Ox Alpha forklart: Det anonyme KI-underet med kontekstvindu på én million token

Ox Alpha (stealth/ox-alpha) var en anonym resonneringsmodell som dukket opp på OpenRouter 20. august 2026. OpenRouter beskrev den som en modell for effektiv koding, langvarig agentarbeid og produksjonsbruk, men oppførte leverandøren bare som «Stealth». Utvikleren hadde valgt å være anonym under forhåndsvisningen, og ingen selskaper hadde offentlig tatt eierskap til modellen innen rapporteringsskjæringspunktet 21. august. 72141

Kombinasjonen av gratis tilgang, multimodale inndata og et uvanlig stort kontekstvindu gjorde raskt Ox Alpha til et yndet testobjekt for utviklere. De første kodetestene var oppsiktsvekkende, men foreløpige. Det tilgjengelige grunnlaget tilsier derfor at Ox Alpha bør ses på som en lovende forhåndsvisning – ikke som en dokumentert totalvinner.

Spesifikasjonene som ble publisert

Modellen var gratis i en innledende forhåndsvisning som skulle vare omtrent én uke. Det oppgitte kontekstvinduet var 1 048 576 token, med en maksimal svarlengde på 131 072 token. Den tok imot tekst, bilder og video, og ble markedsført for koding og langvarige agentbaserte arbeidsflyter. 2122

Spesifikasjon	Oppgitt informasjon
Modell-ID	stealth/ox-alpha
Leverandør	Anonym «Stealth»-leverandør
Lanseringsdato	20. august 2026
Pris i forhåndsvisningen	Gratis
Kontekstvindu	1 048 576 token
Maksimalt svar	131 072 token
Inndata	Tekst, bilder og video
Tiltenkte bruksområder	Koding, langvarig agentarbeid og produksjonsoppgaver

Et kontekstvindu på denne størrelsen kan være nyttig når en modell skal håndtere store kodebaser, lange dokumenter eller agentøkter der mye arbeidsmateriale må holdes tilgjengelig. Men størrelsen på kontekstvinduet sier ikke i seg selv at modellen klarer å resonnere pålitelig over alt som legges inn. Kapasitet og faktisk ytelse er to forskjellige mål.

Den tidlige DeepSWE-testen var imponerende – men begrenset

Det som skapte mest oppmerksomhet, var en uavhengig kjøring av ti DeepSWE-oppgaver. Testen rapporterte et resultat på omtrent 80 prosent for Ox Alpha, sammenlignet med 65 prosent for Claude Fable 5 og 52 prosent for GPT-5.6 Sol. 611

Tallene tyder på at Ox Alpha gjorde det sterkt i akkurat dette testoppsettet, særlig på programvareoppgaver som krevde arbeid i reelle kodebaser og generering av fungerende endringer. De etablerer likevel ikke en endelig rangering:

• Testen omfattet bare ti oppgaver fra den bredere testen.
• Det var en uavhengig evaluering, ikke en offisiell modellinnsending.
• Resultatene var ikke bekreftet på den offisielle DeepSWE-resultatlisten.
• Små utvalg kan påvirkes betydelig av oppgavevalg, instruksjoner, modellinnstillinger og hvordan nesten riktige svar vurderes.

Rapporteringen slo uttrykkelig fast at Ox Alpha ikke var lagt til på den offisielle DeepSWE-listen. 12 Den mest nøkterne konklusjonen er derfor at modellen viste et sterkt tidlig signal – ikke at den endelig hadde slått alle sammenlignbare modeller i koding.

OpenCode og OpenRouter beskrev personvernet ulikt

Ox Alpha ble også distribuert gjennom OpenCode. I forhåndsvisningen oppga OpenCode at data ikke skulle lagres, og at leverandøren ikke ville bruke kundedata til trening. 4549

OpenRouter brukte en annen formulering: Der sto det at leverandøren oppbevarte ledetekster og svar, men ikke brukte dem til trening. 4354 Disse formuleringene kan ikke uten videre behandles som synonymer. «Brukes ikke til trening» betyr ikke nødvendigvis «lagres ikke», mens «ingen datalagring» er en sterkere påstand om oppbevaring.

For utviklere er den praktiske lærdommen enkel: Tilgangsveien er en del av personvernvurderingen. En policy som gjelder OpenCode, bør ikke automatisk antas å gjelde når den samme modellen brukes via OpenRouter eller en annen mellomtjeneste. Inntil den anonyme operatøren, lagringsvilkårene og betingelsene etter forhåndsvisningen er tydeligere, bør kildekode, tilgangsnøkler, interne dokumenter og andre hemmeligheter holdes ute av testene. 3248

Hvorfor mange mistenkte Zhipu AI eller Z.ai

Folk i KI-miljøet forsøkte å identifisere Ox Alpha ved hjelp av tekniske og atferdsmessige «fingeravtrykk». Rapporter pekte blant annet på likheter i tokenizer-oppførsel, tokenberegning, videokoder, svarstil og hvordan modellen håndterte ulike typer inndata. Flere analyser koblet sporene til Zhipu AI – også kjent som Z.ai – og GLM-familien. Spekulasjonene dreide seg særlig om en ikke-lansert multimodal variant av GLM-5.x. 1425

Dette var den ledende teorien, men bevisene var indirekte. Andre rapporter påpekte at den tilsynelatende kapasiteten som måtte til for å levere modellen, ikke passet helt med hypotesen. Zhipu AI hadde heller ikke offentlig bekreftet at selskapet bygget eller driftet Ox Alpha. 14

Forskjellen er viktig: Et teknisk fingeravtrykk kan tyde på felles komponenter, en beslektet modellfamilie eller en felles driftskonfigurasjon. Det er ikke det samme som en kunngjøring fra leverandøren. Påstander om nærmest sikre sannsynligheter for en bestemt GLM-versjon gikk lenger enn det som var uavhengig dokumentert i den tilgjengelige dekningen.

Xiaomi MiMo var en alternativ teori

Noen i miljøet foreslo Xiaomi-familien MiMo som en annen mulig kilde. Teorien var på et overordnet nivå plausibel, ettersom MiMo også forbindes med multimodale og kodeorienterte modeller. Det tilgjengelige materialet dokumenterte imidlertid ikke en slik kobling. 1

Den best underbygde formuleringen ved skjæringspunktet var derfor: GLM-familien fra Zhipu/Z.ai var den ledende hypotesen, Xiaomi MiMo var en alternativ teori, og den faktiske utvikleren var ukjent.

Et lanseringsmønster vi har sett før

Lanseringen av Ox Alpha minnet også om tidligere anonyme modelltester som i teknologimiljøer er blitt knyttet til kinesiske KI-laboratorier. En ofte nevnt parallell var Pony Alpha, en tidligere anonym modell som medieomtale koblet til Zhipus GLM-5 før modellen senere ble identifisert offentlig. 1454

Likheten ligger i fremgangsmåten: Et kapabelt endepunkt dukker opp under et midlertidig eller anonymt navn, utviklere tester det i stor skala, og operatøren kan samle inn tilbakemeldinger fra virkelige brukere før en offentlig merkevare knyttes til modellen. Det kan forklare strategien bak Ox Alpha, men beviser ikke at modellen hadde samme eier, arkitektur eller treningsopphav som Pony Alpha.

Konklusjonen

Ox Alpha var en uvanlig raus offentlig forhåndsvisning: omtrent én uke med gratis tilgang, et kontekstvindu på 1 048 576 token, svar på opptil 131 072 token og støtte for tekst, bilder og video. Det tidlige DeepSWE-resultatet på rundt 80 prosent var interessant, men bygget på bare ti oppgaver og var ikke en offisiell poengsum fra resultatlisten.

Den sterkeste teorien om opphavet knyttet modellen til et ikke-lansert GLM-system fra Zhipu AI/Z.ai. Xiaomi MiMo forble mulig, men ubekreftet. Personvernbildet var samtidig avhengig av hvilken tjeneste som ble brukt: OpenCode oppga ingen datalagring, mens informasjonen fra OpenRouter beskrev lagring hos leverandøren uten bruk til trening.

Før operatøren identifiserer seg og publiserer varige vilkår og bredere evalueringer, er Ox Alpha best egnet som et interessant eksperiment i et kontrollert og ikke-sensitivt testmiljø – ikke som en verifisert standard for produksjonsbruk.