← 返回 Siami 首頁
🤖 AI 速報 2026年8月24日 上午12:00 TechCrunch

神祕模型 Ox Alpha 橫空出世　OpenRouter 排行衝上第二　工程界全都猜錯了

▲ 91 💬 38
神祕模型 Ox Alpha 橫空出世　OpenRouter 排行衝上第二　工程界全都猜錯了

編按：本文綜合整理自 TechCrunch、SiliconANGLE、TechTimes，並加入 Siami 編輯部觀點與分析。原文標題：Who’s behind the new ‘stealth model’ Ox Alpha?（Anthony Ha, 2026-08-23）。

事件：一個沒有名字的頂級模型

2026 年 8 月 20 日，AI 模型聚合平台 OpenRouter 上突然出現一款名為 Ox Alpha 的免費模型，沒有公司標示、沒有產品 logo、沒有新聞稿——只寫著「stealth model」（隱身模型），由「a third-party provider who has chosen to remain anonymous during this preview」（選擇在預覽期間保持匿名的第三方供應商）提供。

三天內，Ox Alpha 衝上 OpenRouter 每週 token 用量排行榜第二名，僅次於 DeepSeek V4 Flash 0731；單日 API 呼叫量達到 1.45 億次、累計處理超過 11.4 兆個 prompt token。Stripe 執行長 Patrick Collison（其公司於 8 月 19 日宣佈收購 OpenRouter）在 X 上以「very impressive」一詞公開背書，把這款神祕模型直接推進主流開發者視野。

一個完全不具名的供應商，免費提供號稱達到前沿等級的程式設計模型容量——OpenRouter 官方說法是「只是路由請求，並非開發者、擁有者或營運者」。

規格：在「匿名」之外能驗證的部分

雖然開發者身份仍是謎團，Ox Alpha 的技術規格卻對外公開，可從 OpenRouter 的模型頁面直接讀取：

  • Context window（上下文視窗）：1,048,576 token，是大多數生產級模型（8K–200K）的五到一百倍
  • 最大輸出長度：131,072 token
  • 支援輸入模態：文字、圖片、影片
  • 不支援輸入模態：音訊（請求會被拒）
  • 定位描述：「a reasoning model designed for coding, sustained agentic work, and production workload」（為程式設計、長時間代理作業與生產環境工作負載設計的推理模型）
  • OpenCode 配套：開源終端代理 OpenCode 於同日宣佈獨家提供，聲稱每日 100 兆 token 容量、限流「近乎無限」、免費一週（約至 8 月 27 日止）
  • OpenRouter 路線：官方 Email 通知使用者免費窗口至 8 月 24 日（週一）

社群測試的吞吐速度約為每秒 29 個 token，對於這個級距的 context window 而言屬於合理表現。

為什麼這件事重要

這不是一個普通的神秘模型故事。Ox Alpha 同時打破三條 AI 產業的既定規則。

1. 邊界模型不再需要「先發表、後使用」的順序

過去一年，頂級模型廠商幾乎都遵循 Anthropic / OpenAI / Google 的發表節奏：先辦發表會、再開放 API、最後才讓使用者驗證品質。Ox Alpha 反過來——讓使用者先盲測，發表會之後再補辦。開發者拿到的是沒有品牌光環、沒有期待值的純粹輸出，反而能更準確地評估真實能力。這種「盲測優先」的策略，可能成為下一輪模型競爭的標準操作。

2. 匿名本身成為產品

Ox Alpha 的魅力有相當部分來自「沒人知道是誰」。科技分析師 Andrew Curran 在 X 上指出，初期外界普遍猜測是中國公司 Z.ai 的 GLM 系列；Wccftech 起初也指向 GLM，後改口「可能是微軟未發表的 MAI」；Reddit 與 X 上的討論則分化成「絕對不是中國做的」與「高度自信是中國」兩派。當猜測本身成為話題時，模型的能見度已經遠超過任何付費行銷。

3. 程式碼版權與資料外洩的灰色地帶

SiliconANGLE 引用的條款分析顯示：OpenRouter 的模型頁面寫明「prompts and completions are retained by the provider and are not used for training」（提示與補完會被供應商保留，但不會用於訓練）；但平台更廣泛的「匿名預覽」條款，卻延伸到「訓練、評估與改進」皆可使用。OpenCode 路線則宣稱「zero retention」（完全不保留）——但其供應商身分同樣未公開。企業原始碼正在流向一個沒有名字的供應商，沒有人能檢查它最後落在哪裡。

數據解讀：90% 社群共識指向 Z.ai，但沒有人承認

開發者社群在 48 小時內完成了一套完整的鑑識調查，比單純跑 benchmark 更具說服力。

Tokenizer 指紋比對（30/30 完全吻合）

研究者 @aitrackerbot 將 25 個多樣化提示送進 Ox Alpha 並記錄精確 token 數；Chetaslua 隨後把測試擴展到 30 個字串，覆蓋 14 種書寫系統、emoji、程式碼與 SQL。30 個提示的 token 數全部與 GLM-5.3 吻合，僅有每個請求固定偏移 75 個 token——這是 system prompt 或路由層包裝的特徵，不是模型架構差異造成的。

影片編碼器三重吻合

Ox Alpha 接受影片輸入，多數競爭候選模型則不接受。測試四支受控影片後發現，Ox Alpha 對每支影片的 token 消耗與 Zhipu 自家的多模態代理 GLM-5V-Turbo 在三個獨立設計選擇上完全一致：每秒抽取幀數（FPS-invariant）、token 成本隨影片時長的擴展（約 147 tokens/秒）、以及 token 成本隨幀解析度的變化。三個獨立選擇同時吻合，純粹巧合的機率遠低於單一數字對齊。

Stack trace：直接命中 Z.ai 的內部類別

Chetaslua 對 OpenCode 的 Ox Alpha 路由刻意發送一個格式錯誤的請求（將 top_p 參數設為字串「abc」而非數字），伺服器回傳的 Java 驗證錯誤暴露了自己的內部類別：

com.wd.paas.api.domain.v4.chat.ChatCompletionRequest

這個 package 路徑直接對應到 Zhipu 的官方 API 路由 open.bigmodel.cn 與 api.z.ai。

錯誤代碼方言

Z.ai 託管的 GLM 模型在 OpenRouter 上遇到錯誤的 role 欄位時，會回傳獨特的錯誤：{"code":"1214","message":"Incorrect role information"}。Ox Alpha 回傳完全相同格式的錯誤。關鍵對照：在 DeepInfra 上託管的 GLM-5.2（同一份模型權重、不同營運者）卻回傳不同的錯誤格式（pydantic validation error）。這代表證據指向的是「誰在託管這個模型」，而不只是「可能是哪個模型」。

Chetaslua 對營運層身份的信心度評為 0.98。Explainx.ai 的獨立評估將此定調為「implementation detail leaking at the routing layer」（在路由層洩漏的實作細節），並明確與先前的行為指紋區分開。Zhipu AI 與 OpenRouter 至今均未正式承認或否認這項歸因。

質疑：為什麼 Z.ai 不自己站出來？

若鑑識結論成立，Z.ai（Zhipu AI 前身）過去就有匿名預覽的紀錄——GLM-5 曾在 OpenRouter 上以 Pony Alpha 名義上架，直到正式發表才公開身分。這次的 Ox Alpha 與六個月前五個先例呈現同一模式：

  • Xiaomi MiMo-V2-Pro：以 Hunter Alpha、Healer Alpha 之名上架
  • Ant Group Lingxi Ling-2.6-flash：匿名預覽後才揭露
  • Meituan LongCat-2.0：相同的「匿名→正式」節奏

一個匿名的發布、免費的前沿規模、社群累積基礎、實驗室在最後一刻站出來宣佈正式產品——這個劇本已經上演到第五次，不再是謎團，而是被記錄下來的發布操作手冊。

政治風險

TechTimes 的分析特別強調一點：若 Z.ai 確實是供應商，則「企業程式碼正流向一個沒有名字的供應商」並非小事——美國商務部已於 2025 年 1 月 16 日將 Zhipu AI 列入 Entity List，該規則明文指出受列公司「透過開發與整合先進人工智慧研究推進中國軍事現代化」。Zhipu AI 是 Z.ai 的前名字。沒有具名的供應商接收企業程式碼，且沒有機制可以檢查資料流向，在監管合規的尺度上是紅燈。

Benchmark 數據本身需打折扣

開發者 Ben Davis（@davis7）以 10 個任務在 DeepSWE 軟體工程基準上測試 Ox Alpha，8/10 通過（80% 分），對照組 Claude Fable 5 為 65%、GPT-5.6-sol 為 52%。但 Davis 自己加註警語：在 10 個任務的子集上，一個任務的結果就會把通過率拉動 10 個百分點。他後續跑了完整的 DeepSWE 套件，Ox Alpha 的表現大致與 GPT-5.6-sol 中段持平，而非遠遠超前。沒有任何公開排行榜收錄這個分數。

延伸資源

影片說明：以 developer 角度分析 Ox Alpha 規格、benchmark 與鑑識過程，影片長度 8 分鐘。