智谱确认 Ox Alpha 为 GLM-5.3-Flash，开源权重已上线

智谱正式确认，过去一周在 OpenRouter 上以匿名身份引爆海外开发者社区的神秘模型 Ox Alpha，正是其最新发布的 GLM-5.3-Flash。在身份揭晓前，这款模型凭借代码生成、复杂推理和长时间 Agent 任务中的表现迅速冲上 OpenRouter 热门榜单，Stripe 联合创始人 Patrick Collison 也公开评价其「非常令人印象深刻」。

模型基本架构：320B 总参数，仅激活 18B

GLM-5.3-Flash 是一款混合专家（MoE）模型，总参数规模为 3200 亿，但每次处理 Token 时仅激活约 180 亿参数。与 GLM-4.5 系列相比（总参 3550 亿、激活 320 亿、92 层），GLM-5.3-Flash 将激活参数压缩至 180 亿，模型层数减少至 45 层。激活参数和层数的缩减直接降低了单 Token 推理所需计算量，这也是「Flash」名称的来源：通过架构变化而非简单缩小模型，用更少计算量保留接近大型模型的能力。

该模型还是 GLM-5 系列中首款原生多模态模型，可同时处理文本、图片、视频和文件，并提供约 100 万 Token 上下文窗口。智谱称其采用了最新的 30 万亿 Token 多模态预训练语料，视觉能力在预训练阶段便与文本统一建模，而非后期外挂。模型权重已通过 Hugging Face 开源，采用 MIT 许可证，开发者可通过 SGLang、vLLM、KTransformers 和 TokenSpeed 等框架本地部署。

关键技术亮点：混合注意力与代码 Agent 能力

为百万 Token 重设计的注意力机制

GLM-5.3-Flash 采用线性注意力与稀疏注意力结合的混合架构，智谱称其为首个采用此类混合架构的开源前沿模型。其中线性注意力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上下文中检索相关信息。为进一步压缩索引器开销，智谱设计了 IndexPool，通过加权池化将四个索引器 Key 向量压缩为一个。

按官方测算，相较 GLM-5.3，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）。不过在与 DeepSeek-V4-Flash 和 Kimi-K3 的对比中，GLM-5.3-Flash 的 KV Cache 仍略大于上述两者，显存效率尚有优化空间。此外，模型还引入了 Manifold-Constrained Hyper-Connections（mHC）以提升训练稳定性。

代码与 Agent 能力为主打长板

在多项代码和 Agent 基准测试中，GLM-5.3-Flash 较前代有明显提升：

DeepSWE v1.1：63.4（GLM-5.2 为 46.2）
AutomationBench：48.8（GLM-5.2 为 26.2）
NL2Repo：56.3
Toolathlon Verified：78.4
Agents' Last Exam：26.3
Terminal-Bench 2.1：84.3

Terminal-Bench 2.1 测试允许模型最长运行 6 小时、最大生成长度 65536 Token，更接近真实 Coding Agent 的连续思考与操作模式。在智谱内部的 Z.ai Code Bench v1.0 最高推理强度下，GLM-5.3-Flash 取得 29.0 分，接近 Claude Opus 4.8 的 29.5 分。第三方机构 Artificial Analysis 则给出综合智能指数 57 分，优惠价格口径下每项任务成本约 0.045 美元。

视觉能力进入代码执行闭环

GLM-5.3-Flash 将视觉理解纳入代码与 Agent 执行链路，形成「观察—实现—使用—修正」闭环：模型先读取截图、设计稿或软件界面，生成代码并运行，再观察渲染结果与参考画面比较并修改。为此智谱构建了面向视觉编码的数据合成流程，并在前端场景引入基于真实用户流程的 Agent 验证强化学习。该能力可覆盖前端页面复刻、游戏开发、Blender 3D 场景、CAD 建模以及 Computer Use 等任务。

全部测试流量跑在国产芯片上

GLM-5.3-Flash 官方博客披露，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。智谱基于 SGLang 为该模型开发了专用推理引擎，包含 ReplaySSM、W8A8 量化、INT8/FP8/BF16 混合 KV Cache 量化、Layer Split 等优化。在集群层面采用 Encode—Prefill—Decode 分离架构，将多模态编码、提示词预填充与逐 Token 解码拆分为独立调度的工作池。

按照官方说法，这套系统已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，端到端推理性能提升了 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。

实测体验：逻辑推理可用，但日程规划偏紧

在实际测试中，GLM-5.3-Flash 在经典逻辑题（三个标签全错的盒子问题）上仅用 13 秒、消耗 2303 Token 即给出正确解答。但在「上海出差三日日程」规划任务中，模型虽识别出航班晚点风险并建议提前抵沪，整体排程却未预留通勤与休整时间，衔接偏紧凑。

综合来看，GLM-5.3-Flash 在代码与 Agent 方向的能力提升有明确基准支撑，混合注意力架构与国产芯片全栈部署也是其差异化亮点。匿名测试积累的真实负载反馈，配合后续开源释放的技术细节，为开发者评估该模型提供了较完整的参考信息。