"
牛来终于认领了，真正的考验才刚刚开始。实测比参数和榜单更接近答案。
------ 子昕
大家好，我是子昕。
前几天，OpenRouter 上突然多了一个匿名模型，provider 只写着 stealth，名字叫 Ox Alpha。中文社区很快给它起了一个外号，牛来。
它没有发布会，没有公司名字，也没有一份完整的技术报告，只有一组很夸张的规格。100 万 token 上下文，文本、图片、视频都能输入，推理默认打开，而且免费。
模型上线后很快冲到 OpenRouter 使用榜第一。按平台截至昨天的公开数据，Ox Alpha 处理了 27.2T token，DeepSeek V4 Flash 是 12.3T，前者超过后者两倍。OpenCode 那边也把它放进了免费预览，开发者一窝蜂接进去跑代码和 Agent 任务。
这几天，社区一直在猜它是谁。有人拿 tokenizer 的切分结果对照，有人比较视频输入消耗的 token，还有人盯着接口报错和参数行为。几条线索最后都指向智谱的 GLM 系列。
昨天，智谱在回应媒体询问时确认了这件事。Ox Alpha 就是 GLM 系列的新版本，随后正式发布并开源，名字叫 GLM-5.3-Flash。
「牛来终于认领了。」
我领了一张智谱的 GLM Coding Plan 7 天体验卡，直接用官方 ZCode，把之前测 Qwen 3.8 Max 和 Kimi K3 的三个场景重新跑了一遍。
这篇就讲这次实测。官方参数和榜单放在前面，结论还是以我真正操作到的结果为准。
📌 本文看点
01
模型参数与价格
02
三个真实场景实测
03
和竞品放在一起看
01
FACTS
GLM-5.3-Flash 到底是什么
先把和开发者最相关的硬信息说清楚。
GLM-5.3-Flash 是 GLM-5 系列首个原生多模态模型，总参数 320B，激活参数 18B，上下文窗口 1M，最大输出约 13.1 万 token。输入支持文字、图片和视频，输出仍然是文字，也支持工具调用。
它的架构目标很明确，就是把长上下文和多模态能力做得更便宜。官方第一次在 GLM 系列里把稀疏注意力和线性注意力放在同一个模型里，又加入 mHC 和 IndexPool。用普通话说，模型尽量少算一些无关位置，同时把需要找回来的全局信息留住。
官方架构图给出的对比是，相比 GLM-5.3，GLM-5.3-Flash 的注意力计算量降低约 3.01 倍，KV Cache 大小降低约 4.44 倍。对于需要长时间运行的编码 Agent，这些数字比总参数更接近成本问题。
训练侧，智谱称它使用了 30T token 的多模态预训练语料。官方把它放进了 Terminal Bench、DeepSWE、AutomationBench、HLE w/ Tools 和 GDPval-AA 等测试里，公开图中 GLM-5.3-Flash 的分数分别是 84.3、63.4、48.8、55.3 和 1773。
Artificial Analysis 的 Intelligence Index，智谱博客写的是 57 分，并把它放在前沿模型和低成本的交叉位置。这里要留个口径，榜单分数来自特定测试条件，不能直接换算成一个项目交付成功率。
价格也很有吸引力。
为了和 DeepSeek V4 Pro 放在同一张表里，我统一按官方 API 每百万 token 的美元价格来算。
| 模型 | 缓存命中输入 | 未命中缓存输入 | 输出 |
|---|---|---|---|
| GLM-5.3-Flash，Z.ai | $0.03 | $0.15 | $0.50 |
| DeepSeek V4 Pro，低峰 | $0.022 | $0.66 | $1.98 |
| DeepSeek V4 Pro，高峰 | $0.044 | $1.32 | $3.96 |
DeepSeek V4 Pro 的低峰价格已经是输入 0.66 美元、输出 1.98 美元，高峰时再翻一倍。普通输入和输出，GLM-5.3-Flash 大约便宜 4 倍；缓存命中这一项，DeepSeek 的低峰价反而更低。长会话大量复用前缀时，这个差异要算进去。
OpenRouter 页面还能看到部分 provider 的限时折扣价，GLM-5.3-Flash 的输入是 0.075 美元，输出 0.25 美元，缓存读取 0.015 美元。这个价格属于另一条分发渠道，不能和 DeepSeek 官方 API 的价格直接相加或比较。
GLM Coding Plan 现在每天限量发放 10,000 张 7 天体验卡。我这次就是从体验卡进入 ZCode，再把三个真实可操作的场景交给它。
领取 7 天体验卡
规格上，两边的上下文窗口都是 1M。
DeepSeek V4 Pro 的最大输出约 384K，GLM-5.3-Flash 约 131K，长文档一次生成时 DeepSeek 留出的空间更大。
GLM 的优势在原生图片和视频输入，我上一篇测 V4 Pro 时，Codex 入口读不了 Drive Mad 录屏，所以没有游戏这一项。DeepSeek 后来把视觉能力单独放在 V4-Flash-Vision-Exp 上。
公开榜单也不适合直接排座次。上一篇记录的 V4 Pro 在 Terminal Bench 2.1 是 87.9，DeepSWE 是 62.7；GLM 官方图里对应数字是 84.3 和 63.4。两边的 Harness、运行时间和评测方都不完全一样，下面还是看同一组真实场景里发生了什么。
02
METHOD
这次怎么测
三个场景和之前两篇文章保持一致，分别是纯前端视频工作台、带候补流程的实时票务系统、根据 Drive Mad 玩法视频复刻的物理驾驶游戏。
我关心模型生成页面以后，能不能把功能、状态和交互收在一起。视频工作台要看时间轴和参数修改，票务系统要看支付、退款和候补能不能继续，游戏要看操作反馈和关卡难度。
下面按场景说，做成什么和哪里没做成都会写。
03
VIDEO STUDIO
视频工作台有一个地方赢了
Pulse Studio 的要求不低。它需要素材库、视频预览、多轨时间轴、字幕、配音、音乐、片段修剪、参数检查器和本地操作，不能只做一个上传加播放的页面。
GLM 版可以上传素材，也能裁剪片段。最让我意外的是，移动轨道素材时确实有吸附功能。Qwen 3.8 Max 和 Kimi K3 那两版都没有把这个细节做出来，这里 GLM 领先了一步。
但这个优势没有把整体体验救起来。
页面样式有明显的 AI 味，文字会互相遮挡，布局也有错乱。
裁剪完成以后，素材会自动漂到轨道开头，原来的位置没有保住。变速和渐变参数改了也不生效，等于控件在页面上，功能没有跟上。
轨道移动本身也不稳定。素材拖起来经常跑到意料之外的位置，三个模型在这件事上差不多，谁都没有做得很顺。
「GLM 做出了一个可以操作的雏形，吸附是亮点，时间轴状态和参数响应不太行。」
这些问题属于功能问题，不是再调一点颜色就能解决。
04
TICKETING
票务系统卡在支付这一步
SeatFlow 这次最能说明"页面能跑"和"业务能走完"之间的差距。
项目本身可以启动，基本的功能没问题。
浏览器里的主流程却卡住了。
💡 完成锁座后发起支付，页面直接报错，后续流程全部被挡住。
这个支付错误把后面的 MockPay、出票、退款、核销和候补全挡住了。
票务系统最重要的状态链没有走完，后面的功能也没办法测。
几个交互细节也暴露了状态设计的问题。我的待支付订单里只能继续支付，没有取消订单。
销售看板入口可以进入，但看不到候补队列。
候补页面同样是空的，后台没有可看的队列。
点击整单退款以后，页面才提示演出已经开始不能退，按钮本身仍然可以点。
演出列表和详情页的状态也对不上。列表显示售票中，点进详情还能继续选座，下一步又告诉我已经停售。用户要多点几次才知道到底能不能买，这不是复杂业务才会出现的问题，前端状态没有跟上后端状态就会这样。
Qwen 3.8 Max 和 Kimi K3 的同一场景，我都走通过锁座、支付、出票、退款和候补的主要流程。
GLM 这次停在支付报错，页面数量说明不了差距，关键要看状态有没有继续往后推进。
而且这个系统页面的 AI 味儿更严重。
05
GAME TEST
游戏反而最像一个成品
Drive Mad 这个场景，我是直接把玩法视频交给 GLM，让它根据视频复刻前进、后退、越障和空中姿态控制。
三个场景里，这个游戏反而是我最满意的一个。整体复刻得比较像，前进和后退控制基本正常，车辆在空中的旋转和落地反馈也能玩。场景数量不算多，设计仍然单一，但至少从头操作到后面，不会一上来就坏掉。
它的问题出在操控调校。前进键按得太快，车子会在空中继续加速旋转，姿态很快失控。按得太慢又爬不上坡，障碍也跨不过去。我一直卡在第三关，原因不是按键失灵，是速度和物理反馈之间没有调到一个舒服的区间。
这和 Kimi K3 的游戏版本有点像，整体能玩，场景单一，细节还需要打磨。GLM 的版本更灵活，灵活到有时会把车甩飞。三个场景里，它依然是最接近要求的一项。
∞
THE END
写在最后
把三项测试放在一起，GLM-5.3-Flash 给我的感觉很两极。
原生多模态、百万上下文、公开权重、API 价格低，还有 7 天体验卡，开发者可以很容易把真实任务丢进去。它至少根据视频做出了一个可玩的游戏，也做出了带吸附的时间轴。
但参数和榜单没有替它完成最后一轮验收。视频工作台的控件没有都生效，票务系统在支付环节直接中断，游戏则需要反复调操控。
三个项目都说明同一件事，模型能把第一版做出来，状态一致性、交互细节和失败后的修复仍然需要人盯。
和 Qwen 3.8 Max、Kimi K3 放在一起看，GLM 在视频工作台的吸附上有一个明确亮点，素材移动本身三个模型都不稳定；票务系统这次没有走完主流程，跟之前两个模型有一定的差距；游戏完成度接近 Kimi K3，操控难度更高，也没有形成明显优势。
DeepSeek V4 Pro 的结果可以拿来做一个更直接的参照。同样的票务系统，我上一篇走到了支付、出票、退款和核销，候补在接受资格去支付时才报错；GLM 这次在支付入口就停了。
视频工作台则是另一种差别，两边的速度、转场和拖拽都有问题，GLM 多做出了轨道吸附。这个对照说明，GLM 的优势目前更集中在多模态入口和价格，复杂后端的状态推进还不如 DeepSeek。
「有用，但谈不上全面领先。」
它把前沿模型的试用成本压得很低，适合拿真实任务快速验证；准备把结果交给别人用时，仍然要把测试和人工验收留出来。
如果这篇对你有帮助，欢迎关注「子昕 AI 编程」，也顺手点个赞、在看，或者转发给同样在折腾 AI 编程工具的朋友。
END
我是子昕，专注AI工具，Al编程、Al提效等技术分享。
如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。