2026 年 8 月 26 日，智譜 AI（國際品牌為 Z.ai）終於揭開匿名模型「Ox Alpha」的身份。中國開發者社群稱它為「牛來」，而智譜確認，這款模型其實是 GLM 系列最新的開放權重、原生多模態模型 GLM-5.3-Flash。115

今次事件之所以引起關注，除了模型本身，還因為智譜同時公布了一項規模相當大的推理基建數據：Ox Alpha 在 OpenRouter 及 OpenCode 免費匿名測試期間，5 日內處理超過 5 萬億個 Token；公司又稱，相關流量完全由超過 10 萬張中國製 AI 加速芯片承載。815

一場沒有品牌加持的真實壓力測試

Ox Alpha 最初沒有展示智譜或 Z.ai 的標誌，開發者只能透過日常使用來判斷它的表現，而不是先看品牌、發布會或硬件配置。模型很快登上 OpenRouter 和 OpenCode 的用量榜首，令這次匿名測試變成一場接近「用家用腳投票」的實戰考驗。1330

部分後續報道把總流量推算至 6 日超過 60 萬億 Token，亦有報道指 OpenRouter 的使用量一度超過可比 DeepSeek 流量兩倍。由於不同平台採用的統計口徑和時間窗口並不一樣，較穩妥的說法是：測試至少超過 50 萬億 Token，並吸引了異常龐大的開發者需求。1330

這個細節很重要。當模型身份仍然保密時，用家主要是根據輸出質素、速度、穩定性、可用性和價格決定會否繼續使用，而不是因為支持智譜的品牌或認同其芯片路線。

「國產芯片媲美 Nvidia」應該點樣理解？

智譜表示，線上推理工作負載由超過 10 萬張中國製加速芯片運行；經過軟件優化後，硬件效率及每個 Token 的成本，已達到與主流 Nvidia GPU 相若的水平。1524

不過，智譜在相關材料中沒有公開點名確實供應商。業界報道曾提到華為、摩爾線程及海光可能參與其中，但目前未獲智譜正式確認，不能當作已證實的供應鏈名單。3040

更關鍵的是，這項聲明需要「對焦」解讀。它並不代表：

• 中國製 AI 芯片在所有工作負載上都已追上 Nvidia；
• 國產硬件已全面取代 Nvidia 的訓練或推理平台；或
• 兩個硬件生態系統在開發工具、軟件支援和部署便利度上完全等價。

它較具體地證明了另一件事：只要模型架構、推理引擎及芯片硬件一同調校，大型線上推理服務可以建基於非 Nvidia 的國產芯片堆棧運作。這是系統工程上的成果，但不是對整個 Nvidia 競爭優勢的全面判決。

1 百萬 Token 上下文，靠的是推理軟件功夫

GLM-5.3-Flash 原生支援 1,048,576 Token 上下文。對推理服務來說，這意味着更高的記憶體容量、記憶體頻寬、芯片之間的通信及任務調度要求。智譜據報以 SGLang 為基礎建立專用推理引擎，並加入多項優化技術：1124

• W8A8 量化，減低計算及記憶體壓力；
• 混合 INT8、FP8 及 BF16 的快取量化；
• 節點內張量並行；以及
• Encode–Prefill–Decode（EPD）分離架構，把多模態編碼、Prompt 預填充及逐 Token 生成拆成可獨立調度和擴縮的工作池。1124

簡單講，系統不再把所有處理階段綁在同一組資源上，而是按不同工作階段的計算特性分開部署，務求更有效利用頻寬、記憶體和計算能力。

智譜表示，這套方案在同一批硬件上，令端到端服務性能較最初基線提升約 3 倍。2426 SGLang 其後的文件亦公布，相對 BF16 比較配置，FP8 快取容量及吞吐量有進一步改善；但這些文件並不是對智譜原先「提升 3 倍」數據的獨立審核。17

對 Nvidia CUDA 的真正啟示

這次發布對 Nvidia 的影響，主要在於 CUDA 對「推理」的依賴程度，而不是 Nvidia 整個 AI 生態系統會即時失守。

專用 Kernel、量化、並行處理和調度軟件，確實可以在部分生產推理工作負載上減低對 CUDA 的依賴。可是，Nvidia 在軟件生態、開發工具、既有裝機量及 AI 訓練方面的優勢，是另一組問題；今次單一模型的發布並未解答這些問題。

換句話說，這不是「CUDA 已經無關痛癢」，而是顯示在特定模型和特定服務場景中，模型與推理系統的共同優化，可以削弱硬件平台原本的差距。

GLM-5.3-Flash 有甚麼規格？

GLM-5.3-Flash 據報採用稀疏混合專家（Mixture of Experts，MoE）架構，總參數約 3,200 億，但每個 Token 實際啟用約 180 億參數。模型支援 1,048,576 Token 上下文及原生多模態輸入，定位包括長文件處理、程式編寫及長時間運作的 AI Agent 工作流程。257

在 Artificial Analysis Intelligence Index 上，模型據報取得 57 分，與 Claude Opus 4.8 的報告分數相同。9 這只代表兩者在一個綜合指標上並列，並不等於它們在每個基準測試、應用場景或 Agent 任務上都有相同表現。

價格低，才是最直接的競爭力

智譜公布的 API 價格為每 100 萬個輸入 Token 0.15 美元，輸出 Token 則為 0.50 美元。429 同期報道形容，這大約是 GLM-5.3 價格的十分之一，以及 Claude Opus 4.8 的四十分之一；不過實際比例會視乎比較的是輸入還是輸出、採用哪個價格級別，以及有沒有計算不同方案而變化。14

對開發者而言，GLM-5.3-Flash 的賣點是三方面疊加：

1. 以稀疏架構減少每個 Token 的實際計算量；
2. 透過專用推理引擎及量化技術壓低服務成本；以及
3. 以遠低於高端模型的價格吸引用量。

Ox Alpha 的匿名測試則顯示，這個組合在模型身份曝光前，已經足以吸引大量真實開發者流量。它未有證明智譜已經解決所有國產芯片或軟件限制，但就提供了一個值得留意的生產級示範：當模型、推理引擎和硬件平台由同一套工程思路共同設計，推理服務的成本和可擴展性，可能比單看芯片規格更有決定性。

2026 年 8 月 26 日，智譜 AI（國際品牌為 Z.ai）終於揭開匿名模型「Ox Alpha」的身份。中國開發者社群稱它為「牛來」，而智譜確認，這款模型其實是 GLM 系列最新的開放權重、原生多模態模型 GLM-5.3-Flash。115

今次事件之所以引起關注，除了模型本身，還因為智譜同時公布了一項規模相當大的推理基建數據：Ox Alpha 在 OpenRouter 及 OpenCode 免費匿名測試期間，5 日內處理超過 5 萬億個 Token；公司又稱，相關流量完全由超過 10 萬張中國製 AI 加速芯片承載。815

一場沒有品牌加持的真實壓力測試

Ox Alpha 最初沒有展示智譜或 Z.ai 的標誌，開發者只能透過日常使用來判斷它的表現，而不是先看品牌、發布會或硬件配置。模型很快登上 OpenRouter 和 OpenCode 的用量榜首，令這次匿名測試變成一場接近「用家用腳投票」的實戰考驗。1330

部分後續報道把總流量推算至 6 日超過 60 萬億 Token，亦有報道指 OpenRouter 的使用量一度超過可比 DeepSeek 流量兩倍。由於不同平台採用的統計口徑和時間窗口並不一樣，較穩妥的說法是：測試至少超過 50 萬億 Token，並吸引了異常龐大的開發者需求。1330

這個細節很重要。當模型身份仍然保密時，用家主要是根據輸出質素、速度、穩定性、可用性和價格決定會否繼續使用，而不是因為支持智譜的品牌或認同其芯片路線。

「國產芯片媲美 Nvidia」應該點樣理解？

智譜表示，線上推理工作負載由超過 10 萬張中國製加速芯片運行；經過軟件優化後，硬件效率及每個 Token 的成本，已達到與主流 Nvidia GPU 相若的水平。1524

不過，智譜在相關材料中沒有公開點名確實供應商。業界報道曾提到華為、摩爾線程及海光可能參與其中，但目前未獲智譜正式確認，不能當作已證實的供應鏈名單。3040

更關鍵的是，這項聲明需要「對焦」解讀。它並不代表：

• 中國製 AI 芯片在所有工作負載上都已追上 Nvidia；
• 國產硬件已全面取代 Nvidia 的訓練或推理平台；或
• 兩個硬件生態系統在開發工具、軟件支援和部署便利度上完全等價。

它較具體地證明了另一件事：只要模型架構、推理引擎及芯片硬件一同調校，大型線上推理服務可以建基於非 Nvidia 的國產芯片堆棧運作。這是系統工程上的成果，但不是對整個 Nvidia 競爭優勢的全面判決。

1 百萬 Token 上下文，靠的是推理軟件功夫

GLM-5.3-Flash 原生支援 1,048,576 Token 上下文。對推理服務來說，這意味着更高的記憶體容量、記憶體頻寬、芯片之間的通信及任務調度要求。智譜據報以 SGLang 為基礎建立專用推理引擎，並加入多項優化技術：1124

• W8A8 量化，減低計算及記憶體壓力；
• 混合 INT8、FP8 及 BF16 的快取量化；
• 節點內張量並行；以及
• Encode–Prefill–Decode（EPD）分離架構，把多模態編碼、Prompt 預填充及逐 Token 生成拆成可獨立調度和擴縮的工作池。1124

簡單講，系統不再把所有處理階段綁在同一組資源上，而是按不同工作階段的計算特性分開部署，務求更有效利用頻寬、記憶體和計算能力。

智譜表示，這套方案在同一批硬件上，令端到端服務性能較最初基線提升約 3 倍。2426 SGLang 其後的文件亦公布，相對 BF16 比較配置，FP8 快取容量及吞吐量有進一步改善；但這些文件並不是對智譜原先「提升 3 倍」數據的獨立審核。17

對 Nvidia CUDA 的真正啟示

這次發布對 Nvidia 的影響，主要在於 CUDA 對「推理」的依賴程度，而不是 Nvidia 整個 AI 生態系統會即時失守。

專用 Kernel、量化、並行處理和調度軟件，確實可以在部分生產推理工作負載上減低對 CUDA 的依賴。可是，Nvidia 在軟件生態、開發工具、既有裝機量及 AI 訓練方面的優勢，是另一組問題；今次單一模型的發布並未解答這些問題。

換句話說，這不是「CUDA 已經無關痛癢」，而是顯示在特定模型和特定服務場景中，模型與推理系統的共同優化，可以削弱硬件平台原本的差距。

GLM-5.3-Flash 有甚麼規格？

GLM-5.3-Flash 據報採用稀疏混合專家（Mixture of Experts，MoE）架構，總參數約 3,200 億，但每個 Token 實際啟用約 180 億參數。模型支援 1,048,576 Token 上下文及原生多模態輸入，定位包括長文件處理、程式編寫及長時間運作的 AI Agent 工作流程。257

在 Artificial Analysis Intelligence Index 上，模型據報取得 57 分，與 Claude Opus 4.8 的報告分數相同。9 這只代表兩者在一個綜合指標上並列，並不等於它們在每個基準測試、應用場景或 Agent 任務上都有相同表現。

價格低，才是最直接的競爭力

智譜公布的 API 價格為每 100 萬個輸入 Token 0.15 美元，輸出 Token 則為 0.50 美元。429 同期報道形容，這大約是 GLM-5.3 價格的十分之一，以及 Claude Opus 4.8 的四十分之一；不過實際比例會視乎比較的是輸入還是輸出、採用哪個價格級別，以及有沒有計算不同方案而變化。14

對開發者而言，GLM-5.3-Flash 的賣點是三方面疊加：

1. 以稀疏架構減少每個 Token 的實際計算量；
2. 透過專用推理引擎及量化技術壓低服務成本；以及
3. 以遠低於高端模型的價格吸引用量。

Ox Alpha 的匿名測試則顯示，這個組合在模型身份曝光前，已經足以吸引大量真實開發者流量。它未有證明智譜已經解決所有國產芯片或軟件限制，但就提供了一個值得留意的生產級示範：當模型、推理引擎和硬件平台由同一套工程思路共同設計，推理服務的成本和可擴展性，可能比單看芯片規格更有決定性。