GLM-5.3-Flash，就是 2026 年 8 月 20 日悄悄出現在 OpenRouter 等開發者工具上的匿名模型 Ox Alpha。Zhipu AI——以 Z.ai 品牌拓展國際市場——在 8 月 26 日揭露其身分，表示這次「去品牌化」發布，是為了在真實使用情境中測試模型的程式設計、多模態與代理能力。34

這場持續約一週的模型猜謎，最後變成一項重要的開放模型發布：GLM-5.3-Flash 是一個總參數達 3,200 億、每個 token 僅啟用 180 億參數的混合專家模型（MoE），支援約 100 萬 token 上下文、原生多模態輸入，並以 MIT 授權公開權重。368

Ox Alpha 匿名測試發生了什麼？

Ox Alpha 上線時沒有公開模型卡、製造商名稱或完整規格。開發者只知道這是一個免費端點，具備超長上下文與多模態輸入能力，於是開始把它放進程式設計及代理工作流程中測試。它在實際使用中的表現很快引起注意，也讓外界開始猜測背後是哪一家 AI 實驗室。1316

Zhipu 表示，這次預覽是刻意「蒙面」進行的。公司隱去模型身分與規格，希望開發者先看輸出品質，而不是受到品牌、參數規模或發布宣傳影響。測試期間累積的流量、使用模式與回饋，則可讓團隊在正式發布前觀察真實的軟體開發與代理工作負載。1315

多份報導稱，測試期間每天提供約 100 兆 token 的免費容量。Stripe 共同創辦人 Patrick Collison 也被報導曾稱讚模型品質。這些反應讓匿名端點成為科技圈持續關注的發布事件；不過，公開好評不等於經過嚴格控制的模型評測。1314

Zhipu 另表示，服務由中國國產 AI 加速器提供。香港《南華早報》報導，測試使用了由 10 萬枚相關晶片組成的叢集，並引述 Zhipu 說法稱模型在正式發布前已處理 62 兆 token。由於不同報導對測試容量與使用量的數字並不完全一致，這些數據應視為公司或媒體報導，不能當作經獨立審計的測量結果。713

GLM-5.3-Flash 的核心設計

GLM-5.3-Flash 採用 混合專家模型（Mixture of Experts，MoE）。模型的參數池總量為 3,200 億，但每個 token 只啟用 180 億參數。簡單來說，這種設計希望在保留大型模型表達能力的同時，避免每次推理都動用全部參數。34

模型共有 45 層，也是 GLM-5 系列首個主打原生多模態的模型。它可處理文字、圖片、影片、視覺文件、一般檔案，以及交錯排列的多模態輸入。對代理系統而言，這代表模型不只讀取文字，還能觀察介面、理解截圖、閱讀文件，並評估程式執行後的結果。411

Zhipu 宣稱其上下文視窗為 1,048,576 token，一般簡稱為 100 萬 token。這類容量主要面向大型程式碼庫、長時間代理工作階段、大批文件，以及同時包含程式碼、圖片與檔案內容的工作流程。34

Zhipu 表示，GLM-5.3-Flash 是以全新基礎模型、重新設計的架構與訓練配方打造，並使用包含 30 兆 token 的多模態資料集訓練。因此，公司將它定位為一個圍繞效率與多模態能力重新設計的新模型，而不只是 GLM-5.3 的縮小版。416

它如何降低長上下文推理成本？

模型結合了 線性注意力（linear attention） 與 稀疏注意力（sparse attention）。線性注意力的目標，是降低處理長距離序列時的成本；稀疏注意力則只在重要位置保留較高精度的互動，藉此在長上下文能力與推理成本之間取得平衡。416

Zhipu 也介紹了 IndexPool 機制，用來減少超長上下文下索引操作所帶來的記憶體與延遲負擔；架構同時採用受流形約束的超連接（manifold-constrained hyper-connections），作為提升模型擴展效率的另一項技術。這些屬於實作層面的設計，實際效益仍取決於服務配置、序列長度、硬體與工作負載。416

相較 GLM-5.3，Zhipu 宣稱 GLM-5.3-Flash 可將注意力計算量降低 3.01 倍，KV cache 使用量降低 4.44 倍，同時維持長上下文品質。對長時間運作的代理而言，注意力計算與 KV cache 記憶體往往是重要瓶頸，因此這兩項主張具有實際意義。不過，相關比例主要來自 Zhipu 自家的技術資料，不能直接解讀成適用於所有環境的普遍加速幅度。4

GLM-5.3-Flash 能做什麼？

模型主要鎖定程式設計、視覺程式設計、長時間代理任務與工具使用。其原生視覺能力，讓代理能觀察使用者介面、程式渲染結果與互動回饋，形成程式碼、瀏覽器與圖形介面之間的閉環。4

Zhipu 公布的基準測試結果包括：

• Terminal-Bench 2.1： 84.3
• DeepSWE v1.1： 63.4 Pass@1
• AutomationBench： 48.8
• NL2Repo： 56.3
• Toolathlon Verified： 78.4

這些分數與模型主打軟體工程及代理任務的定位一致，但跨模型比較仍須審慎。代理型基準測試很容易受到提示詞、工具、額外框架、硬體、時間限制與評測版本影響。因此，上述數字較適合視為 Zhipu 公布的結果，而不是所有競爭模型的最終排名。415

開放權重與部署方式

Zhipu 已將 GLM-5.3-Flash 權重發布至 Hugging Face，採用相對寬鬆的 MIT 授權，並提供 BF16 版本。模型文件列出 SGLang 與 vLLM 等推理框架的部署支援，讓組織可以自行評估本地部署或自建服務，而不必只能使用 Z.ai 的託管 API。368

這項開放性改變了模型的實際使用方式。開發者可以用自家程式碼庫、文件、視覺介面與代理環境進行測試；基礎設施團隊也能直接研究服務成本與硬體需求。需要注意的是，總參數達 3,200 億仍代表相當高的部署門檻。每 token 啟用 180 億參數可以降低計算量，但不代表完整模型檔案會因此變得輕量。368

為什麼要先匿名發布？

Ox Alpha 的測試不只是一次行銷噱頭。它實際檢驗了開發者在不知道模型名稱、參數量與公司背景的情況下，是否仍會持續使用並肯定模型。這種做法讓 Zhipu 在正式揭露前，就取得真實工作負載、使用模式與開發者反應。1315

但這項實驗也有明顯限制。免費服務可能吸引異常大量流量；公開稱讚可能包含新鮮感因素；匿名測試也沒有控制提示詞，或確保所有模型在完全相同條件下比較。因此，最穩妥的結論是：GLM-5.3-Flash 在身分尚未公開時，已經引起大量開發者實際興趣，而 Zhipu 透過這批真實使用回饋，驗證並調整了正式發布的產品定位。

結論：它真正重要的地方

GLM-5.3-Flash 就是 Ox Alpha 的真身：一個具備開放權重、原生多模態能力，並針對高效率程式設計與代理工作打造的 GLM 模型。它的關鍵規格包括 3,200 億總參數、每 token 啟用 180 億參數的 MoE 設計、45 層、100 萬 token 上下文、線性與稀疏注意力混合架構，以及 MIT 授權權重。3411

它最具影響力的地方，未必只是參數規模，而是把長上下文、視覺輸入、工具使用與較低的服務成本主張，放進一個開發者可以下載並自行部署的模型中。匿名發布提供了相當直接的使用者回饋，但要確認這些架構、效率與基準測試數字在生產環境中的實際價值，仍需要更多可重現的獨立評測。

GLM-5.3-Flash，就是 2026 年 8 月 20 日悄悄出現在 OpenRouter 等開發者工具上的匿名模型 Ox Alpha。Zhipu AI——以 Z.ai 品牌拓展國際市場——在 8 月 26 日揭露其身分，表示這次「去品牌化」發布，是為了在真實使用情境中測試模型的程式設計、多模態與代理能力。34

這場持續約一週的模型猜謎，最後變成一項重要的開放模型發布：GLM-5.3-Flash 是一個總參數達 3,200 億、每個 token 僅啟用 180 億參數的混合專家模型（MoE），支援約 100 萬 token 上下文、原生多模態輸入，並以 MIT 授權公開權重。368

Ox Alpha 匿名測試發生了什麼？

Ox Alpha 上線時沒有公開模型卡、製造商名稱或完整規格。開發者只知道這是一個免費端點，具備超長上下文與多模態輸入能力，於是開始把它放進程式設計及代理工作流程中測試。它在實際使用中的表現很快引起注意，也讓外界開始猜測背後是哪一家 AI 實驗室。1316

Zhipu 表示，這次預覽是刻意「蒙面」進行的。公司隱去模型身分與規格，希望開發者先看輸出品質，而不是受到品牌、參數規模或發布宣傳影響。測試期間累積的流量、使用模式與回饋，則可讓團隊在正式發布前觀察真實的軟體開發與代理工作負載。1315

多份報導稱，測試期間每天提供約 100 兆 token 的免費容量。Stripe 共同創辦人 Patrick Collison 也被報導曾稱讚模型品質。這些反應讓匿名端點成為科技圈持續關注的發布事件；不過，公開好評不等於經過嚴格控制的模型評測。1314

Zhipu 另表示，服務由中國國產 AI 加速器提供。香港《南華早報》報導，測試使用了由 10 萬枚相關晶片組成的叢集，並引述 Zhipu 說法稱模型在正式發布前已處理 62 兆 token。由於不同報導對測試容量與使用量的數字並不完全一致，這些數據應視為公司或媒體報導，不能當作經獨立審計的測量結果。713

GLM-5.3-Flash 的核心設計

GLM-5.3-Flash 採用 混合專家模型（Mixture of Experts，MoE）。模型的參數池總量為 3,200 億，但每個 token 只啟用 180 億參數。簡單來說，這種設計希望在保留大型模型表達能力的同時，避免每次推理都動用全部參數。34

模型共有 45 層，也是 GLM-5 系列首個主打原生多模態的模型。它可處理文字、圖片、影片、視覺文件、一般檔案，以及交錯排列的多模態輸入。對代理系統而言，這代表模型不只讀取文字，還能觀察介面、理解截圖、閱讀文件，並評估程式執行後的結果。411

Zhipu 宣稱其上下文視窗為 1,048,576 token，一般簡稱為 100 萬 token。這類容量主要面向大型程式碼庫、長時間代理工作階段、大批文件，以及同時包含程式碼、圖片與檔案內容的工作流程。34

Zhipu 表示，GLM-5.3-Flash 是以全新基礎模型、重新設計的架構與訓練配方打造，並使用包含 30 兆 token 的多模態資料集訓練。因此，公司將它定位為一個圍繞效率與多模態能力重新設計的新模型，而不只是 GLM-5.3 的縮小版。416

它如何降低長上下文推理成本？

模型結合了 線性注意力（linear attention） 與 稀疏注意力（sparse attention）。線性注意力的目標，是降低處理長距離序列時的成本；稀疏注意力則只在重要位置保留較高精度的互動，藉此在長上下文能力與推理成本之間取得平衡。416

Zhipu 也介紹了 IndexPool 機制，用來減少超長上下文下索引操作所帶來的記憶體與延遲負擔；架構同時採用受流形約束的超連接（manifold-constrained hyper-connections），作為提升模型擴展效率的另一項技術。這些屬於實作層面的設計，實際效益仍取決於服務配置、序列長度、硬體與工作負載。416

相較 GLM-5.3，Zhipu 宣稱 GLM-5.3-Flash 可將注意力計算量降低 3.01 倍，KV cache 使用量降低 4.44 倍，同時維持長上下文品質。對長時間運作的代理而言，注意力計算與 KV cache 記憶體往往是重要瓶頸，因此這兩項主張具有實際意義。不過，相關比例主要來自 Zhipu 自家的技術資料，不能直接解讀成適用於所有環境的普遍加速幅度。4

GLM-5.3-Flash 能做什麼？

模型主要鎖定程式設計、視覺程式設計、長時間代理任務與工具使用。其原生視覺能力，讓代理能觀察使用者介面、程式渲染結果與互動回饋，形成程式碼、瀏覽器與圖形介面之間的閉環。4

Zhipu 公布的基準測試結果包括：

• Terminal-Bench 2.1： 84.3
• DeepSWE v1.1： 63.4 Pass@1
• AutomationBench： 48.8
• NL2Repo： 56.3
• Toolathlon Verified： 78.4

這些分數與模型主打軟體工程及代理任務的定位一致，但跨模型比較仍須審慎。代理型基準測試很容易受到提示詞、工具、額外框架、硬體、時間限制與評測版本影響。因此，上述數字較適合視為 Zhipu 公布的結果，而不是所有競爭模型的最終排名。415

開放權重與部署方式

Zhipu 已將 GLM-5.3-Flash 權重發布至 Hugging Face，採用相對寬鬆的 MIT 授權，並提供 BF16 版本。模型文件列出 SGLang 與 vLLM 等推理框架的部署支援，讓組織可以自行評估本地部署或自建服務，而不必只能使用 Z.ai 的託管 API。368

這項開放性改變了模型的實際使用方式。開發者可以用自家程式碼庫、文件、視覺介面與代理環境進行測試；基礎設施團隊也能直接研究服務成本與硬體需求。需要注意的是，總參數達 3,200 億仍代表相當高的部署門檻。每 token 啟用 180 億參數可以降低計算量，但不代表完整模型檔案會因此變得輕量。368

為什麼要先匿名發布？

Ox Alpha 的測試不只是一次行銷噱頭。它實際檢驗了開發者在不知道模型名稱、參數量與公司背景的情況下，是否仍會持續使用並肯定模型。這種做法讓 Zhipu 在正式揭露前，就取得真實工作負載、使用模式與開發者反應。1315

但這項實驗也有明顯限制。免費服務可能吸引異常大量流量；公開稱讚可能包含新鮮感因素；匿名測試也沒有控制提示詞，或確保所有模型在完全相同條件下比較。因此，最穩妥的結論是：GLM-5.3-Flash 在身分尚未公開時，已經引起大量開發者實際興趣，而 Zhipu 透過這批真實使用回饋，驗證並調整了正式發布的產品定位。

結論：它真正重要的地方

GLM-5.3-Flash 就是 Ox Alpha 的真身：一個具備開放權重、原生多模態能力，並針對高效率程式設計與代理工作打造的 GLM 模型。它的關鍵規格包括 3,200 億總參數、每 token 啟用 180 億參數的 MoE 設計、45 層、100 萬 token 上下文、線性與稀疏注意力混合架構，以及 MIT 授權權重。3411

它最具影響力的地方，未必只是參數規模，而是把長上下文、視覺輸入、工具使用與較低的服務成本主張，放進一個開發者可以下載並自行部署的模型中。匿名發布提供了相當直接的使用者回饋，但要確認這些架構、效率與基準測試數字在生產環境中的實際價值，仍需要更多可重現的獨立評測。