Zhipu AI bestätigt offiziell, dass das Modell „Niu Lai“ zu seinen eigenen Produkten gehört, und der Praxistest zeigt: Es ist „Niuma“-freundlich.

Am vergangenen Wochenende stellten sich KI-Entwickler auf der ganzen Welt dieselbe Frage: Aus welchem Labor stammt das mysteriöse Modell Ox Alpha, das plötzlich auf OpenRouter aufgetaucht ist?

Es hat keine Entwickler veröffentlicht, keine Parametergröße offengelegt und keinen technischen Bericht vorgelegt, sondern ist nur als „anonymes Modell“ zur Nutzung freigegeben.

Aber innerhalb weniger Tage stieg Ox Alpha schnell in die Beliebtheitsrangliste von OpenRouter auf und löste aufgrund seiner Leistungen bei der Codegenerierung, komplexen Schlussfolgerungen und lang andauernden Agent-Aufgaben zahlreiche Spekulationen aus.

Das Geheimnis des Modells „Niulai“ ist gelüftet: Es handelt sich um GLM-5.3-Flash

Jetzt ist das Rätsel endlich gelöst.

Gestern Abend bestätigte Zhipu offiziell: Ox Alpha ist genau das neu veröffentlichte GLM-5.3-Flash. Das „mysteriöse Modell“, das in der vergangenen Woche in der ausländischen Entwicklergemeinde für Aufsehen gesorgt hat, stammt tatsächlich von Zhipu.

Ox Alpha tauchte erstmals am 20. August anonym auf OpenRouter auf.

Vor der Offenlegung seiner Identität beschrieb OpenRouter es als ein Inferenzmodell, das für Code, kontinuierliche Agent-Arbeiten und Produktionslasten entwickelt wurde und sich für die Bearbeitung langfristiger Softwareentwicklung, komplexer Schlussfolgerungen sowie Arbeitsabläufe eignet, die Text- und visuelle Informationen kombinieren.

Es kann Text-, Bild- und Videoeingaben empfangen und Text ausgeben. Die anonyme Testversion bietet einen Kontext von 1,04 Millionen Token.

OpenCode hat zudem angekündigt, das Modell eine Woche lang kostenlos für Nutzer freizugeben, und erklärte, dass der Modellanbieter eine Dienstleistungskapazität von 100 Billionen Token pro Tag bereitgestellt hat.

Diese Art von Testverfahren, das nahezu „unbegrenzt kostenlos“ ist, brachte Ox Alpha innerhalb weniger Tage eine große Anzahl echter Nutzer ein.

Patrick Collison, Mitbegründer und CEO von Stripe, erklärte nach der Nutzung, dass es „sehr beeindruckend“ sei.

Einige Entwickler stellten fest, dass Ox Alpha bei der Codeänderung, Frontend-Generierung, dem Verständnis großer Code-Repositories und dem aufeinanderfolgenden Aufruf von Tools nicht wie ein gewöhnliches kostengünstiges Modell wirkt.

Die Spekulationen der Öffentlichkeit über seine Identität nahmen dadurch zu.

Es stellte sich heraus, dass Ox Alpha kein völlig neues Projekt von Zhipu außerhalb der GLM-Reihe ist, sondern ein neues Mitglied der GLM-5-Serie – GLM-5.3-Flash. Die anonyme Veröffentlichung ähnelt eher einem groß angelegten öffentlichen Blindtest: Zuerst werden Hersteller und Modellname verborgen, damit Entwickler ihr Urteil auf der Grundlage der tatsächlichen Nutzungserfahrung fällen, bevor Identität und technische Details bekannt gegeben werden.

Zhipu hat zuvor bereits ähnliche Methoden angewendet, um Pony Alpha zu testen. Im Vergleich zur direkten Veröffentlichung von Benchmark-Ergebnissen können anonyme Tests den Einfluss der Markenwahrnehmung auf die Bewertung in gewissem Maße verringern und vor der offiziellen Veröffentlichung größere Mengen an echter Last und Nutzerfeedback erfassen.

Laut dem offiziellen Blog von Zhipu wurde Ox Alpha während seiner Verfügbarkeit auf OpenCode und OpenRouter zeitweise zum beliebtesten Modell der Woche.

Noch bemerkenswerter ist, dass der gesamte während des anonymen Tests erzeugte Datenverkehr von großen Clustern getragen wird, die auf inländischen KI-Chips eingesetzt sind.

Wie ist das neue Modell?

GLM-5.3-Flash ist ein Modell mit gemischten Experten, das insgesamt 320 Milliarden Parameter hat, aber bei der Verarbeitung jedes Tokens nur etwa 18 Milliarden Parameter aktiviert.

Das bedeutet, dass es die Parameterkapazität großer Modelle behält, aber nicht bei jeder Inferenz alle 320 Milliarden Parameter aufrufen muss.

Das Modell weist die Aufgaben je nach Eingabeinhalt einigen Expertennetzwerken zu und sucht so ein Gleichgewicht zwischen Modellkapazität, Inferenzgeschwindigkeit und Bereitstellungskosten.

Im Vergleich zur GLM-4.5-Serie liegen die Gesamtparameter beider Modelle nahe beieinander (320 Milliarden bzw. 355 Milliarden), aber die aktivierten Parameter von GLM-5.3-Flash sind von 32 Milliarden auf 18 Milliarden gesunken, und die Anzahl der Modellschichten ist von 92 auf 45 reduziert worden.

Die Verringerung der aktivierten Parameter und Schichten kann die Rechenmenge, die bei der Inferenz eines einzelnen Tokens ausgeführt werden muss, direkt senken.

Das ist auch eine der Bedeutungen von „Flash“ im Namen von GLM-5.3-Flash: Es handelt sich nicht um eine einfache Verkleinerung des Modells, sondern darum, durch Architekturänderungen die Kapazität zu behalten, die großen Modellen nahekommt, mit weniger tatsächlicher Rechenmenge.

GLM-5.3-Flash ist zudem das erste native multimodale Modell in der GLM-5-Serie, das gleichzeitig Text, Bilder, Videos und Dateien verarbeiten und ein Kontextfenster von etwa 1 Million Token bereitstellen kann.

Laut Zhipu verwendet das Modell das neueste multimodale Vortrainingskorpus mit 30 Billionen Token. Das bedeutet, dass seine visuellen Fähigkeiten nicht einfach nach Abschluss des Trainings des reinen Textmodells hinzugefügt wurden, sondern Text- und visuelle Informationen bereits während der Vortrainingsphase in ein einheitliches Modell integriert wurden.

Die Modellgewichte sind derzeit auf Hugging Face unter einer relativ freizügigen MIT-Lizenz freigegeben. Entwickler können die lokale Bereitstellung über Frameworks wie SGLang, vLLM, KTransformers und TokenSpeed durchführen.

Modelladresse: https://huggingface.co/zai-org/GLM-5.3-Flash

Konkret: Welche Highlights des neuen Modells sind beachtenswert?

Highlight 1: Neu gestalteter Aufmerksamkeitsmechanismus

Zuerst der für den Kontext von einer Million Token neu gestaltete Aufmerksamkeitsmechanismus.

Lange Kontexte gehören schon immer zu den Bereichen, in denen die Kosten für die Inferenz großer Modelle am schnellsten steigen.

Je mehr Inhalte sich das Modell merken muss, desto größer ist die Rechenmenge der Aufmerksamkeit und der Videospeicher, der von dem KV-Cache belegt wird. Wenn der Kontext auf 1 Million Token erweitert wird, steigen die Dienstkosten und der Hardwaredruck deutlich an, wenn weiterhin der herkömmliche Aufmerksamkeitsmechanismus verwendet wird.

Um diesen Overhead zu senken, verwendet GLM-5.3-Flash eine hybride Architektur, die lineare Aufmerksamkeit und spärliche Aufmerksamkeit kombiniert. Zhipu bezeichnet es als das erste Open-Source-Fortschrittsmodell, das diese hybride Architektur verwendet.

Dabei erfasst die lineare Aufmerksamkeit hauptsächlich lokale Abhängigkeiten durch Zustandsmodellierung; die spärliche Aufmerksamkeit sucht durch einen leichtgewichtigen Indexierer Informationen aus dem längeren Kontext, die mit der aktuellen Aufgabe zusammenhängen.

Einfach ausgedrückt muss das Modell nicht bei jeder Generierung alle Token vollständig miteinander berechnen, sondern verarbeitet zuerst lokale Informationen mit linearer Aufmerksamkeit und ruft dann die wirklich relevanten globalen Inhalte aus dem Kontext von einer Million Token ab.

Um die Latenz und die Speicherbelegung des Indexierers in Szenarien mit einer Million Token weiter zu senken, hat Zhipu außerdem IndexPool entwickelt, das vier Key-Vektoren des Indexierers durch gewichtiges Pooling zu einem einzigen komprimiert.

Laut den von Zhipu angegebenen Berechnungen ist die Aufmerksamkeitsrechenmenge von GLM-5.3-Flash im Vergleich zu GLM-5.3 auf etwa ein Drittel gesunken, und die Größe des KV-Cache auf etwa ein Viertel, was einer Verringerung um das 3,01-fache bzw. 4,44-fache entspricht.

Zhipu hat jedoch auch die Unterschiede zu anderen Modellen nicht verschwiegen.

In seinem Vergleich zwischen GLM-5.3, DeepSeek-V4-Flash und Kimi-K3 hat GLM-5.3-Flash die geringste Aufmerksamkeitsrechenmenge, aber der KV-Cache ist immer noch etwas größer als bei Kimi-K3 und DeepSeek-V4-Flash, was zeigt, dass seine Videospeichereffizienz noch weiter optimiert werden kann.

Neben der hybriden Aufmerksamkeit führt GLM-5.3-Flash auch Manifold-Constrained Hyper-Connections (mHC) ein, um die Trainingsstabilität und die Effizienz der Parameternutzung während der Modellerweiterung zu verbessern.

All diese Änderungen zielen auf ein einziges Ziel ab: GLM-5.3-Flash verfolgt nicht das einfache Ziel, das Modell größer zu machen, sondern möchte die tatsächliche Rechen- und Speicherressourcen reduzieren, die zur Erledigung derselben Aufgabe erforderlich sind.

Highlight 2: Code- und Agent-Fähigkeiten sind die Hauptstärken von „Niulai“

Aus den von Zhipu veröffentlichten Testergebnissen konzentrieren sich die Vorteile von GLM-5.3-Flash hauptsächlich auf Code, Toolaufrufe und lang andauernde Agent-Aufgaben.

In DeepSWE v1.1 erzielte GLM-5.3-Flash 63,4 Punkte, was höher ist als die 46,2 Punkte von GLM-5.2. DeepSWE konzentriert sich nicht darauf, das Modell einen Codeabschnitt vervollständigen zu lassen, sondern testet, ob es in ein echtes Code-Repository eintreten, die Projektstruktur verstehen, Probleme lokalisieren und Änderungen vornehmen kann.

In AutomationBench, das die Fähigkeit zur automatisierten Bedienung testet, erzielte GLM-5.3-Flash 48,8 Punkte, GLM-5.2 26,2 Punkte. Darüber hinaus erzielte es 56,3 Punkte bei NL2Repo, 78,4 Punkte bei Toolathlon Verified, 26,3 Punkte bei Agents’ Last Exam und 84,3 Punkte bei Terminal-Bench 2.1.

Terminal-Bench testet hauptsächlich, ob das Modell Aufgaben der Softwareentwicklung, Systemverwaltung und Datenverarbeitung in einer echten Terminalumgebung erledigen kann. Das Modell muss nicht nur Antworten geben, sondern auch tatsächlich Befehle aufrufen, die Ausführungsergebnisse beobachten, Fehler bearbeiten und die Aufgabe weiter vorantreiben.

Diese Tests ähneln stärker der aktuellen Arbeitsweise von Coding-Agenten: Das Modell muss kontinuierlich denken und bedienen, anstatt Code in einem Durchgang zu generieren.

In dem internen Test von Zhipu, Z.ai Code Bench v1.0, übertraf GLM-5.3-Flash GLM-5.2 bei unterschiedlichen Inferenzintensitäten. Bei der höchsten Inferenzintensität erzielte es 29,0 Punkte, nahe an den 29,5 Punkten von Claude Opus 4.8. Der Test wurde in der Umgebung von Claude Code 2.1.207 ausgeführt.

Die dritte Partei Artificial Analysis hat GLM-5.3-Flash einen Gesamtintelligenzindex von 57 Punkten zugewiesen.

Bei dem günstigen Preis beträgt die durchschnittlichen Kosten pro Aufgabe etwa 0,045 US-Dollar. Laut Zhipu waren in der Vergangenheit etwa zehnmal so hohe Kosten erforderlich, um ein vergleichbares Gesamtleistungsniveau zu erzielen.

Die von verschiedenen Code- und Agent-Modellen verwendeten Testframeworks, Toolumgebungen, Inferenzbudgets, maximalen Ausgabelängen und Zeitüberschreitungszeiten können unterschiedlich sein. Beispielsweise erlaubte Zhipu dem Modell im Test von Terminal-Bench 2.1 maximal 6 Stunden Laufzeit und legte die maximale Generierungslänge auf 65536 Token fest; DeepSWE verwendet ebenfalls eine 6-Stunden-Zeitüberschreitungseinstellung.

Daher können Benchmark-Ergebnisse zeigen, dass das Modell unter bestimmten Einstellungen starke Code- und Agent-Fähigkeiten besitzt, aber sie sind nicht direkt gleichbedeutend mit der Leistung bei allen echten Produktionsaufgaben. Der interne Z.ai Code Bench von Zhipu gehört ebenfalls zu den Hersteller-Selbsttests, sodass mehr Drittwiederholungen erforderlich sind.

Die Bedeutung des anonymen Tests von Ox Alpha liegt genau darin, Beweise außerhalb der Benchmark-Ergebnisse zu ergänzen: Auch wenn Entwickler den Hersteller und den Modellnamen nicht kannten, erlangte es durch die echte Nutzungserfahrung eine hohe Aufmerksamkeit