Cộng đồng mô hình lớn đang thịnh hành việc 'đeo mặt nạ' để thử nghiệm.
Mới đây, một mô hình ẩn danh tên Ox Alpha bất ngờ xuất hiện trên OpenRouter. Bản thân Ox có nghĩa là 'con bò', cộng đồng mạng Trung Quốc nhanh chóng đặt cho nó một cái tên dân dã hơn:
Mô hình lớn "Bò đến".
Theo thông tin OpenRouter tiết lộ, Ox Alpha có ngữ cảnh 1 triệu token, hỗ trợ đầu vào văn bản, hình ảnh và video, có thể gọi công cụ và hiện đang hoàn toàn miễn phí.
Không lâu sau khi ra mắt, nhà phát triển đã kết nối nó với Agent mã hóa và đưa vào kho mã thực để thử nghiệm.
Kết quả thử nghiệm ban đầu cho thấy, mô hình lớn "Bò đến" không rõ nguồn gốc này, năng lực đã tiệm cận với mô hình mã hóa hàng đầu hiện nay.
Đồng thời, có netizen tiết lộ, một mô hình ẩn danh tên korrine đang được thử nghiệm trên Code Arena. Người ta đoán nó là Kimi K3.1, cũng có người chỉ vào Qwen và MiMo, đủ thứ lời đồn đoán.
Giới mô hình lớn tháng 8, đột nhiên biến thành một trò chơi giải đố lớn.
Mô hình lớn "Bò đến" thể hiện nổi bật
Ox Alpha thực sự thu hút sự chú ý, là nhờ năng lực viết mã.
Nhà phát triển Ben Davis lấy 10 nhiệm vụ từ DeepSWE để thử nghiệm, Ox Alpha hoàn thành 8 nhiệm vụ, tỷ lệ vượt qua đạt 80%. Trong kết quả so sánh được công bố, Fable 5 Max là 65%, GLM-5.3 Max và Grok 4.6 xhigh đều là 62%, GPT-5.6 Sol Max là 52%.
DeepSWE kiểm tra năng lực kỹ thuật phần mềm thực tế. Mô hình cần đọc kho mã, xác định vấn đề, sửa mã, chạy kiểm thử, sau đó tiếp tục sửa chữa dựa trên báo lỗi. So với các bài lập trình một vòng, nó gần hơn với công việc thực tế của Agent mã hóa.
Tuy nhiên, mẫu 10 nhiệm vụ là rất nhỏ. Sau đó, các nhà phát triển khác thử nghiệm trên một tập hợp con khác của DeepSWE, cho kết quả khoảng 63%. Phạm vi nhiệm vụ và cấu hình chạy của hai lần thử nghiệm không hoàn toàn giống nhau, tạm thời không thể xác định chính xác thứ hạng của Ox Alpha dựa trên đó.
Nhưng những kết quả này ban đầu cho thấy, mô hình ẩn danh này đã thể hiện tiềm năng mã hóa tầm xa rất mạnh, năng lực tiệm cận với các mô hình hàng đầu hiện tại.
Cuối cùng mô hình lớn "Bò đến" là của nhà nào?
Về thân phận mô hình lớn "Bò đến", hiện tại lời đồn phổ biến nhất là GLM-5.3 Flash chưa phát hành của ZhiPu, hoặc phiên bản đa phương thức của GLM-5.3.
Có người còn chuyên viết blog phân tích:
1. Bằng chứng mạnh nhất đến từ bộ mã hóa video. Trong bốn video có tốc độ khung hình, thời lượng và độ phân giải khác nhau, lượng token hình ảnh mà Ox Alpha tiêu thụ hoàn toàn trùng khớp với GLM-5V-Turbo. MiMo, Qwen và GLM-4.6V đều cho kết quả rõ ràng khác biệt.
2. Bộ tokenizer văn bản cũng khớp cao. Nhà nghiên cứu thử nghiệm 25 nhóm từ gợi ý, số lượng token giữa Ox Alpha và GLM-5.3 luôn duy trì chênh lệch cố định là 75 token.
3. Các đặc điểm khác cũng hướng về ZhiPu. Ox Alpha từ chối xử lý âm thanh, giống với cách định tuyến của GLM-5V; phong cách trả lời, số bước thực thi Agent và giao diện suy luận cũng rất gần với GLM. Trước đây, ZhiPu từng dùng Pony Alpha để kiểm tra ẩn danh GLM-5, có tiền lệ thao tác tương tự.
https://ox-alpha-evidence-production.up.railway.app/
Lại có netizen tìm thấy manh mối từ cuộc đối thoại.
Ben Davis cho rằng 99% xác định đây chính là GLM-5.x.
Những manh mối này làm tăng độ tin cậy của giả thuyết GLM, nhưng vẫn chưa đủ để xác nhận danh tính.
Tính đến thời điểm hiện tại, OpenRouter và ZhiPu đều chưa có phản hồi công khai.
Thân phận korrine còn mù mờ hơn
Thân phận mô hình lớn "Bò đến" còn mù mờ, thì Code Arena lại xuất hiện một mô hình ẩn danh tên korrine.
Ban đầu, không ít người đoán nó là Kimi K3.1, lý do là trước khi Kimi K3 phát hành, từng được cho là đã nhận kiểm tra với mã hiệu kivine. kivine và korrine có cấu trúc gần nhau, vì vậy đã gợi liên tưởng.
Tuy nhiên, người tiết lộ tin tức sớm nhất sau đó bổ sung rằng, mô hình mới của Moonshot đã biết trước đó có thể tương ứng với một mã hiệu khác là adamant-ananke. korrine cũng có thể đến từ Qwen hoặc các đội ngũ Trung Quốc khác.
Trong phần bình luận, cũng có người chỉ nó hướng về MiMo V3.
Tại sao các hãng mô hình lớn thích 'đeo mặt nạ'?
Kiểm tra ẩn danh đang trở thành một khâu quan trọng trước khi mô hình lớn chính thức phát hành.
Ẩn nhà sản xuất và model trong Arena, có thể làm suy yếu sự định kiến do thương hiệu mang lại. Người dùng không thấy được danh tính mô hình, chỉ có thể lựa chọn dựa trên đầu ra thực tế, kết quả đối đầu tích lũy cuối cùng cũng gần hơn với trải nghiệm thực tế của người dùng.
OpenRouter cung cấp một loại môi trường thử nghiệm khác.
Nhà phát triển sẽ kết nối mô hình với các Agent mã hóa khác nhau, đưa nó vào kho mã thực, liên tục gọi công cụ, xử lý các nhiệm vụ kỹ thuật phần mềm kéo dài hàng giờ. Ngữ cảnh có thể duy trì ổn định không, việc gọi công cụ có đáng tin không, mô hình có bị lặp vòng hoặc đi lạc trong nhiệm vụ tầm xa không, đều có thể nhanh chóng lộ ra trong quá trình sử dụng cường độ cao.
Đối với các hãng mô hình, điều này tương đương với một bài kiểm tra áp lực công khai. Đội ngũ có thể quan sát trước các trường hợp thất bại, xác minh khả năng chịu tải của dịch vụ suy luận, cũng có thể tích lũy danh tiếng thực tế trước khi chính thức phát hành.
Ngoài ra, việc 'đoán mô hình' giờ cũng ngày càng trở thành một thủ thuật marketing, sự hồi hộp về danh tính thực sự có thể kéo dài chu kỳ thảo luận.
Cuối cùng trở lại với bản thân mô hình. Nếu Ox Alpha thực sự là một mô hình Flash, năng lực mã hóa của nó đã tiệm cận với trình độ hàng đầu, vậy thì phiên bản đầy đủ với nguồn lực đầu tư cao hơn, năng lực hoàn chỉnh hơn, sẽ đẩy giới hạn lên đến đâu?
Tài liệu tham khảo:
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
Bài viết này đến từ tài khoản WeChat công chúng "机器之心" (ID: almosthuman2014), tác giả: 关注AI的
