智谱认领“牛来”模型，实测：“牛马”友好

作者｜冬梅

过去一个周末，全球 AI 开发者都在追问同一个问题：突然出现在 OpenRouter 上的神秘模型 Ox Alpha，究竟来自哪家实验室？

它没有公布开发者，没有披露参数规模，也没有给出技术报告，只以“匿名模型”的身份开放使用。

但在短短几天内，Ox Alpha 迅速冲上 OpenRouter 热门榜单，并凭借代码生成、复杂推理和长时间 Agent 任务中的表现，引发了大量猜测。

“牛来”模型谜底揭晓，是 GLM-5.3-Flash

现在，谜底终于揭晓。

昨天晚上，智谱正式确认：Ox Alpha 正是其最新发布的 GLM-5.3-Flash。过去一周在海外开发者社区引起轰动的“神秘模型”，真的来自智谱。

Ox Alpha 最早于 8 月 20 日匿名登陆 OpenRouter。

在身份揭晓前，OpenRouter 对它的描述是：一款面向代码、持续智能体工作和生产负载设计的推理模型，适合处理长期软件工程、复杂推理，以及结合文本和视觉信息的工作流。

它可以接收文本、图片和视频输入，输出文本，匿名测试版本提供 104 万 Token 上下文。

OpenCode 还曾宣布向用户免费开放一周，并称模型提供方准备了每天 100 万亿 Token 的服务能力。

这种近乎“无限量免费”的测试方式，让 Ox Alpha 在几天内获得了大量真实用户。

Stripe 联合创始人兼 CEO Patrick Collison 体验后表示，它“非常令人印象深刻”。

一部分开发者则发现，Ox Alpha 在代码修改、前端生成、理解大型代码仓库以及连续调用工具方面，表现并不像一款普通的低成本模型。

外界对其身份的猜测也由此升温。

事实证明，Ox Alpha 并非智谱在 GLM 之外另起炉灶，而是 GLM-5 系列中的新成员——GLM-5.3-Flash。匿名上线更接近一次大规模公开盲测：先隐藏厂商和模型名称，让开发者根据实际使用效果作出判断，再公布身份和技术细节。

智谱此前也采用过类似方式测试 Pony Alpha。相比直接发布基准测试成绩，匿名测试能够在一定程度上减少品牌认知对评价的影响，也能在正式发布前获得更大规模的真实负载和用户反馈。

根据智谱官方博客，Ox Alpha 在 OpenCode 和 OpenRouter 开放期间，一度成为当周最受欢迎的模型。

更加值得注意的是，匿名测试期间产生的全部流量，均由部署在国产 AI 芯片上的大规模集群承载。

新模型怎么样？

GLM-5.3-Flash 是一款混合专家模型，拥有 3200 亿总参数，但每次处理 Token 时只激活约 180 亿参数。

这意味着，它保留了大模型的参数容量，但不需要在每次推理时调用全部 3200 亿参数。

模型会根据输入内容，将任务分配给部分专家网络，在模型能力、推理速度和部署成本之间寻找平衡。

与 GLM-4.5 系列相比，两者的总参数量接近，分别为 3200 亿和 3550 亿，但 GLM-5.3-Flash 的激活参数从 320 亿下降到 180 亿，模型层数也由 92 层减少至 45 层。

激活参数和层数减少，可以直接降低单个 Token 推理时需要完成的计算量。

这也是 GLM-5.3-Flash 名称中“Flash”的一层含义：它并非简单缩小模型，而是希望通过架构变化，用更少的实际计算量保留接近大型模型的能力。

GLM-5.3-Flash 还是 GLM-5 系列中第一款原生多模态模型，可以同时处理文本、图片、视频和文件，并提供约 100 万 Token 上下文窗口。

智谱称，该模型采用了最新的 30 万亿 Token 多模态预训练语料。这意味着其视觉能力并非在纯文本模型训练完成后简单外挂，而是在预训练阶段便将文本与视觉信息纳入统一模型。

模型权重目前已经在 Hugging Face 开放，并采用相对宽松的 MIT 许可证。开发者可以通过 SGLang、vLLM、KTransformers 和 TokenSpeed 等框架进行本地部署。

模型地址：https://huggingface.co/zai-org/GLM-5.3-Flash

具体而言，新模型有哪些亮点值得关注？

亮点一：重新设计的注意力机制

首先是为百万 Token 上下文重新设计的注意力机制。

长上下文一直是大模型推理成本增长最快的部分之一。

模型需要记住的内容越多，注意力计算量和 KV Cache 占用的显存就越大。当上下文扩展到 100 万 Token 后，如果继续沿用传统注意力机制，服务成本和硬件压力都会明显上升。

为了降低这部分开销，GLM-5.3-Flash 采用了线性注意力与稀疏注意力结合的混合架构。智谱将其称为首个采用这种混合架构的开源前沿模型。

其中，线性注意力主要通过状态建模捕捉局部依赖；稀疏注意力则通过轻量级索引器，从更长的上下文中寻找与当前任务相关的信息。

简单来说，模型不必在每一次生成时都让所有 Token 彼此进行完整计算，而是先利用线性注意力处理局部信息，再从百万 Token 上下文中检索真正相关的全局内容。

为进一步降低百万 Token 场景下索引器的延迟和内存占用，智谱还设计了 IndexPool，通过加权池化将四个索引器 Key 向量压缩为一个。

按照智谱给出的测算，与 GLM-5.3 相比，GLM-5.3-Flash 的注意力计算量降至约三分之一，KV Cache 规模降至约四分之一，分别减少 3.01 倍和 4.44 倍。

不过，智谱也没有回避它与其他模型之间的差距。

在其对 GLM-5.3、DeepSeek-V4-Flash 和 Kimi-K3 的对比中，GLM-5.3-Flash 的注意力计算量最低，但 KV Cache 仍然略大于 Kimi-K3 和 DeepSeek-V4-Flash，说明其显存效率仍有进一步优化空间。

除了混合注意力，GLM-5.3-Flash 还引入了 Manifold-Constrained Hyper-Connections，也就是 mHC，用于提高模型扩展过程中的训练稳定性和参数利用效率。

这些改动共同指向一个目标：GLM-5.3-Flash 不追求单纯把模型做得更大，而是希望减少完成同一任务所需的实际计算和存储资源。

亮点二：代码和 Agent 能力，是“牛来”的主要长板

从智谱公布的测试结果看，GLM-5.3-Flash 的优势主要集中在代码、工具调用和长时间 Agent 任务上。

在 DeepSWE v1.1 中，GLM-5.3-Flash 取得 63.4 分，高于 GLM-5.2 的 46.2 分。DeepSWE 关注的并不是让模型补全一段代码，而是测试它能否进入真实代码仓库，理解项目结构、定位问题并完成修改。

在用于测试自动化操作能力的 AutomationBench 中，GLM-5.3-Flash 取得 48.8 分，GLM-5.2 为 26.2 分。此外，它在 NL2Repo 上取得 56.3 分，在 Toolathlon Verified 上取得 78.4 分，在 Agents’ Last Exam 中取得 26.3 分，在 Terminal-Bench 2.1 中取得 84.3 分。

Terminal-Bench 主要测试模型能否在真实终端环境中完成软件工程、系统管理和数据处理任务。模型不仅要给出答案，还要实际调用命令、观察执行结果、处理错误并继续推进任务。

这些测试更接近当前 Coding Agent 的工作方式：模型需要连续思考和操作，而不是一次性生成代码。

在智谱内部的 Z.ai Code Bench v1.0 测试中，GLM-5.3-Flash 在不同推理强度下均超过 GLM-5.2。在最高推理强度下，它取得 29.0 分，接近 Claude Opus 4.8 的 29.5 分。该测试运行在 Claude Code 2.1.207 环境中。

第三方机构 Artificial Analysis 则给 GLM-5.3-Flash 的综合智能指数打出 57 分。

在优惠价格口径下，其平均每项任务成本约为 0.045 美元。智谱称，过去大约需要十倍成本才能获得相近水平的综合表现。

不同代码和 Agent 模型采用的测试框架、工具环境、推理预算、最大输出长度和超时时间可能存在差异。例如，智谱在 Terminal-Bench 2.1 测试中允许模型最长运行 6 小时，并将最大生成长度设为 65536 Token；DeepSWE 同样采用 6 小时超时设置。

因此，基准测试能够说明模型在特定设置下具备较强的代码和 Agent 能力，却不能直接等同于所有真实生产任务中的表现。智谱内部的 Z.ai Code Bench 同样属于厂商自测，仍需要更多第三方复现。

Ox Alpha 匿名测试的意义，恰恰在于补充了跑分之外的证据：在开发者不知道厂商和模型名称的情况下，它仍然依靠真实体验获得了较高关注度。

亮点三：视觉能力进入代码执行闭环

GLM-5.3-Flash 的另一项变化，是不再把视觉理解视为独立的看图能力，而是将其放入代码和 Agent 执行过程中。

传统代码模型生成网页、游戏或 3D 场景后，主要通过程序是否成功运行、测试是否通过来判断任务是否完成。但很多问题无法仅通过代码检查发现。

一个网页可能可以正常启动，按钮和颜色却与设计稿明显不符；一段 Blender 脚本可能成功运行，最终场景却存在模型穿插、比例错误或光照异常；一款游戏可能没有报错，却无法真正完成交互。

初始版本存在布局问题

视觉自我验证后

GLM-5.3-Flash 试图形成“观察—实现—使用—修正”的闭环：模型先读取截图、设计稿、页面录屏或者真实软件界面，生成代码并运行，再观察渲染结果，与参考画面进行比较，最后继续修改。

为此，智谱构建了面向视觉编码的数据合成流程，重点训练模型的自我视觉判断和测试时改进能力。在前端开发场景中，团队还引入环境反馈强化学习，并通过基于真实用户流程的 Agent 验证，提高模型对 GUI 界面和交互结果的判断能力。

这种能力可以覆盖前端页面复刻、游戏开发、Blender 3D 场景、CAD 建模以及 Computer Use 等任务。

国产芯片撑起了 Ox Alpha 的全部流量

GLM-5.3-Flash 官方博客中另一个值得关注的信息，是 Ox Alpha 匿名测试期间的全部推理流量均运行在国产 AI 芯片集群上。

智谱称，为解决单颗国产芯片在计算能力和显存容量上的限制，团队基于 SGLang 为 GLM-5.3-Flash 开发了专用推理引擎。

其中包括多项针对模型架构和硬件特点的优化：线性注意力和 LM Head 采用节点内张量并行，引入 ReplaySSM、W8A8 量化、INT8/FP8/BF16 混合 KV Cache 量化，以及 Layer Split 等方案。

在集群层面，智谱采用 Encode—Prefill—Decode 分离架构，将多模态编码、提示词预填充和逐 Token 解码拆分为可以独立调度和扩展的工作池。

这三个阶段的计算特征并不相同。图像和视频编码更依赖多模态计算，Prefill 需要一次性处理大量输入 Token，Decode 则需要持续生成 Token。将三者拆开后，系统可以分别分配硬件资源，避免不同负载互相等待。

按照智谱披露，这套系统已经运行在数万颗国产加速芯片之上。相较最初在同一硬件上的基线版本，端到端推理性能提高了 3 倍，每 Token 成本和硬件效率达到与主流英伟达 GPU 相当的水平。

实测：“牛马”友好

全网都在实测这款模型，小编也忍不住上手测了下。GLM-5.3-Flash 主打原生多模态、Coding、长上下文和 Agent 任务，所以我把这次测试的重点放在了“看懂—规划—执行—检查”的闭环能力上。

首先给模型出了一道测试题：有三个盒子，标签分别写着“苹果”“橘子”“苹果和橘子”，但三个标签全部贴错了。你只能从一个盒子里取出一个水果，如何确定三个盒子分别装了什么？先给答案，再用不超过 150 字解释。

GLM-5.3-Flash 耗时仅 13 秒，消耗 2303 token 就给出了答案，它答道：从标“苹果和橘子”的盒子取一个。

解释：因为三个标签全错，“苹果和橘子”标签下一定不是混合，只能是苹果或橘子。若取出苹果，则该盒是苹果；“橘子”标签不能装橘子，只能装混合；“苹果和橘子”标签装橘子。若取出橘子，则对称推出。

结果是正确的，符合推理逻辑。

第二道逻辑测试题的提示词是：我下周要去上海出差三天，需要参加两场会议、采访三家公司，并完成一篇 2500 字报道。请给出一个具体日程。要求每天工作不超过 9 小时；采访之间至少留出 40 分钟；第一天晚上不能写稿；第三天下午 5 点前交稿。请检查计划是否存在时间冲突。

模型给我制定的“上海出差三日日程方案”如下：

前提假设：第一天上午从出发地赴沪（高铁 / 航班约 2.5 小时）；纯交通时间不计入工作时长；会议均为半天内的单个会议。

Day 1（周一日）—— 抵达 + 会议 1 + 采访

当日工作时长：约 4.2 小时

但其实这里在时间规划上就出现了一些误差，因为还要算上从家或者公司出发通勤去机场或高铁站的时间。此外整个流程没有预留一些休整时间，这就有点......

Day 2（周二）—— 会议 2 + 采访② + 初稿

当日工作时长：约 7.8 小时

Day 3（周三）—— 采访③ + 完稿提交

当日工作时长：约 6 小时

冲突检查结果

唯一风险点：Day 1 若航班 / 高铁晚点，会影响 13:30 的会议①。建议提前一晚（周日）抵沪入住，或选择 8 点前出发的早班交通。

整体来看，给出的日程规划比较合理，但在任务与任务的衔接上，还是要留出一些休整时间，排得过于紧凑难免让人感到疲惫。

此外，为了测试该模型的图片理解能力，正好昨晚 MiniMax 发布了半年度财报，小编直接截图给它，看看它的理解能力如何。

我的提示词是：请逐项提取图片中的模型名称、分数和排名，整理成表格。先忠实识别原始数据，再总结三个结论。看不清的数字标记为“无法确认”，不允许推测。

新模型基于图中实际数据，给出了三点结论：

• 收入高速增长：2026 年上半年收入 1.17 亿美元，同比增长 283.1%，业务规模快速扩张。

• 毛利率改善：毛利增速（+464.8%）远超收入增速；据此计算毛利率从约 12.1% 提升至约 17.9%（此为根据图中数字换算，非公告原文）。

• 亏损结构分化：《国际财务报告准则》下期内亏损小幅收窄 11.0%，但经调整净亏损扩大 111.2%（约 2.93 亿美元），说明剔除相关项目后经营消耗反而在加大，盈利拐点尚未到来。

从结果来看，GLM-5.3-Flash 能够较准确地识别图片中的模型名称、排名和对应分数，并按照要求整理为结构化内容。图中数字均被完整提取，没有出现明显漏项、错位或将不同列数据混淆的情况。

新模型发布后，海外社区很快围绕其技术路线、免费策略和实际部署展开讨论。

网友 Aniket 略带遗憾地表示：“免费的 Ox Alpha 没有了。”这也从侧面反映出，此前以匿名形式开放测试的 Ox Alpha，可能已经积累了一批用户。

模型运行在哪类硬件上同样受到关注。Rimas 直接询问，它究竟运行在哪款中国芯片上。另有用户希望将 Z.ai Coding Plan 与每月 100 美元的 OpenAI Codex 套餐进行比较，关注两者在编程能力、额度和成本上的实际差异。

此外，也有一些海外用户实测了该模型，一名 x 用户质疑模型处理长时间编程任务的可靠性，于是他连续消耗两个 5 小时额度周期测试该模型，但发现模型仍未能解决一个简单 Bug，最终交付的有效结果也非常有限。

整体来看，海外用户的关注点已经不只停留在模型分数，而是进一步延伸至技术机制、底层芯片、价格和真实编程体验。

https://z.ai/blog/glm-5.3-flash

https://techcrunch.com/2026/08/26/surprise-z-ai-is-the-ai-lab-behind-the-mysterious-ox-alpha-model/

https://x.com/Zai_org/status/2092616204787626030

声明：本文为 AI 前线原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。

会议推荐

QCon 全球软件开发大会·2026（上海站）现已正式启动。本届大会聚焦 Harness AI 时代的工程实践，从「构建 AI」到「驾驭 AI」，围绕 AI Native 架构、Agent Runtime、AI Infra、Agent 安全与可观测、Loop Engineering、具身智能与世界模型等热门技术方向，邀请全球技术社区与产业一线实践者，共同分享 AI Native 时代最具价值的工程经验。

今日荐文

你也「在看」吗？