連夜實測智譜GLM-5.3-Flash：剪視頻、復刻《深海迷航》，價格降低97.5%
智譜AI於昨晚正式對外確認，近日在網路上引發熱烈討論的神秘「牛來模型」，即為全新開源的原生多模態模型GLM-5。這款模型自曝光以來，憑藉其跨模態的理解與生成能力，迅速在AI圈掀起話題，成為開發者與科技愛好者關注的焦點。據了解，GLM-5支援圖片、影片、文件與文字等多種輸入形式，具備高度整合的視覺與語言理解能力。不同於傳統模型僅能處理單一類型資料，GLM-5的設計從底層架構出發，直接建構多模態的協同處理機制，讓模型在面對複雜的真實場景時，能夠更自然地理解並回應。這項特性也使其在影片剪輯、內容生成、跨媒材比對等應用上展現出實用潛力。
值得注意的是，智譜AI為了在正式發布前收集真實用戶的使用回饋，曾將這款模型以「Ox Alpha」的代號，低調部署於OpenCode與OpenRouter兩個開放平台上，供外部開發者試用。這項策略性舉動不僅未引發外界疑慮，反而因為模型表現優異，讓「Ox Alpha」在短時間內累積了大量關注。根據平台數據顯示，這款模型在OpenRouter上線的首日，便直接登上調用量榜單的冠軍位置，同時改寫了該平台單日tokens消耗量的歷史紀錄。如此驚人的用量表現，讓許多網友在不知情的情況下，將這款模型封為「牛模王」，成為社群間口耳相傳的熱門工具。
如今官方正式揭曉身分，確認「Ox Alpha」即為GLM-5，這項消息不僅解答了連日來社群上的猜測，也讓外界對這款開源模型的實際表現更加期待。業界普遍認為，智譜AI此次選擇以開源形式釋出GLM-5，顯示出其對模型能力的高度信心，也反映了當前開源模型陣營在技術實力上的快速崛起。從市場角度觀察，GLM-5的推出也伴隨著價格策略的重大調整。根據智譜官方公布的資訊，GLM-5的API調用成本相較於前代模型大幅下降，降幅高達97.5%。這項定價策略的轉變，被視為有意降低開發者與企業導入AI應用的門檻，尤其是在需要大量多模態處理的場景中，成本優勢將更為明顯。
以實際應用情境為例，過去若要使用同等級的多模態模型進行影片內容分析或自動剪輯，往往需要耗費高昂的API費用，這對中小型開發團隊或獨立創作者而言，是相當沉重的負擔。而GLM-5的親民定價，有望讓更多創作者得以運用AI工具進行內容產製，進一步推動AI技術在影音創作領域的普及。此外，模型在「復刻《深海迷航》」這類高複雜度任務上的表現，也成為測試焦點之一。透過模型對遊戲畫面、場景描述與互動邏輯的多模態理解，GLM-5展現出在虛擬環境重建與遊戲內容生成上的潛力。這類測試不僅驗證了模型的技術廣度，也為後續在遊戲開發、數位孿生等領域的應用，提供了想像空間。
整體而言，GLM-5的正式亮相，不僅是一次技術上的發表，更代表著智譜AI在產品策略與市場布局上的重要轉折。從開放測試階段的社群熱度，到正式發布後的價格顛覆，每一步都顯示出這家AI公司試圖以更開放、更實惠的方式，將頂尖多模態能力帶入更廣泛的應用場景中。隨著GLM-5逐步開放給更多用戶使用，外界也將持續觀察這款「牛模王」在真實世界中的表現。無論是對於AI開發者、內容創作者，或是企業決策者而言，GLM-5的出現，都可能成為重新評估AI應用成本與效益的重要參考指標。
Related
相關文章
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。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.