Dunia model besar sedang populer dengan 'ujian samaran'.
Belakangan ini, sebuah model anonim bernama Ox Alpha tiba-tiba muncul di OpenRouter. Ox sendiri artinya 'sapi', dan netizen domestik dengan cepat memberinya nama yang lebih mudah diterima:
Model besar 'Ox Alpha' (牛来).
Menurut informasi yang diungkapkan oleh OpenRouter, Ox Alpha memiliki konteks 1 juta token, mendukung input teks, gambar, dan video, dapat memanggil alat, dan saat ini sepenuhnya gratis.
Tidak lama setelah diluncurkan, pengembang langsung menghubungkannya ke Agent pengkodean dan mengujinya di repositori kode nyata.
Hasil pengujian awal menunjukkan bahwa model besar misterius 'Ox Alpha' ini kemampuannya sudah mendekati model kode top saat ini.
Sementara itu, ada netizen yang membocorkan bahwa sebuah model anonim bernama korrine sedang diuji di Code Arena. Ada yang menduganya sebagai Kimi K3.1, ada juga yang mengarahkannya ke Qwen dan MiMo, spekulasi beragam.
Dunia model besar di bulan Agustus tiba-tiba berubah menjadi permainan tebak-tebakan besar.
Penampilan Model Besar 'Ox Alpha' Mencuri Perhatian
Ox Alpha benar-benar menarik perhatian berkat kemampuan kodenya.
Pengembang Ben Davis mengambil 10 tugas dari DeepSWE untuk diuji, Ox Alpha berhasil menyelesaikan 8 di antaranya, dengan tingkat keberhasilan mencapai 80%. Dalam hasil perbandingan yang dipublikasikannya, Fable 5 Max mencapai 65%, GLM-5.3 Max dan Grok 4.6 xhigh masing-masing 62%, GPT-5.6 Sol Max 52%.
DeepSWE menguji kemampuan rekayasa perangkat lunak nyata. Model perlu membaca repositori kode, melokalisasi masalah, memodifikasi kode, menjalankan pengujian, lalu memperbaiki berdasarkan error yang muncul. Dibandingkan dengan soal pemrograman satu putaran, ini lebih mendekati pekerjaan aktual Agent pengkodean.
Namun, sampel 10 tugas ini sangat kecil. Kemudian, pengembang lain menguji pada subset DeepSWE lain, memberikan hasil sekitar 63%. Rentang tugas dan konfigurasi jalannya kedua pengujian tersebut tidak sepenuhnya sama, sehingga sementara ini tidak dapat digunakan untuk menentukan peringkat akurat Ox Alpha.
Namun, hasil-hasil ini secara awal menunjukkan bahwa model anonim ini telah menunjukkan potensi pengkodean jangka panjang yang sangat kuat, dengan kemampuan mendekati model papan atas saat ini.
Model Besar 'Ox Alpha' Sebenarnya Milik Siapa?
Identitas model besar 'Ox Alpha', saat ini rumor yang paling luas adalah GLM-5.3 Flash yang belum dirilis oleh Zhipu AI, atau versi multimodal GLM-5.3.
Ada yang bahkan secara khusus menulis blog untuk menganalisis:
1. Bukti terkuat berasal dari encoder video. Pada empat video dengan frame rate, durasi, dan resolusi berbeda, konsumsi token visual Ox Alpha sepenuhnya sama dengan GLM-5V-Turbo. MiMo, Qwen, dan GLM-4.6V menunjukkan hasil yang jelas berbeda.
2. Tokenizer teks juga sangat cocok. Peneliti menguji 25 kelompok prompt, jumlah token Ox Alpha dan GLM-5.3 selalu selisih tetap 75 token.
3. Fitur lain juga mengarah ke Zhipu. Ox Alpha menolak memproses audio, dengan cara routing yang sama seperti GLM-5V; gaya jawaban, jumlah langkah eksekusi Agent, dan antarmuka inferensi juga sangat mirip dengan GLM. Zhipu sebelumnya juga pernah menggunakan Pony Alpha untuk menguji GLM-5 secara anonim, memiliki preseden operasi yang sama.
https://ox-alpha-evidence-production.up.railway.app/
Ada juga netizen yang menemukan petunjuk dari percakapan.
Ben Davis yakin 99% bahwa ini adalah GLM-5.x.
Petunjuk-petunjuk ini meningkatkan kredibilitas dugaan GLM, tetapi belum cukup untuk mengonfirmasi identitas.
Sampai saat ini, OpenRouter dan Zhipu AI belum memberikan tanggapan publik.
Identitas korrine Lebih Misterius
Identitas model besar 'Ox Alpha' masih misterius, Code Arena kembali muncul dengan model anonim bernama korrine.
Awalnya, banyak yang menduga ini adalah Kimi K3.1, alasannya karena sebelum dirilis, Kimi K3 diduga telah diuji dengan kode kivine. Struktur kivine dan korrine mirip, sehingga memicu asosiasi.
Namun, pembocor yang pertama menyebarkan berita kemudian menambahkan bahwa model baru Moonshot yang diketahui sebelumnya mungkin sesuai dengan kode lain adamant-ananke. korrine juga mungkin berasal dari tim Tiongkok lain seperti Qwen.
Di bagian komentar, ada juga yang mengarahkannya ke MiMo V3.
Mengapa Vendor Model Besar Suka 'Bersamar'?
Pengujian anonim sedang menjadi bagian penting sebelum peluncuran resmi model besar.
Menyembunyikan vendor dan model di Arena dapat melemahkan prasangka yang dibawa oleh merek. Pengguna tidak dapat melihat identitas model, hanya dapat memilih berdasarkan output aktual, dan hasil pertarungan yang terakumulasi akhirnya juga lebih mendekati pengalaman pengguna nyata.
OpenRouter menyediakan lingkungan pengujian jenis lain.
Pengembang akan menghubungkan model ke berbagai Agent pengkodean, memasukkannya ke repositori nyata, secara terus-menerus memanggil alat, menangani tugas rekayasa perangkat lunak yang berjam-jam. Apakah konteks dapat tetap stabil, apakah pemanggilan alat dapat diandalkan, apakah model akan berputar-putar atau melencong dalam tugas jangka panjang, semua dapat cepat terungkap dalam penggunaan intensif.
Bagi vendor model, ini setara dengan uji tekanan publik. Tim dapat mengamati kasus kegagalan lebih awal, memverifikasi kapasitas layanan inferensi, dan juga mengumpulkan reputasi nyata sebelum peluncuran resmi.
Selain itu, 'menebak model' sekarang semakin menjadi sarana pemasaran, ketegangan identitas memang dapat memperpanjang siklus diskusi.
Kembali ke model itu sendiri. Jika Ox Alpha benar-benar adalah model Flash, kemampuan kodenya sudah mendekati level papan atas, lalu versi lengkap dengan sumber daya lebih tinggi dan kemampuan lebih utuh, ke mana batas atasnya akan didorong?
Referensi:
https://x.com/Adidotdev/status/2090833298713096241
https://x.com/davis7/status/2090669483740279155?s=20
https://x.com/davis7/status/2090655207831298095?s=20
https://x.com/MaxForAI/status/2090783750217162788
Artikel ini dari akun WeChat publik "机器之心" (ID:almosthuman2014), penulis: yang memperhatikan AI
