Ox Alpha 原來係 GLM-5.3-Flash：爆紅背後，基準測試又代表咩？

Ox Alpha 其實係一個短暫登場嘅匿名預覽模型，正式身份係 Z.ai GLM 系列嘅 GLM-5.3-Flash。佢喺 2026 年 8 月 20 日，以供應商名稱「Stealth」出現於 OpenRouter 同 OpenCode，提供 1,048,576 Token 上下文、文字／圖片／影片輸入、工具呼叫功能，而且預覽期間免費使用。Z.ai 之後確認，曾經以 ox-alpha 呢個匿名名稱測試 GLM-5.3-Flash，然後先推出正式版本。110

呢次事件之所以值得留意，唔只係因為「神秘模型」終於搵到幕後公司，更加反映咗一個新趨勢：一個模型可以靠分發渠道、超寬鬆使用條件，同埋針對 AI Agent 嘅實用功能，喺正式發表完整模型卡或者基準成績之前，已經先行爆紅。

Ox Alpha 當時有咩料？

匿名上架頁面將 Ox Alpha 定位為面向程式編寫、長時間 Agent 工作，以及生產環境工作負載嘅推理模型。佢喺免費預覽期間嘅規格相當進取：

• 模型 ID： stealth/ox-alpha
• 上下文容量： 1,048,576 Token
• 最大輸出： 131,072 Token
• 輸入形式： 文字、圖片、影片
• 功能： 推理、原生工具呼叫、結構化輸出
• 預覽價格： 輸入及輸出 Token 均免費

OpenRouter 同 OpenCode 對免費期嘅講法唔完全一樣。OpenRouter 指向較短嘅路由使用期限，而 OpenCode 就形容由 8 月 20 日起大約免費一星期。因此，免費渠道大概喺 8 月 24 日至 27 日之間陸續完結，而唔係所有平台都有一個完全相同嘅截止時間。2412

要留意，擁有 100 萬 Token 上下文，唔代表模型必然更勁，但會改變開發者可以點樣工作。編碼 Agent 可以喺同一個工作階段保留更多程式庫內容、工具輸出、錯誤日誌同視覺資料，減少反覆總結或者刪走舊資訊嘅需要。再加上影片輸入，Ox Alpha 亦適合介面測試等唔止係純文字生成程式碼嘅工作流程。343

點解開發者咁快就留意到？

Ox Alpha 初期最吸引人嘅地方，其實係夠實用，而唔係單純得個神秘。開發者可以零 Token 成本，試用一個長上下文、多模態、支援工具嘅編碼模型，而且供應量相對寬鬆。對於測試程式庫修復、瀏覽器互動，同埋長時間軟件工程任務嘅 Agent 開發者嚟講，入場門檻低咗好多。

模型嘅曝光亦升得好快。佢曾經短暫終結 DeepSeek 喺 OpenCode 排行榜連續 56 日排第一嘅紀錄，亦有報道指使用量喺單日急升。不過，發布期間流傳嘅超大容量同 Token 數字，唔係全部都有獨立審核，所以較適合視為「市場反應非常熱烈」嘅訊號，而唔應該當成精準嘅生產規模統計。114

呢個分別好重要：免費試用期間嘅人氣，通常同時反映模型能力、新鮮感、價格同可用程度，唔可以單靠人氣判斷一個模型係咪整體最強。

DeepSWE 80% 成績亮眼，但未足以下定論

最廣為流傳嘅早期消息，係 Ox Alpha 喺 DeepSWE 測試取得 80%，即係 10 個任務入面完成 8 個。呢個結果的確令人鼓舞，但樣本只有 10 個任務，唔足以支持穩定嘅排行榜排名。其後較大規模測試報告約為 63%，而 Z.ai 後來公布 GLM-5.3-Flash 喺 DeepSWE v1.1 嘅正式成績係 63.4%。7634

其他完整測試則錄得較低結果，包括一次涵蓋 113 個任務嘅報告，結果係 58.4%。該測試指出，部分失分同輸出格式及實作問題有關，亦正好顯示 Agent 基準測試會受到測試框架、工具權限、時間限制，以及成功標準影響。4142

所以，較穩妥嘅結論應該收窄少少：Ox Alpha 展現出強勁嘅編碼 Agent 能力，部分測試中接近頂尖閉源模型，但現有證據未能證明佢持續超越 Claude Fable 5，或者全面壓過其他前沿模型。

點解同 Claude 比較時好似互相矛盾？

因為唔同測試採用咗唔同任務子集、Agent 框架同評估條件。早期 10 個任務有 8 個成功，當然可以得出 80%，但未必代表完整基準測試。較大規模測試約 63%，而 58.4% 嘅完整測試就可能額外計入格式錯誤或測試框架行為造成嘅失分。

之後有報道指 DeepSWE 團隊認為，模型整體能力大致接近 Claude Opus 4.8，而唔係有足夠證據證明佢超越 Claude Fable 5。35 因此，閱讀基準數字時，應該連同測試範圍同設定一齊睇，唔可以將唔同環境下嘅百分比當成同一張乾淨排行榜上嘅分數。

點解連知名開發者都讚佢？

知名用家嘅正面評價，同 Ox Alpha 嘅工作流程定位係一致嘅。Stripe 聯合創辦人兼行政總裁 Patrick Collison 透過 Agent harness 試用後，形容 Ox Alpha「非常令人印象深刻」；HermesAgent 創辦人亦表示，模型表現超過團隊多項內部評估標準。3335

呢類評價對了解實際使用感受有參考價值，尤其係編碼同 Agent 任務方面，但唔等於受控跨基準測試已經證明 Ox Alpha 全面優勝。一個模型可能因為上下文長度、工具呼叫表現、速度、多模態支援或者成本低，而特別適合某種工作流程，即使佢嘅整體基準排名仍然未完全確定。

身份係點樣被社群追查出嚟？

官方揭盅之前，研究者將 Ox Alpha 嘅可觀察行為，同 Xiaomi MiMo 團隊、Google DeepMind，以及智譜 AI（Zhipu AI）嘅 GLM 系列逐一比較。

Xiaomi 同 MiMo

Xiaomi 之所以成為候選者，部分原因係 MiMo 團隊之前曾經用過匿名測試名稱「Hunter Alpha」。但報道指能力特徵唔太吻合：MiMo 模型一般同音訊支援扯上關係，而 Ox Alpha 支援文字、圖片同影片，卻唔接受音訊輸入。換句話講，Xiaomi 係一個合理猜測，但唔係有力歸因。2229

Google DeepMind

同 Google 有關嘅提示及社交平台貼文，亦令外界出現另一輪猜測。但現有線索未能證明 DeepMind 建造或者營運該 API 端點，最多只屬間接迹象。

GLM 嘅技術指紋

揭盅前最有力嘅方向，係智譜 AI 嘅 GLM 系列。社群測試發現，Ox Alpha 喺各種提示下嘅 Token 計數，與 GLM-5.3 嘅表現一致，只有一個約 75 Token 嘅固定偏移；另外，影片測試亦發現其 Token 消耗模式，喺多項編碼特徵上同 GLM 視覺模型吻合。1821

其他被提及嘅線索包括：

• reasoning_effort 參數錯誤訊息似乎同 GLM API 回應相近；
• 部分圖片解析失敗時出現中文提示；
• 影片 Token 化行為同智譜多模態模型一致；以及
• 名稱被部分觀察者聯想到智譜過往嘅「Pony Alpha」命名。212629

每一項線索單獨睇，都可能由路由、包裝層、共用基礎設施，甚至模仿行為造成。多項線索放埋一齊，令 GLM 理論愈來愈有說服力，但始終唔可以代替官方聲明。最後真正拍板嘅證據，係 Z.ai 確認 Ox Alpha 就係 GLM-5.3-Flash，並公開正式版本資料。1043

揭盅之後，Ox Alpha 變成咗一件正式產品

身份公開之後，Ox Alpha 由「搵幕後主人」嘅謎題，變成 GLM-5.3-Flash 嘅產品預覽。Z.ai 文件形容，GLM-5.3-Flash 採用混合架構，總共 3,200 億參數，每個 Token 實際啟用 180 億參數；同時具備原生視覺能力，可以觀察介面、渲染結果同互動回饋，形成涵蓋程式碼、瀏覽器同 GUI 嘅閉環。43

正式命名亦解決咗匿名端點最大嘅問題：開發者唔知道服務會唔會突然消失。報道指 GLM-5.3-Flash 以 MIT 授權發布，並提供模型權重，令有需要嘅開發者可以更大程度控制部署方式。1950

當然，MIT 授權唔代表每種部署都自動安全或者便宜。團隊仍然要自行評估硬件要求、推理效能、API 條款、私隱處理、速率限制、工具呼叫可靠性，以及輸出穩定性。

免費期過後，咩因素決定佢能否留低？

免費預覽可以製造聲勢，但長期採用始終要睇更實際嘅產品條件：

1. 成本： 收費 API 定價要繼續同其他高能力編碼模型競爭。
2. 可靠性： 開發者需要穩定服務、可預測嘅速率限制，同一致嘅工具呼叫表現。
3. 私隱： 團隊要清楚提示、程式碼同視覺輸入會點樣儲存或者使用。
4. 可重現性： 獨立評估要交代模型喺完整基準測試及真實應用嘅表現。
5. 部署選擇： MIT 授權權重同自行託管可以減少對臨時雲端路由嘅依賴，但前提係團隊有能力應付營運要求。

Ox Alpha 最值得記住嘅教訓，唔係一個匿名模型曾經短暫擊敗某個知名對手，而係模型只要工作流程設計夠吸引，開發者又可以大規模、低成本試用，就有機會喺正式公開之前先行走紅。

最初流傳嘅基準測試標題，的確比後來較完整嘅證據更誇張；但長上下文、多模態、工具使用、Agent 編碼同免費接入嘅組合，本身已經足以解釋點解佢受到追捧。如今身份已經確認為 GLM-5.3-Flash，真正考驗就係：當新鮮感同免費使用唔再幫手，呢套組合仲有冇足夠實用價值令開發者繼續用落去。