Ox Alpha匿名上线，疑似智谱新模

Ox Alpha 带着 100 万上下文匿名登场

匿名模型 Ox Alpha 于 8 月 20 日登陆 OpenRouter，并在截至 8 月 22 日的首轮社区测试中拿到 80% 的 DeepSWE 任务通过率。 OpenRouter 将它标记为 stealth model，也就是暂不公开开发者和正式产品名的匿名预览模型；按照目前公布的安排，它将免费开放一周，若计划不变，体验窗口大约持续至 8 月 27 日。

Ox Alpha 是一款支持文本、图像和视频输入的超长上下文多模态模型。 OpenRouter 展示的规格包括 1,048,576 token 上下文窗口，以及单次最多 131,072 token 的输出上限；终端编程智能体 OpenCode 也已经把它放进免费套餐，并宣称每天可处理最高 100 万亿 token。

这组配置的重点不是单纯把上下文做到了 100 万 token，而是把长上下文、多模态和编程智能体能力塞进了同一个端点。 对真实开发任务而言，这意味着模型理论上可以同时读取大型代码库、设计稿截图、报错录屏和需求文档，再连续输出较长的分析或补丁。它瞄准的不是普通聊天场景，而是 Claude Code、OpenCode 一类会读仓库、操作终端并反复修复问题的 Agent 工作流。

不过，100 万 token 的标称窗口不等于模型能稳定记住并正确调用其中每一处信息。 长上下文模型真正需要验证的是有效召回率、跨文件推理、长任务中的指令保持，以及上下文增长后的延迟和成本。131,072 token 的最大输出同样更接近能力上限，而不是建议开发者让它一次生成十几万 token 的代码。

80% 是亮眼信号，但还不是胜负结论

DeepSWE 是用于衡量模型读取真实代码仓库、定位软件问题并生成有效补丁能力的编程评测。 与只要求补全单个函数的题库不同，这类测试更接近真实软件工程：模型需要理解项目结构、追踪跨文件依赖、判断失败原因，并提交能够通过验证的修改。

开发者 Ben Davis 让 Ox Alpha 完成了 10 项 DeepSWE 任务，结果是通过 8 项、失败 2 项，平均通过率为 80%。 按公开结果，它领先 Claude Fable 5 的 65% 达到 15 个百分点，相对增幅约为 23.1%；与 GLM-5.3 和 Grok 4.6 的 62% 相比高出 18 个百分点，与 GPT-5.6 Sol 的 52% 相比高出 28 个百分点。

| 模型 | 10 项 DeepSWE 平均通过率 | 与 Ox Alpha 差距 | 测试设置备注 | |---|---:|---:|---| | Ox Alpha（stealth） | 80% | — | 每项执行 1 次，共通过 8 项 | | Claude Fable 5（max） | 65% | -15 个百分点 | 公开对比中其他模型每项最多执行 4 次 | | GLM-5.3（max） | 62% | -18 个百分点 | 推理档位为 max | | Grok 4.6（xhigh） | 62% | -18 个百分点 | 推理档位为 xhigh | | GPT-5.6 Sol（max） | 52% | -28 个百分点 | 推理档位为 max |

这次 80% 更适合被视为强信号，而不是 Ox Alpha 已经击败前沿模型的证据。 原因首先是样本只有 10 项，单个任务就会让总成绩波动 10 个百分点；在如此小的样本下，8/10 对应的统计不确定性很高，其 95% 置信区间粗略可落在约 49% 至 94% 之间。

测试口径不完全一致进一步削弱了横向比较的确定性。 Ox Alpha 每个任务只运行一次，而其他模型在部分统计中每项运行了 4 次，再按成功次数计算通过率。Agent 编程任务对工具调用、初始随机性、依赖安装、超时设置和测试环境十分敏感，一次成功可能来自正确推理，也可能来自恰好走对了执行路径；一次失败同样可能只是工具链中断。

真正有价值的结论是 Ox Alpha 已经表现出前沿级代码代理潜力。 一个匿名预览模型能在 10 项真实仓库任务中完成 8 项，至少说明它不是单靠长上下文和漂亮规格吸引流量。它是否稳定强于 Claude Fable 5、GPT-5.6 Sol 或 GLM-5.3，则需要更多仓库、统一 Harness、相同预算和多次重复实验才能回答。

为什么社区把线索指向智谱

分词器指纹是通过比较不同文本在模型中被切分出的 token 数量和模式，反推模型技术谱系的方法。 同一段文本在不同分词器下可能被切成完全不同的 token，因此数字、罕见字符、多语言混排和代码符号都可以充当探针。

目前最强的一条归属线索，是 Ox Alpha 与 GLM-5.3 的 token 计数近乎完全重合。 有研究者使用 25 组差异明显的提示词测试，发现两者原始 token 数基本一致，Ox Alpha 每次只固定多出 75 个 token；固定偏差更像平台包装层或隐藏系统提示带来的开销，而不是底层分词器不同。

另一组测试也发现 Ox Alpha 在 11 项分词探针上与 GLM 系列全部匹配。 例如某项数字探针中，DeepSeek 使用了 98 个 token，而 Ox Alpha 与 GLM 均为 29 个 token；其他厂商模型与这组探针的最高匹配数量不超过 4 项。单看某一次计数没有太强证明力，但多个结构差异明显的提示词持续同构，巧合概率会迅速下降。

参数接口和错误响应构成了比名字联想更实际的旁证。 社区测试显示，Ox Alpha 与 GLM-5.3 都强制开启推理，思考档位集中在 low、high、max，默认使用 max，支持的采样参数和限制方式也高度相似。更引人注意的是，Ox Alpha 曾返回被社区认为具有智谱服务特征的 1210 状态码。

视频编码器行为和知识范围也被认为与智谱现有路线相符。 Ox Alpha 可以读取图像和视频，而公开版本的 GLM-5.3 尚未提供对应视觉端点；但智谱从 GLM-4.1V-Thinking、GLM-4.5V、GLM-4.6V 到 GLM-5V-Turbo，一直在推进视觉推理与多模态 Agent。把 GLM-5.3 的长上下文、推理控制和代码能力，与 GLM-5V 路线的视觉能力合并，技术上并不突兀。

| 身份线索 | 指向智谱的力度 | 仍存在的反例或不确定性 | |---|---|---| | 25 组提示词 token 数与 GLM-5.3 基本一致 | 强 | 同源或复用分词器不等于模型权重来自同一家公司 | | 固定多出 75 token | 中等 | 可能只是 OpenRouter 或供应商包装层系统提示 | | 推理档位、参数限制高度相似 | 中到强 | 兼容相同服务框架也可能产生类似接口 | | 出现 1210 状态码 | 中到强 | 尚缺少官方错误码映射确认 | | 支持图像和视频 | 中等 | 多家厂商都具备原生多模态能力 | | 智谱曾用 Pony Alpha 匿名测试 | 中等 | 历史惯例不能直接证明本次归属 |

智谱过去使用匿名模型做发布前测试的经历，让这套推断显得更可信。 此前 Pony Alpha 曾在 OpenRouter 以匿名模型出现，随后被确认属于 GLM-5 系列。社区因此把 Ox 与 Pony 的命名关系戏称为“牛马组合”，但真正有价值的仍是分词器、接口和响应特征，而不是代号本身。

小米仍是候选，但证据明显更弱

小米 MiMo 仍然是 Ox Alpha 的另一项主流猜测。 原因是小米此前曾把 MiMo-V2-Pro 的早期匿名版本以 Hunter Alpha 名义放上 OpenRouter，长上下文、多模态、Agent 和 Coding 也符合 MiMo 的产品方向。

小米猜测目前更多依赖发布惯例，而智谱猜测已经出现技术指纹。 两家公司都有匿名公测动机，也都需要在模型正式亮相前收集真实编程任务反馈；但截至 8 月 22 日，公开信息中尚未出现能让 Ox Alpha 与 MiMo 分词器、错误码或服务端参数逐项对应的同等级证据。

Ox Alpha 的真实开发者仍未得到任何官方确认。 分词器可以复用，服务框架可以兼容，错误响应也可能来自共同的基础设施；即使最终确认模型与 GLM 技术栈有关，它也可能是下一代 GLM、多模态 GLM-5.3 变体，或尚未命名的内部实验版本，不能直接把它写成某个已确定产品。

免费一周，本质上是把发布会变成压力测试

匿名限免是一种让模型先接受真实用户检验、再公布品牌的灰度发布方式。 厂商暂时拿掉名称后，开发者不会因为“下一代 GPT”或“国产模型”等标签预设结论，产生的成功率、失败日志和主观反馈通常比定向邀请测试更接近真实市场。

OpenCode 所称的每日 100 万亿 token 配额，更像压力测试目标而非常规福利。 100 万亿 token 等于 100,000,000,000,000 token；即便大量请求无法真正达到这一上限，这个数字也清楚说明供应方希望模型被高频接入终端智能体，连续处理代码库、网页、图片和视频，而不是只接受几轮聊天。

免费并不意味着这场测试没有交换成本。 模型供应方承担推理费用，开发者则贡献真实任务分布、失败模式和使用反馈。内部 Benchmark 很难覆盖依赖冲突、脏代码、无效测试、终端权限、超时和网页变化等问题，而这些恰恰决定了编程 Agent 在生产环境里是否可用。

零数据保留承诺降低了测试门槛，但仍不应被等同于可处理敏感数据的企业级保证。 在模型身份、供应方、日志策略和合规边界完全公开之前，开发者不应上传未发布源码、客户数据、生产凭证、内部视频或带有个人信息的文档。匿名模型适合跑公开仓库和脱敏任务，不适合承担无法追责的数据处理流程。

值得试，但不值得现在就替换生产模型

Ox Alpha 当前最合适的定位，是一个规格激进、初测优秀的前沿候选模型。 免费、100 万 token 上下文、原生图像与视频输入、13 万 token 输出上限，再加上 8/10 的 DeepSWE 初测结果，让它非常适合用来验证大型仓库理解、多模态调试和长链路 Agent 任务。

开发者现阶段应该测试边界，而不是只重复排行榜题目。 更有信息量的任务包括：一次读取数百个源文件后定位跨模块缺陷；根据报错录屏和日志还原操作路径；在连续数小时的工具调用中保持目标；比较 10 万、50 万和 100 万 token 下的召回率；以及重复运行同一修复任务，观察成功率和补丁质量是否稳定。

生产环境暂时不应把 Ox Alpha 作为唯一依赖。 匿名预览模型可能随时调整权重、系统提示、限速和可用时间，免费政策也可能在一周后结束；它目前没有公开版本承诺、长期价格、稳定性指标和正式服务等级。更稳妥的做法是并行评测，并保留成熟模型作为回退路径。

我们的判断是，Ox Alpha 最值得关注的并非“80% 碾压谁”，而是智谱可能正在测试一款融合长上下文、代码 Agent 与原生多模态的新模型。 如果后续身份揭晓后确属智谱，这意味着 GLM 的下一步不只是继续提高文本推理分数，而是把视觉、视频和真实软件工程工作流合并到统一模型中；如果最终不是智谱，这套技术指纹分析也说明，大模型发布正在进入一个先匿名跑真实流量、再正式命名的新阶段。

参考来源

• IT之家：神秘 Ox Alpha AI 模型限免上架，DeepSWE 初测与规格汇总——整理了 10 项 DeepSWE 测试结果、OpenRouter 展示的上下文与输出规格，以及模型归属线索。
• 知乎：如何看待 OpenCode 推出匿名模型 Ox Alpha——包含社区对分词器、推理参数、错误码、多模态路线和潜在开发者的讨论。