一场匿名测试，最终指向智谱

8 月 26 日，智谱 AI（国际品牌为 Z.ai）确认，近期在开发者平台上突然走红的匿名模型“Ox Alpha”，就是 GLM-5.3-Flash。中文社区此前常称它为“牛来”。这款模型在正式亮相前，以不带公司标识的方式部署在 OpenRouter 和 OpenCode 上，进行了一轮近似“盲测”的公开试用。146

智谱同时将 GLM-5.3-Flash 定位为开放权重、原生多模态的混合专家模型，并公布了后续定价。模型支持文本、图片、视频和文件等输入，面向长上下文与高吞吐推理场景。

五天超过 50 万亿 Token，六天突破 60 万亿

匿名测试的最大看点，是它在短时间内吸引了异常庞大的真实使用量。相关报道显示，Ox Alpha 在 OpenRouter 和 OpenCode 上线后，五天内的调用量超过 50 万亿 Token；随后披露的统计显示，六天累计调用量超过 60 万亿 Token，并登上两个平台的用量榜首。其峰值使用量据报一度超过同类 DeepSeek 产品的两倍。3

这些数字反映的是平台上的 Token 处理量，并不等同于用户人数，也不能单凭调用量证明模型在所有任务上都优于竞争对手。它们更直接说明：一个尚未公开身份、价格接近免费的模型，能够在全球开发者社区中迅速获得大规模试用。

关键披露：推理服务使用国产芯片

智谱称，Ox Alpha 匿名测试期间的推理服务完全运行在一个由超过 10 万枚中国制造 AI 芯片组成的集群上。公司还表示，在完成软件优化后，这套系统的硬件效率和单 Token 成本已经达到主流英伟达 GPU 的可比水平。36

不过，智谱没有公开确认芯片的具体型号或供应商。有关华为、摩尔线程和海光可能参与供应的说法，属于媒体报道或行业猜测，不能视为智谱的正式确认。40

这项披露的意义需要准确理解：它并不能证明国产 AI 芯片在所有场景下已经全面追平英伟达，也不能推出国产芯片的推理成本普遍等同于英伟达 GPU。更稳妥的结论是，在针对特定模型、特定服务规模进行系统级优化后，非英伟达的国产硬件栈确实能够承载一次大规模、真实世界的全球推理负载。36

软件工程，可能比单看芯片参数更关键

为了应对 GLM-5.3-Flash 的超长上下文和大规模并发，智谱据报基于 SGLang 打造了专用推理引擎，并采用多种软硬件协同优化方案，包括：

• W8A8 量化；
• INT8、FP8 与 BF16 混合缓存量化；
• 节点内张量并行；
• 将 Encode、Prefill、Decode 拆分为可独立扩展的资源池，即 EPD 架构。47

这些技术主要用于缓解显存容量、内存带宽、芯片间通信和任务调度等瓶颈。尤其是在最大约 100 万 Token 的上下文窗口下，缓存管理与数据搬运往往和原始算力同样重要。

智谱据报称，这些改动让端到端服务性能相较初始基线提升约三倍。SGLang 后续文档也展示了更高的吞吐量，以及 FP8 缓存池相较 BF16 对比配置更大的容量；但这份文档并不是对智谱“三倍提升”说法的独立审计。2

这对英伟达 CUDA 生态的启示是：在部分生产级推理任务中，针对模型定制的软件栈和推理引擎，可能降低对 CUDA 的依赖。但 CUDA 在开发工具、生态系统、开发者基础和模型训练方面的优势并未因此消失，现有证据也不足以支持“国产芯片已取代 CUDA”这样的更强结论。

GLM-5.3-Flash 的规格与表现

GLM-5.3-Flash 采用稀疏混合专家架构，总参数量为 3200 亿，每个 Token 实际激活约 180 亿参数，并支持 1,048,576 个 Token 的上下文窗口。57

它还被定位为 GLM-5 系列首款原生多模态模型，也就是说，多模态能力被纳入模型本身，而不是在语言模型之外简单叠加一层视觉或视频模块。45

在 Artificial Analysis Intelligence Index 这一综合指标上，GLM-5.3-Flash 的报告得分为 57，与 Claude Opus 4.8 的报告得分相同。1这只能说明两者在该综合指数上处于相同分数水平，并不意味着它们在每项基准测试、每类真实任务或智能体应用中的表现完全相等。

产品定位上，智谱希望它与 DeepSeek V4 Flash、DeepSeek V4 Pro 等高效率、前沿级模型竞争，同时通过更低价格吸引开发者。现有材料不足以核实它与这两款 DeepSeek 模型逐项基准测试的完整对比，因此不宜把“竞争”直接解读为全面性能领先。

定价：每百万 Token 低至 0.15 美元

智谱公布的 API 价格为：

• 输入：每百万 Token 0.15 美元；
• 输出：每百万 Token 0.50 美元。1

报道将这一价格描述为 GLM-5.3 价格的大约十分之一，以及 Claude Opus 4.8 的约四十分之一。但这类倍数会受到输入或输出方向、上下文长度档位和具体计费方案影响，因此应视为近似比较，而非适用于所有场景的固定比例。1

总体而言，“牛来”事件真正值得关注的地方，不只是匿名模型最终被确认属于智谱，也不只是一次低价模型发布，而是它展示了大模型推理竞争的另一条路径：模型架构、量化方法、并行策略、缓存管理和芯片适配能力，正在共同决定一项 AI 服务能否以低成本承受全球级流量。

一场匿名测试，最终指向智谱

8 月 26 日，智谱 AI（国际品牌为 Z.ai）确认，近期在开发者平台上突然走红的匿名模型“Ox Alpha”，就是 GLM-5.3-Flash。中文社区此前常称它为“牛来”。这款模型在正式亮相前，以不带公司标识的方式部署在 OpenRouter 和 OpenCode 上，进行了一轮近似“盲测”的公开试用。146

智谱同时将 GLM-5.3-Flash 定位为开放权重、原生多模态的混合专家模型，并公布了后续定价。模型支持文本、图片、视频和文件等输入，面向长上下文与高吞吐推理场景。

五天超过 50 万亿 Token，六天突破 60 万亿

匿名测试的最大看点，是它在短时间内吸引了异常庞大的真实使用量。相关报道显示，Ox Alpha 在 OpenRouter 和 OpenCode 上线后，五天内的调用量超过 50 万亿 Token；随后披露的统计显示，六天累计调用量超过 60 万亿 Token，并登上两个平台的用量榜首。其峰值使用量据报一度超过同类 DeepSeek 产品的两倍。3

这些数字反映的是平台上的 Token 处理量，并不等同于用户人数，也不能单凭调用量证明模型在所有任务上都优于竞争对手。它们更直接说明：一个尚未公开身份、价格接近免费的模型，能够在全球开发者社区中迅速获得大规模试用。

关键披露：推理服务使用国产芯片

智谱称，Ox Alpha 匿名测试期间的推理服务完全运行在一个由超过 10 万枚中国制造 AI 芯片组成的集群上。公司还表示，在完成软件优化后，这套系统的硬件效率和单 Token 成本已经达到主流英伟达 GPU 的可比水平。36

不过，智谱没有公开确认芯片的具体型号或供应商。有关华为、摩尔线程和海光可能参与供应的说法，属于媒体报道或行业猜测，不能视为智谱的正式确认。40

这项披露的意义需要准确理解：它并不能证明国产 AI 芯片在所有场景下已经全面追平英伟达，也不能推出国产芯片的推理成本普遍等同于英伟达 GPU。更稳妥的结论是，在针对特定模型、特定服务规模进行系统级优化后，非英伟达的国产硬件栈确实能够承载一次大规模、真实世界的全球推理负载。36

软件工程，可能比单看芯片参数更关键

为了应对 GLM-5.3-Flash 的超长上下文和大规模并发，智谱据报基于 SGLang 打造了专用推理引擎，并采用多种软硬件协同优化方案，包括：

• W8A8 量化；
• INT8、FP8 与 BF16 混合缓存量化；
• 节点内张量并行；
• 将 Encode、Prefill、Decode 拆分为可独立扩展的资源池，即 EPD 架构。47

这些技术主要用于缓解显存容量、内存带宽、芯片间通信和任务调度等瓶颈。尤其是在最大约 100 万 Token 的上下文窗口下，缓存管理与数据搬运往往和原始算力同样重要。

智谱据报称，这些改动让端到端服务性能相较初始基线提升约三倍。SGLang 后续文档也展示了更高的吞吐量，以及 FP8 缓存池相较 BF16 对比配置更大的容量；但这份文档并不是对智谱“三倍提升”说法的独立审计。2

这对英伟达 CUDA 生态的启示是：在部分生产级推理任务中，针对模型定制的软件栈和推理引擎，可能降低对 CUDA 的依赖。但 CUDA 在开发工具、生态系统、开发者基础和模型训练方面的优势并未因此消失，现有证据也不足以支持“国产芯片已取代 CUDA”这样的更强结论。

GLM-5.3-Flash 的规格与表现

GLM-5.3-Flash 采用稀疏混合专家架构，总参数量为 3200 亿，每个 Token 实际激活约 180 亿参数，并支持 1,048,576 个 Token 的上下文窗口。57

它还被定位为 GLM-5 系列首款原生多模态模型，也就是说，多模态能力被纳入模型本身，而不是在语言模型之外简单叠加一层视觉或视频模块。45

在 Artificial Analysis Intelligence Index 这一综合指标上，GLM-5.3-Flash 的报告得分为 57，与 Claude Opus 4.8 的报告得分相同。1这只能说明两者在该综合指数上处于相同分数水平，并不意味着它们在每项基准测试、每类真实任务或智能体应用中的表现完全相等。

产品定位上，智谱希望它与 DeepSeek V4 Flash、DeepSeek V4 Pro 等高效率、前沿级模型竞争，同时通过更低价格吸引开发者。现有材料不足以核实它与这两款 DeepSeek 模型逐项基准测试的完整对比，因此不宜把“竞争”直接解读为全面性能领先。

定价：每百万 Token 低至 0.15 美元

智谱公布的 API 价格为：

• 输入：每百万 Token 0.15 美元；
• 输出：每百万 Token 0.50 美元。1

报道将这一价格描述为 GLM-5.3 价格的大约十分之一，以及 Claude Opus 4.8 的约四十分之一。但这类倍数会受到输入或输出方向、上下文长度档位和具体计费方案影响，因此应视为近似比较，而非适用于所有场景的固定比例。1

总体而言，“牛来”事件真正值得关注的地方，不只是匿名模型最终被确认属于智谱，也不只是一次低价模型发布，而是它展示了大模型推理竞争的另一条路径：模型架构、量化方法、并行策略、缓存管理和芯片适配能力，正在共同决定一项 AI 服务能否以低成本承受全球级流量。