Ox Alpha 揭曉：Z.ai 的 GLM-5.3-Flash 開放權重、前線級分數與中國晶片推理叢集

八月 AI 圈最熱門的懸案正式落幕。2026 年 8 月 26 日，Z.ai 官方證實：那個 8 月 20 日悄悄現身 OpenRouter 與 OpenCode、匿名列名為「stealth」、一週內接連擊敗各家旗艦編碼模型卻無人承認出品的 Ox Alpha，其實就是該公司新的效率導向多模態模型 GLM-5.3-Flash。這次揭露不只給了名字，還附上完整技術包裹：Hugging Face 上的 MIT 授權開放權重、詳盡的架構說明，以及今年最令人側目的基礎設施宣言——整個病毒式曝光週期的推理服務，全部跑在中國國產 AI 晶片上。

揭曉內容實際帶來了什麼

身分確認終結了社群的猜謎，但實質內容遠不止於此。GLM-5.3-Flash 是 總參數量 320B、啟動參數約 18B 的混合專家（MoE）模型——刻意採「寬而淺」的設計，相較 GLM-4.5 系列幾乎砍半了啟動參數量與深度（45 層對 92 層），總容量卻維持同一量級。它原生支援多模態——文字、影像、影片輸入——上下文視窗達 1,048,576 token，主打市場上的「Flash」級距：便宜、快速，而且好到可以直接當預設模型，不必當奢侈品。

定價是最抓眼球的部分。Z.ai 在 OpenRouter 上的價格為每百萬輸入 token 0.075 美元、每百萬輸出 token 0.25 美元——約為 GLM-5.3 旗艦 API 費率的十分之一，限時折扣期間更低至二十分之一。在 Artificial Analysis 智慧指數 v4.1.1 上，Z.ai 報告該模型以每任務約 0.045 美元（折扣價）拿到 57 分，而這種智慧水準直到不久前還要花上約十倍成本。正是這種「逼近前線的能力、大宗商品級的價格」定位，讓 stealth 部署能這麼快收集到回饋。

基準測試：以極小成本逼近 Claude Opus 4.8

在六項編碼與代理基準上，GLM-5.3-Flash 全面優於前代 GLM-5.2，且差距常常很大：

• DeepSWE v1.1： 63.4 對 GLM-5.2 的 46.2
• AutomationBench： 48.8 對 26.2
• Z.ai Code Bench v1.0（於 Claude Code 2.1.207 上執行）：在每個努力等級都明顯領先 GLM-5.2，最高努力下幾乎追平 Claude Opus 4.8——29.0 對 29.5

Z.ai 自己的措辭相當節制：模型「整體逼近 Claude Opus 4.8」，並未宣稱奪冠。但 stealth 週期間的社群評測更為戲劇化——早期流傳的 DeepSWE 約 80% 成績，對上 Claude Fable 5 約 65%、GPT-5.6 Sol 約 52%——即使打折看待早期數據的變異，共識仍是：這是一個真正有競爭力的編碼模型，而非行銷噱頭。

視覺能力長期來看可能更重要。Z.ai 圍繞視覺自我判斷（self-visual judgment）建立了資料合成管線：強迫模型與環境互動、檢視自己渲染出的成果、並反覆修正。在前端工作上，團隊進一步用環境回饋的強化學習，以及基於真實使用者流程的代理驗證來強化 GUI 判斷——把驗證從「程式碼能不能跑」延伸到「渲染出來的產品是否真的好看、好用」。模型還跨入 CUA（電腦操作代理）領域，能點擊瀏覽網頁、視覺驗證，並操作桌面應用程式。

架構：混合注意力、IndexPool 與超連線

這份技術說明以發布文章而言異常具體：

• 線性＋稀疏混合注意力。 線性注意力透過狀態建模捕捉局部相依性；稀疏注意力透過輕量索引器檢索全域上下文。兩者結合大幅降低長上下文的服務成本，同時保留檢索精確度。
• IndexPool。 在百萬 token 上下文下，連輕量索引器都很昂貴。IndexPool 透過加權池化把四個索引器鍵向量壓縮成一個，削減索引器的延遲與記憶體開銷。
• 流形約束超連線（mHC） 提升網路整體的規模化效率。
• 30 兆 token 的多模態預訓練語料庫，為該公司最新版本。

相對 GLM-5.3 的效率紅利：注意力計算量降低 3.0 倍、KV 快取縮小 4.4 倍。與同世代開源模型 DeepSeek-V4-Flash 和 Kimi-K3 相比，Z.ai 稱 GLM-5.3-Flash 在該組比較中注意力計算量最低，同時坦承 KV 快取仍略大於那兩家——這句誠實的「還有進步空間」，反而讓數字更有可信度。

基礎設施故事：不用 NVIDIA 的前線推理

策略上最重要的宣言，或許藏在服務章節裡。整個 stealth 週期間，Z.ai 把 Ox Alpha／GLM-5.3-Flash 服務在「大規模中國 AI 晶片叢集」上——數萬顆國產加速器——搭配高頻寬互連，以及與硬體協同設計的服務堆疊。為了繞過這些晶片相對有限的單機算力與記憶體，團隊在 SGLang 之上打造了專屬推理引擎，組合包括：

• 針對線性注意力與 LM head 的節點內張量並行
• ReplaySSM
• W8A8 量化，搭配 INT8/FP8/BF16 混合快取量化
• Layer Split
• 生產級的 Encode–Prefill–Decode（EPD）分離式架構，把多模態編碼、prefill 與解碼拆成獨立排程的工作池

成果：在同一硬體上，端到端服務效能較初始基線提升 3 倍，每 token 成本與硬體效率達到「與主流 NVIDIA GPU 相當」的水準。還有個漂亮的細節：大部分核心最佳化是由 GLM-5.3 驅動的基礎設施代理加速完成的，它協助工程師診斷效能瓶頸——模型幫忙最佳化服務自己的系統，形成一個回饋迴路。

為什麼重要

三個重點值得記住。第一，stealth 空投這種形式已經成熟為正規的上市策略：先花一週收集未經修飾的真實回饋，再把聲量轉換成掛名且附權重的產品。第二，成本—效能前線的推移速度持續快過定價——每任務 0.045 美元、智慧指數 57 分的模型，一年半前還是旗艦級的定位。第三，也是對產業影響最深的一點：如果中國國產加速器已能在叢集規模下，以媲美 NVIDIA 的每 token 經濟性服務一個逼近前線的開放模型，那麼出口管制圍繞 AI 算力築起的護城河，就比外界假設的更淺。Z.ai 表示，同一套配方已在往更大的模型規模化。

GLM-5.3-Flash 現已向所有 GLM Coding Plan 訂閱者開放（可用配額為 GLM-5.3 的 3 倍），可透過 OpenRouter 的 API 使用，權重則以 MIT 授權在 Hugging Face 開放，本地部署支援 SGLang、vLLM 與 TokenSpeed。