智譜確認 Ox Alpha AI 模型為 GLM 系列新版本，將發佈權重
智譜 AI 於今日（8 月 26 日）正式對外證實，近期在社群與開發者圈引發高度關注的匿名模型「Ox Alpha」，正是旗下 GLM 系列的最新版本。該公司同步宣布，將於今晚正式釋出該模型的權重，讓學術界與開源社群得以進一步研究與使用。這項消息首先由彭博社報導，智譜 AI 的發言人確認了外界長達數日的猜測，為 Ox Alpha 的身分之謎給出官方答案。這款模型最初於 8 月 20 日以匿名形式登上全球最大 AI 聚合平台 OpenRouter，在預覽期間完全免費提供給用戶測試。當時平台上僅標示為「Ox Alpha」，未透露任何開發者資訊，但卓越的表現立刻吸引大量開發者湧入。
Ox Alpha 上線後，調用量在極短時間內急速攀升，不僅一舉衝上 OpenRouter 平台排行榜首位，更刷新了該平台單日模型用量歷史紀錄。這股熱潮也擴散至其他應用場景，終端程式設計智慧體 OpenCode 隨後在其免費套餐中導入 Ox Alpha，並宣稱每日可處理高達 100 萬億個 token 的運算量，展現出該模型在程式碼生成與邏輯推理方面的強大潛力。在智譜官方正式確認前，已有研究人員透過技術手段對 Ox Alpha 進行深度分析。他們針對 25 個提示詞進行分詞器指紋比對，發現 Ox Alpha 的 token 數量與智譜先前發表的 GLM-5.
3 模型幾乎完全吻合，僅存在恆定 75 個 token 的包裝層偏差。這項細微差異被認為是 API 封裝或輸入輸出格式調整所致，而非核心模型架構的不同。此外，研究人員還比對了影片編碼器的行為模式與 API 回應特徵，結果同樣顯示 Ox Alpha 與智譜的整體架構高度一致。這些線索讓社群早在官方公告前就已推測，Ox Alpha 極有可能就是智譜 GLM 系列的最新進展，如今官方證實，等於為這項技術推斷畫下句點。智譜 AI 在 GLM 系列模型上持續投入大量資源，今年稍早才剛發布 GLM-5.3，號稱在程式設計能力上成為開源模型中最強版本，較前一代 GLM-5.2 提升約 50%。
如今 Ox Alpha 被確認為 GLM 系列新版本，意味著智譜在基礎模型迭代上又邁出一步，且選擇以匿名方式先行測試，反映其對模型效能的高度自信。值得注意的是，智譜一直以來都有開源模型權重的傳統。GLM-5.3 的權重原訂於下週五開源，而 Ox Alpha 的權重則將於今晚率先釋出。此舉不僅讓開發者能更早取得最新模型進行本地部署與微調，也為學術研究提供關鍵素材，有助於進一步探索大型語言模型的極限。業界分析指出，OpenRouter 作為全球最大的 AI 模型聚合平台，經常成為新模型首發或匿名測試的場域。
Ox Alpha 在該平台上的驚人表現，不僅證明智譜的模型能力已達到國際一線水準，也顯示出中國 AI 團隊在開源生態中的影響力正在快速提升。從 token 分析到 API 行為比對，社群對模型的逆向研究能力同樣令人矚目。隨著權重即將釋出，外界預期 Ox Alpha 將吸引更多開發者進行實測與應用開發。無論是在程式碼生成、數學推理、自然語言理解還是多模態任務上，這款模型的實際表現都值得密切關注。智譜 AI 也將藉由這次權重釋出，進一步鞏固其在開源大模型領域的領導地位。總體而言，從匿名上線到官方認證，Ox Alpha 的完整面貌終於曝光。
這不僅是智譜 AI 技術實力的又一次展示，也為全球開發者社群帶來了新的研究工具與應用可能性。今晚的權重發布，預料將成為 AI 開源圈的一大焦點。
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。