Model ini terutama disasarkan kepada pengekodan, pengaturcaraan visual, tugasan ejen jangka panjang dan penggunaan alat. Keupayaan visual aslinya membolehkan ejen memerhati antara muka, hasil pemaparan dan maklum balas interaksi, lalu mewujudkan gelung kerja antara kod, pelayar web dan antara muka grafik. 4

Keputusan yang dilaporkan Zhipu termasuk:

• Terminal-Bench 2.1: 84.3
• DeepSWE v1.1: 63.4 Pass@1
• AutomationBench: 48.8
• NL2Repo: 56.3
• Toolathlon Verified: 78.4

Angka ini selari dengan kedudukan GLM-5.3-Flash sebagai model untuk kejuruteraan perisian dan ejen AI. Namun, perbandingan antara model perlu dibuat dengan berhati-hati kerana penanda aras ejen sangat dipengaruhi oleh arahan, alat, rangka kerja sokongan, perkakasan, had masa dan versi penilaian. Buat masa ini, angka tersebut paling tepat difahami sebagai keputusan yang dilaporkan Zhipu, bukannya ranking muktamad semua model pesaing. 415

Pemberat terbuka dan penggunaan sendiri

Zhipu menerbitkan pemberat GLM-5.3-Flash di Hugging Face di bawah lesen MIT, termasuk keluaran BF16. Dokumentasi model menyenaraikan sokongan penggunaan melalui rangka kerja seperti SGLang dan vLLM, membolehkan organisasi menjalankannya secara setempat atau mengurus pelayan sendiri tanpa bergantung sepenuhnya pada API Z.ai. 368

Keterbukaan ini memberi pembangun peluang untuk menguji model menggunakan repositori kod, dokumen, antara muka visual dan persekitaran ejen mereka sendiri. Pasukan infrastruktur juga boleh menilai kos penyajian dan keperluan perkakasan secara langsung.

Bagaimanapun, model ini bukan ringan secara automatik. Jumlah 320 bilion parameter masih menjadikan penggunaan checkpoint penuh satu tugasan kejuruteraan yang besar. Reka bentuk 18 bilion parameter aktif mengurangkan kerja pengiraan bagi setiap token, tetapi tidak menghapuskan keperluan memori dan perkakasan untuk memuatkan model tersebut.

Mengapa pelancaran tanpa nama ini penting?

Eksperimen Ox Alpha bukan sekadar aksi publisiti. Ia menguji sama ada pembangun akan terus menggunakan model apabila nama syarikat, jumlah parameter dan identitinya disembunyikan. Pengguna sebenar memberikan beban kerja serta reaksi sebelum pelancaran rasmi, lalu menghasilkan bentuk maklum balas produk yang jarang berlaku dalam industri AI. 1315

Namun, pendekatan ini mempunyai had. Akses percuma boleh menarik trafik luar biasa, pujian awam mungkin dipengaruhi faktor kebaharuan, dan ujian tanpa nama tidak semestinya mengawal arahan atau membandingkan semua model dalam keadaan yang sama.

Kesimpulan paling kukuh ialah GLM-5.3-Flash berjaya menarik minat besar daripada pembangun sebelum identitinya diketahui. Zhipu kemudian menggunakan minat dan maklum balas itu untuk menyokong pelancaran model terbuka tersebut. Penilaian bebas dan boleh diulang masih diperlukan untuk menentukan sejauh mana dakwaan seni bina, kecekapan dan penanda aras itu diterjemahkan kepada prestasi dalam pengeluaran.

Kesimpulan

GLM-5.3-Flash ialah identiti sebenar di sebalik Ox Alpha—model GLM terbuka dan multimodal asli yang dibina untuk pengekodan serta tugasan ejen. Spesifikasi utamanya ialah reka bentuk MoE 320 bilion parameter keseluruhan dengan 18 bilion parameter aktif, 45 lapisan, konteks sejuta token, perhatian linear dan jarang, serta pemberat berlesen MIT. 3411

Nilai utama model ini bukan semata-mata pada skala. Gabungan konteks panjang, input visual, penggunaan alat dan dakwaan kos penyajian yang lebih rendah—dalam model yang boleh dimuat turun dan dijalankan sendiri—itulah yang menjadikan GLM-5.3-Flash menarik perhatian. Ujian buta Ox Alpha pula memberikan maklum balas dunia sebenar yang luar biasa, tetapi belum menggantikan penilaian bebas untuk mengesahkan prestasi dalam penggunaan sebenar.