Ox Alpha 深度解讀：95/95 GLM 指紋，63% 為何不是完整跑分？（2026）

2026 年 8 月 23 日，Marcus Schuler 在 The Implicator 發布〈Ox Alpha Matches Zhipu’s GLM Tokenizer in 95 of 95 Tests〉：這篇調查把 Ox Alpha 的 tokenizer、Z.ai 服務層線索、DeepSWE 跑分與匿名供應者串成一個完整故事。它抓對了最重要的身分線索，卻把「約 63%」誤寫成完整 113 題結果；這個錯誤會直接改變讀者對模型能力的判斷。

先把四種證據拆開，答案會清楚很多：平台流量只能證明被大量呼叫；benchmark 要看分母與設定；tokenizer 能辨識詞彙表血緣；錯誤訊息比較像服務層指紋。任何一條單獨拿出來，都不足以證明 Ox Alpha 就是某個確切 GLM checkpoint，更不能證明匿名供應者就是 Z.ai。

“A full 113-task community benchmark came in at roughly 63 percent.”

中文：一份完整 113 題的社群 benchmark，結果約為 63%。

The Implicator 原文

這句話是原文最關鍵、也最需要更正的地方：公開紀錄顯示，約 63% 來自一個未公開分母的較大子集；目前可逐題檢查的完整 113 題社群 run 是 66/113，也就是 58.4%。兩者不是同一份測試。

原文抓對了什麼：95/95 是強指紋，不是身分證

The Implicator 的核心依據來自 Joseph W. Elstner 的 tokenizer 指紋研究。他用多語言文字、程式碼與 Unicode 邊界字串建立 95 組 probes，再比對 Ox Alpha 回報的 prompt-token 數與公開模型詞彙表。加入 GLM‑5 詞彙表後，結果是 95/95 計數完全一致、平均絕對誤差為 0；另一組把 Ox、Z.ai 上的 GLM‑5.2 與本機 tokenizer 放在一起的測試，則有 25/29 一致，其餘四筆可由特殊字面量與輸入防護差異解釋。

這是比「問模型你是誰」或比較文風更扎實的黑箱證據。tokenizer 決定字串如何被切成 token，通常在訓練前就固定；要讓 95 組邊界案例全部碰巧相同，比讓兩個模型寫出相似答案困難得多。因此，Ox Alpha 使用 GLM‑5 世代的詞彙表／計數方案，已是合理且有公開測試支撐的判斷。

但指紋的解析度到此為止。Z.ai 在 Hugging Face 發布的 GLM‑5、GLM‑5.1 與 GLM‑5.2 三份官方 tokenizer.json 逐位元一致；Z.ai 也說 GLM‑5.3 沿用 GLM‑5.2 的 base model，差異來自 post-training。完美 tokenizer match 因而無法辨認 5、5.1、5.2 或 5.3，更無法辨認權重是否被微調、是否加上視覺 encoder，或背後由誰營運。

63% 的真正出處：較大子集，不是完整 113 題

把時間線排好，混淆就消失了。8 月 21 日，Ben Davis 先公開 10 題小測試：Ox Alpha 通過 8 題，得到 80%，而他在原貼就提醒「這是子集，真實分數可能有很大變異」。同日稍晚，DeepSWE 建立者 @winkey_h 回報約 63%，原文精確寫的是「on a DeepSWE subset」；貼文沒有公開題數、task IDs、traces 或完整設定。

8 月 22 日，Henry Zhang 才公開 完整 113 題 repository，canonical aggregate 是 66/113（58.4%）。Ben 隨後把約 63% 轉述成「Actual DeepSWE run … Ended at ~63%」，語意容易被讀成完整測試；約一小時後他又 更正執行者與範圍：那是 @winkey_h 的較大子集，不是完整 113 題。The Implicator 在更正貼文之後仍把兩條線合併，才留下「Ben 完成 113 題、約 63%」這個錯置敘述。

公開數字	實際分母與證據	可以怎麼解讀
80%	Ben Davis：8/10，每題一個 Ox rollout；未附完整 traces 與固定環境	探索性訊號，變異很大
約 63%	Wenqi／Kevin：較大但未公布分母的 DeepSWE 子集	比 10 題更有資訊，不能冒充完整 113 題
58.4%	MatchaOnMuffins：66/113，公開 config、results 與逐題 artifacts	目前最可稽核的完整社群 run，但不是官方 leaderboard 成績

58.4% 也需要邊界。該 run 使用 Pier 0.3.1、Docker、一次 rollout／task、90 分鐘 agent timeout；軌跡記錄解析到 mini-swe-agent 2.4.6。它與官方 DeepSWE 的 Modal 環境、約四次 rollouts／task、150 分鐘 timeout 及錯誤排除規則並不相同。更細看，社群 aggregate 有一題同時標記 timeout 與 reward=1；若依官方論文把 agent timeout 判為失敗，會變成 65/113（57.5%）。因此，66/113 是這份公開 artifact 的 canonical 結果，卻不宜直接換算成官方排名。

超過 11 兆 tokens：分發爆發，不是品質通過證明

題目最初記錄的 4.63T 已經過時。截至 8 月 24 日清晨，OpenRouter 公開模型卡與資料端點顯示，Ox Alpha 的七日滾動用量已超過 11 兆 tokens。這是 input 與 output 的合計處理量，不是模型「生成」了 11 兆 tokens：同一時點的資料中，約 98.5% 是 prompt tokens，completion 約占 1.5%；cached-native tokens 又約等於 headline 合計的 85.8%。

所以這個數字最可靠的含義，是 Ox Alpha 在免費、百萬 context、Coding Agent 接入與神祕身分的條件下快速分發。它不能告訴我們有多少獨立使用者、多少輸入是重複 cache、patch 是否正確，也不能代替 benchmark。把平台流量當作能力分數，就像用網站 pageviews 判斷論文是否正確：能證明注意力，不能證明結論。

服務層很像 Z.ai，公開的 GLM‑5.3 卻不是同一個產品形態

研究者 Chetaslua 回報，透過 OpenCode 對 Ox Alpha 送出 malformed request 時，取得帶有 com.wd.paas.api.domain.v4.chat.ChatCompletionRequest Java class path 與 code 1214 的錯誤回應；Z.ai 的 官方錯誤碼表確實把 1214 定義為 invalid field。這項單次第三方觀察比輸出語氣更像服務層線索，可能指向共用 gateway、validator 或 serving code，仍未獲營運者確認。

它們仍不等於權重簽名。OpenRouter 把 Ox Alpha 標為文字、圖片、影片輸入，最多 1,048,576 tokens context 與 131,072 completion tokens；Z.ai 現行 GLM‑5.3 文件則列為文字輸入、1M context、128K output。Ox 可能是 GLM 家族衍生版、尚未公開的 preview SKU，也可能在語言模型前加上視覺 encoder／router。最節省假設的結論不是「已破解為 stock GLM‑5.3」，而是GLM‑5 詞彙表血緣很強，Z.ai 相容服務層也很可疑，確切 checkpoint 與 operator 仍未獲第一方確認。

免費匿名預覽的真正代價：公開條款互相打架

OpenRouter 的 Ox Alpha 模型頁目前列出 input、output 都是每百萬 tokens 0 美元，並明載匿名供應者會保留 prompts 與 completions；同一頁同時說這些資料不會用於訓練。可是 2026 年 7 月 6 日更新的 Stealth Model Terms 又授權將 User Content 用於訓練、評估與改進；supplemental terms 頁目前未列 Ox Alpha，並說未列模型適用通用 EULA。第一方公開說明目前無法彼此完整對上。

因此，Ox Alpha 適合用公開 repository、合成任務與可重跑 eval 探索，不適合直接接上公司私有程式碼、API keys、客戶資料或未發表設計。這不是因為已證明供應者會濫用資料，而是因為 route 會保留內容，讀者也無法從目前兩份互相衝突的公開說明確定資料用途邊界。OpenRouter 的 EULA 只把它定位成可隨時移除的限時預覽，因此也不能把目前的 0 美元價格外推成長期承諾。

AlphaLab 判斷：謎底還沒揭開，證據已足以改變用法

• 原文最有價值的結論成立。95/95 tokenizer match 讓 GLM‑5 家族血緣從猜測升級為強而可重查的證據；但共用 tokenizer 跨越多個 GLM 版本，不能辨認確切 SKU、權重或營運者。
• 原文最關鍵的 benchmark 敘述不成立。約 63% 是未揭露分母的較大子集；完整 113 題公開 run 是 66/113（58.4%），而且仍受 harness 與 timeout 規則限制。
• 超過 11 兆 tokens 證明 Ox Alpha 成為分發現象。七日流量的絕大部分是 input，且大量命中 cache；它是需求與 Agent 工作負載的訊號，不是品質或獨立使用者數。
• 服務層線索比自我介紹可靠，仍只能定位到家族與基礎設施。相同 tokenizer、Java class path 與 1214 error envelope 能由衍生模型、代理 gateway 或多模態 composite 一起解釋，沒有必要先跳到「就是 stock GLM‑5.3」。

接下來真正值得追的不是更多「你是誰」截圖，而是三個可對帳事件：匿名供應者是否由第一方揭露、OpenRouter 是否統一 retention／training 條款，以及獨立團隊能否在固定 task commit、相同 harness、相同 rollouts 與 timeout 下重現完整結果。在這三項證據到位前，Ox Alpha 最準確的定位就是：高使用量、GLM 血緣證據很強，但身分、條款與可比較能力仍未結案的匿名預覽。