跳到主要內容

OX Alpha評測：神秘模型爆紅一週，真相是Z.ai換皮測試版 | OX Alpha Review: Mystery Model Was Z.ai's GLM Test

By Kit 小克 | AI Tool Observer | 2026-08-27

🇹🇼 OX Alpha評測：神秘模型爆紅一週，真相是Z.ai換皮測試版

過去一週，OX Alpha這個匿名AI模型在開發者圈炸鍋——8月20日無聲無息出現在OpenRouter上，號稱寫程式打贏GPT-5.6和Claude Fable 5，還完全免費、無限量開放一週。但8月26日謎底揭曉：它其實是中國AI公司Z.ai（原智譜）的GLM-5.3測試版，而那個瘋傳的「80%勝率」神話，禁不起細看。

OX Alpha是什麼來頭？

OX Alpha以「stealth/ox-alpha」的身分掛在OpenRouter和開源代理工具OpenCode上，規格不差：百萬token上下文視窗、13萬token輸出上限、支援文字、圖片、影片多模態輸入。獨立分析猜測它是混合專家（MoE）架構，總參數逾7000億、實際啟用約400億。Z.ai事後證實，這其實是即將發布的GLM-5.3 Flash輕量版測試，目的是蒐集真實使用回饋，好在正式上線前調整。

80%神話是怎麼吹出來的

爆紅的導火線是開發者@davis7的一則貼文：OX Alpha在10道DeepSWE程式題拿下80%通過率，海放Claude Fable 5的65%和GPT-5.6-sol的52%。問題是，10題的樣本數小到隨便一題結果不同就能讓數字暴起暴跌。後續社群跑了完整測試集，OX Alpha的實際成績落在62.8%左右，跟GPT-5.6-sol中階版本差不多，並非「海放」等級。連@davis7自己都承認「這麼小的樣本變異數太大」。DeepSWE的官方排行榜上，OX Alpha至今也沒有正式掛名。

免費的代價：程式碼流向不明

比跑分更值得留意的是隱私條款。OpenRouter聲稱「提示詞與回應不會用於訓練」，但預覽版更廣泛的條款卻寫著資料可用於「訓練、評估與改進」；OpenCode宣稱「零保留」，卻沒說清楚背後供應商是誰。更棘手的是，外界普遍認定的開發方Z.ai，已在2025年1月被美國商務部列入實體清單，理由是協助中國軍事現代化的AI研究。換句話說，開發者把公司程式碼餵給一個身分不明、條款模糊的模型整整一週，才等到官方承認。

給開發者的啟示

  • 跑分別只看單一貼文：樣本數低於30題的基準測試，數字可信度存疑
  • 免費預覽版先看條款：企業程式碼別隨便丟進來源不明的API
  • Z.ai已宣布本週釋出GLM-5.3權重，屆時才是真正能拿來評估的版本

OX Alpha這齣戲，說穿了是中國模型正在用「先免費、後認帳」的行銷手法搶市占——效果確實有，但開發者的判斷力不該被10題跑分帶著走。好不好用，試了才知道。

🇺🇸 OX Alpha Review: Mystery Model Was Z.ai's GLM Test

OX Alpha took over developer Twitter for a week — a mystery AI model that showed up anonymously on OpenRouter on August 20, free and unlimited, reportedly beating GPT-5.6 and Claude Fable 5 at coding. On August 26, the mystery ended: it turned out to be a test build of Chinese lab Z.ai's upcoming GLM-5.3, and the viral "80% win rate" that made it famous does not hold up.

What Was OX Alpha?

Listed as "stealth/ox-alpha" on OpenRouter and the open-source coding agent OpenCode, it shipped with real specs: a 1M-token context window, 131K max output, and multimodal input across text, images, and video. Independent fingerprinting estimated a mixture-of-experts architecture with roughly 744B total parameters and 40B active. Z.ai later confirmed it as a preview of GLM-5.3 Flash, its lightweight model, released free to gather real-world feedback before the official launch.

How the 80% Myth Happened

The hype started with a post from developer @davis7: OX Alpha scored 80% Pass@1 on 10 DeepSWE coding tasks, ahead of Claude Fable 5's 65% and GPT-5.6-sol's 52%. The problem is a 10-task sample — one flipped result swings the score wildly. A full community benchmark run later put OX Alpha at roughly 62.8%, putting it on par with GPT-5.6-sol's mid tier rather than "beating" it. Even @davis7 admitted "a subset that small carries a lot of variance." OX Alpha still does not appear on DeepSWE's official leaderboard.

The Real Cost of "Free": Where Does Your Code Go?

More important than the benchmark drama is the fine print. OpenRouter states prompts are not used for training, but the broader preview terms allow data for "training, evaluation and improvement." OpenCode claims "zero retention" without naming who is actually running the model behind it. That matters because the suspected builder, Z.ai, was added to the US Commerce Department Entity List in January 2025 over ties to Chinese military AI research. Developers were feeding production code to an unnamed model for a full week before anyone official confirmed who was on the other end.

Takeaways for Developers

  • Do not trust a viral benchmark from one post — anything under ~30 tasks is noise, not signal
  • Read the fine print before using free previews — especially with proprietary code
  • Z.ai says it will release GLM-5.3 weights this week — that is the version actually worth benchmarking

OX Alpha is really a case study in "release free, confess later" marketing from Chinese labs trying to grab mindshare — and it works. But do not let a 10-task benchmark do your thinking for you. 好不好用，試了才知道 (you will not know if it is good until you have actually tried it).

Sources / 資料來源

延伸閱讀 / Related Articles

AI 工具觀察站 — 每日精選 AI Agent 與工具趨勢
AI Tool Observer — Daily curated AI Agent & tool trends

留言

張貼留言

這個網誌中的熱門文章

Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 | Google Ironwood TPU v7 Explained: Matching NVIDIA Performance at 44% Lower Cost — The AI Chip War Heats Up

By Kit 小克 | AI Tool Observer | 2026-04-21 🇹🇼 Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 Google Ironwood TPU 是什麼？為什麼它讓 NVIDIA 緊張？ Google Ironwood TPU（代號 TPU v7）是 Google 第七代自研 AI 晶片，也是第一款 專為推理（inference）設計 的 TPU。在 AI 模型越來越大、推理需求暴增的時代，Google 不再只依賴 NVIDIA GPU，而是推出自己的推理專用晶片來搶市場。 Ironwood TPU v7 規格有多強？ 每顆 Ironwood TPU 提供 4.6 petaFLOPS 的 FP8 運算效能 ，搭載 192 GB HBM3E 記憶體，頻寬達 7.37 TB/s。單顆效能略高於 NVIDIA B200（4.5 petaFLOPS），接近 GB300 的 5 petaFLOPS。 更驚人的是規模化能力：Ironwood 可擴展至 9,216 顆晶片組成超級叢集 ，總算力達 42.5 ExaFLOPS，遠超 NVIDIA GB300 NVL72 系統的 0.36 ExaFLOPS。共享記憶體池高達 1.77 PB，解決了大型模型推理時的資料瓶頸問題。 Ironwood TPU 比 NVIDIA 便宜多少？ 根據分析，Ironwood 的 整體擁有成本（TCO）比 NVIDIA GB200 低約 44% 。在能效方面，Ironwood 的 FP8 效能達每瓦 5.42 TFLOPS，而 GB300 為 3.57 TFLOPS/W，Google 晶片的能效高出約 52%。 為什麼 Google 要做推理專用晶片？ AI 產業正從「訓練時代」轉向「推理時代」。當 ChatGPT、Gemini、Claude 等 AI 助手每天處理數十億次查詢時，推理運算的需求遠超過訓練。Google 稱之為「推理時代（age of inference）」，而 Ironwood TPU 就是為這個時代量身打造的武器。 對開發者和企業有什麼影響？ Ironwood TPU 目前 只能透過 Google Cloud 使用，無法...
閱讀完整內容

Claude Code 實測：AI 幫你寫程式到底行不行？ | Claude Code Review: Can AI Really Code for You?

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Claude Code 實測：AI 幫你寫程式到底行不行？ Claude Code 是 Anthropic 推出的命令列 AI 程式助手，直接在你的終端機裡運作。跟其他 AI 程式工具不同的是，它不是 IDE 外掛，而是一個獨立的 CLI 工具，可以讀取你的整個 codebase、執行指令、甚至幫你做 git 操作。我實際用了幾個月，以下是真實心得。 安裝與設定 安裝非常簡單，透過 npm 就能搞定： npm install -g @anthropic-ai/claude-code 。啟動後它會要求你登入 Anthropic 帳號或設定 API key。整個流程不到五分鐘。 實際使用體驗 Claude Code 最強的地方在於 它理解你的整個專案 。你不需要手動貼程式碼，它會自己讀取相關檔案、分析程式結構，然後給出建議或直接修改。實測幾個場景： Bug 修復 ：描述錯誤現象，它能自動找到問題檔案並提出修正，準確率大約 70-80% 新功能開發 ：給它需求描述，它能產出可用的初版程式碼，但通常需要人工調整細節 程式碼重構 ：這是它最擅長的。重新命名變數、抽取函式、調整架構，做得又快又好 寫測試 ：給它一個函式，它能產生相當完整的測試案例 優缺點分析 優點： 深度理解 codebase，不是只看單一檔案 可以執行 shell 指令，直接跑測試、裝套件 支援 CLAUDE.md 讓你定義專案規則 agentic 模式下可以自主完成多步驟任務 缺點： API 費用不便宜，大型專案一天可能花 10-30 美元 偶爾會過度修改，改了不該改的地方 對非英語的程式碼註解理解力稍弱 需要良好的網路連線 適合誰用？ 如果你是全端開發者、需要處理多個專案、或者經常做重構，Claude Code 絕對值得一試。但如果你只是寫簡單的腳本，免費的 Copilot 可能就夠了。 Kit 的結論： Claude Code 是目前最接近「AI 工程師」的工具。它不完美，但確實能大幅提升生產力。好不好用？試了才知道。 🇺🇸 Claude Code Review: Can AI Really Code for You?...
閱讀完整內容

Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 | AI Coding Assistants Compared: Cursor vs GitHub Copilot vs Claude Code

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 2026 年，AI 程式助手已經成為開發者的標配。但市場上選擇太多了，到底該用哪一個？我同時使用了 Cursor、GitHub Copilot 和 Claude Code 超過半年，以下是完整比較。 GitHub Copilot：最普及的選擇 Copilot 是最早普及的 AI 程式助手，整合在 VS Code 和各大 IDE 中。它的核心功能是 即時程式碼補全 ——你打字的時候，它自動建議下一行或下一段程式碼。 優點 ：補全速度快、整合度高、支援幾乎所有語言、Copilot Chat 可以問問題 缺點 ：上下文理解有限（主要看當前檔案和少量相關檔案）、Agent 模式仍在發展中 價格 ：個人版 /月，企業版 /月 Cursor：IDE 級別的 AI 整合 Cursor 是一個從頭打造的 AI-first IDE（基於 VS Code fork）。它不只是補全程式碼，而是把 AI 深度融入整個開發流程。 優點 ：Composer 功能可以跨檔案編輯、Agent 模式可以自主執行多步驟任務、支援切換不同 AI 模型、Tab 補全非常智慧 缺點 ：是獨立的 IDE 需要遷移、Pro 方案有使用量限制、偶爾不穩定 價格 ：免費方案有限制、Pro /月 Claude Code：終端機裡的 AI 工程師 Claude Code 走完全不同的路線——它是 CLI 工具，在終端機裡運作，不綁定任何 IDE。 優點 ：理解整個 codebase、可以執行系統指令、支援 git 操作、CLAUDE.md 定義專案規則、最強的 agentic 能力 缺點 ：沒有視覺化介面、按 API token 計費（可能很貴）、需要習慣 CLI 工作流 價格 ：按 API 使用量計費，或透過 Max 訂閱方案 關鍵差異比較 即時補全 ：Copilot ≈ Cursor > Claude Code（無此功能） 跨檔案理解 ：Claude Code > Cursor > Copilot Agentic 能力 ：Claud...
閱讀完整內容