Ox Alpha förklarad: vad vi vet om den anonyma AI-modellen

Ox Alpha (stealth/ox-alpha) var en anonym resonemangsmodell som dök upp på OpenRouter den 20 augusti 2026. OpenRouter beskrev den som en modell för effektiv programmering, långvarigt agentarbete och användning i produktion, men angav bara leverantören ”Stealth”. Utvecklaren hade valt att förbli anonym under förhandsvisningen, och ingen organisation hade offentligt tagit på sig ansvaret när rapporteringen sammanställdes den 21 augusti. 72141

Kombinationen av kostnadsfri åtkomst, multimodala indata och ett ovanligt stort kontextfönster gjorde snabbt modellen intressant för utvecklare. De första kodtesterna såg lovande ut, men underlaget är fortfarande för tunt för att utse Ox Alpha till en verifierad totalvinnare.

Ox Alphas publicerade specifikationer

Modellen erbjöds utan kostnad under en inledande förhandsperiod på ungefär en vecka. Det angivna kontextfönstret var 1 048 576 token, medan den maximala utmatningen var 131 072 token. Ox Alpha kunde ta emot text, bilder och video och marknadsfördes för programmering och långvariga agentarbetsflöden. 2122

Specifikation	Uppgift
Modell-ID	stealth/ox-alpha
Leverantör	Anonym ”Stealth”-leverantör
Lanseringsdatum	20 augusti 2026
Pris under förhandsvisningen	Kostnadsfritt
Kontextfönster	1 048 576 token
Maximal utmatning	131 072 token
Indata	Text, bild och video
Avsedda användningsområden	Programmering, långvarigt agentarbete och produktionsarbetslaster

Ett kontextfönster i den här storleksordningen kan vara användbart för uppgifter som omfattar hela kodbaser, långa dokument eller agentsessioner där mycket arbetsmaterial behöver finnas kvar. Storleken säger däremot inte i sig att modellen hanterar allt innehåll tillförlitligt. Kontextkapacitet och praktisk prestanda är två olika saker.

Det tidiga DeepSWE-resultatet var uppseendeväckande – men begränsat

Det som väckte mest uppmärksamhet var ett oberoende test av tio DeepSWE-uppgifter. Där rapporterades Ox Alpha ha nått omkring 80 procent, jämfört med 65 procent för Claude Fable 5 och 52 procent för GPT-5.6 Sol. 611

DeepSWE är ett test för långvariga mjukvaruuppgifter, där modeller bland annat ska förstå riktiga kodbaser och skapa fungerande ändringar. Resultatet antyder att Ox Alpha presterade starkt i just den aktuella testmiljön. Det räcker däremot inte för att fastställa en generell ranking, av flera skäl:

• Testet omfattade bara tio uppgifter ur ett större benchmark.
• Det var en oberoende utvärdering, inte en officiell modellinsändning.
• Resultatet hade inte verifierats på DeepSWEs officiella topplista.
• Små urval påverkas lätt av uppgiftsval, promptar, modellinställningar och hur nästan rätt svar bedöms.

Rapporteringen noterade uttryckligen att Ox Alpha ännu inte hade lagts till på DeepSWEs officiella leaderboard. 12 Den rimligaste slutsatsen är därför att modellen visade en stark tidig signal – inte att den slutgiltigt hade gått om alla jämförelsemodeller inom programmering.

OpenCode och OpenRouter beskrev integriteten på olika sätt

Ox Alpha distribuerades också via OpenCode. I OpenCodes information om förhandsversionen angavs noll datalagring och att leverantören inte skulle använda kunddata för träning. 4549

OpenRouters modellbeskrivning använde en annan formulering: där stod att meddelanden och svar sparades av leverantören, men inte användes för träning. 4354 Påståendena bör inte behandlas som synonymer. ”Används inte för träning” innebär inte nödvändigtvis ”sparas inte”, medan ”noll datalagring” är ett starkare påstående om lagring.

För utvecklare är slutsatsen enkel: åtkomstvägen är en del av integritetsbedömningen. Villkor som gäller via OpenCode bör inte automatiskt antas gälla när samma modell används genom OpenRouter eller en annan mellanhand. Så länge den anonyma operatören, lagringsvillkoren och reglerna efter förhandsperioden är oklara bör känslig källkod, lösenord, företagsdokument och andra hemligheter hållas borta från testpromptar. 3248

Varför många misstänkte Zhipu AI eller Z.ai

Forskare och entusiaster försökte identifiera Ox Alpha genom så kallade tekniska fingeravtryck. Rapporter pekade bland annat på likheter i tokenizerbeteende, tokenräkning, videoenkodning, svarsstil och hur modellen hanterade vissa typer av indata. Flera analyser kopplade ledtrådarna till Zhipu AI, även känt som Z.ai, och företagets GLM-familj. Spekulationerna fokuserade särskilt på en ännu inte lanserad multimodal GLM-5.x-variant. 1425

Det var den ledande teorin, men bevisningen var indirekt. Annan rapportering framhöll dessutom att den till synes tillgängliga serverkapaciteten inte passade helt väl med slutsatsen. Zhipu AI hade inte officiellt bekräftat att företaget byggde eller drev Ox Alpha. 14

Skillnaden är viktig: ett tekniskt fingeravtryck kan tyda på gemensamma komponenter, en besläktad modellfamilj eller en gemensam servermiljö. Det är inte samma sak som ett besked från leverantören. Påståenden om nästan säker identifiering av en specifik GLM-version gick längre än vad den oberoende rapporteringen hade fastställt.

Xiaomi MiMo var en alternativ teori

I communitydiskussioner nämndes även Xiaomis MiMo-familj som en möjlig källa. Teorin var på en övergripande nivå rimlig eftersom MiMo också förknippas med multimodala och programmeringsinriktade modeller, men det tillgängliga underlaget visade inte att Ox Alpha faktiskt kom från Xiaomi. 1

Vid den aktuella tidpunkten var den mest försiktiga formuleringen därför: Zhipu AI/Z.ai:s GLM-familj var den ledande hypotesen, Xiaomi MiMo var ett alternativ och den verkliga utvecklaren var okänd.

Ett lanseringsmönster som påminner om Pony Alpha

Ox Alphas lansering påminde också om tidigare anonyma modelltester som i communitydiskussioner kopplats till kinesiska AI-laboratorier. Ett ofta nämnt exempel var Pony Alpha, en tidigare anonym lansering som rapporteringen senare förknippade med Zhipus GLM-5 innan modellen identifierades offentligt. 1454

Likheten ligger i lanseringsstrategin: en kraftfull modell dyker upp under ett tillfälligt eller anonymt namn, utvecklare börjar använda den i stor skala och operatören kan samla in verklig feedback innan ett offentligt varumärke kopplas till modellen. Mönstret kan förklara Ox Alphas upplägg, men bevisar inte att modellen hade samma ägare, arkitektur eller träningsdata som Pony Alpha.

Slutsats

Ox Alpha var en verklig och ovanligt generös offentlig förhandsversion: kostnadsfri åtkomst i ungefär en vecka, ett kontextfönster på 1 048 576 token, maximalt 131 072 token i utmatning och stöd för text, bild och video. Det tidiga DeepSWE-resultatet på omkring 80 procent var anmärkningsvärt, men byggde på endast tio uppgifter och var inte ett officiellt leaderboard-resultat.

Den starkaste teorin om ursprunget kopplade modellen till ett ännu inte lanserat GLM-system från Zhipu AI/Z.ai. Xiaomi MiMo förblev en möjlig men obekräftad alternativ förklaring. Integritetsbilden berodde dessutom på åtkomstvägen: OpenCode uppgav noll datalagring, medan OpenRouter beskrev lagring hos leverantören utan användning för träning.

Tills operatören identifierar sig och publicerar mer långsiktiga villkor och bredare utvärderingar bör Ox Alpha därför ses som ett intressant experiment för kontrollerade tester med icke-känsligt material – inte som en verifierad produktionsstandard.