智谱GLM-5.3-Flash开源发布，十分之一价格对标Claude Opus 4.8性能_服务软件

1. 智谱联合创始人唐杰老师关于 GLM 5.3 以及模型训练的一些分享：智谱 GLM-5.3 没有换基模底座，纯靠后训练让编码能力提升 50%。GLM-5.3 模型的底座是 GLM-5.2，约 743B 参数的混合专家（MoE）模型，每次推理只激活约 40B 参数。团队花了一个月，在长周期环境中做强化学习，编码能力比 GLM-5.2 提升了 50%。这里解释一下 MoE：传统模型每次推理要跑完所有参数，MoE 相当于把模型拆成一群“专家”，每次只调用其中几个，推理速度更快、成本更低。推文中特别区分了两个概念：1. 总参数量决定模型学习了多少知识2. 激活参数量和有效深度决定模型能想多深。比如说，让模型去找安全漏洞，主要是依赖的是推理能力，能把一条二十步的推理链完整走到底，相对来说各种安全数据库是次要的。至于为什么不换底座也能大幅提升呢？AI 模型的扩展（scaling）不止堆参数这一条途径。如果梳理下这些年模型训练的发展路线：- 2020 年 Kaplan 等人的研究建议参数增长要远快于数据，GPT-3、Gopher 都是这个思路的产物。- 2022 年 DeepMind 的 Chinchilla 论文则认为参数和数据应该同步增长，参数大的模型反而是最浪费算力的。- 再后来，大家发现模型上线后推理成本远超训练成本，最优解又变成了用更小的模型训更久，比如 Llama-2-7B 每个参数喂了约 290 个 token，Gemma-2-9B 更是喂了 889 个。模型能力由很多因素决定：底座大小、预训练数据量、每次前向传播的计算量、后训练。对于现阶段，模型后训练还有很大潜力可以挖掘。

2. 聊聊唐杰老师对GLM-5.3和Scaling Law的思考

3. 刚刚，智谱创始人唐杰老师，在 X 上发了一篇超棒的帖子，专门说了下他对 Scaling Law 的理解（图1）。正好今天 AA 的成绩也出来了，GLM-5.3 拿到了 60 分，上一代 GLM-5.2 是 53 分，基座是完全相同的，总参数 753B，激活 40B，而且大家 Coding 体感也都很棒，都觉得是国产 SOTA 了。（图2）但也有很多人也在说为啥智谱这次不训个新的基座模型。唐老师这篇帖子，刚好讲的非常清楚，也有非常多的干货。他说，Scaling，从来不只有参数量这一个点。我们以前一聊大模型，最先问的总是参数量，但是参数量单独拿出来，其实说明不了多少东西。现在它至少还得跟另外三个问题放在一起看：模型有多少数据。算力花在了哪。谁在什么条件下运行它。这背后，其实是 Scaling Law 过去几年一直在发生的变化。 2020 年，Kaplan 等人算出一个比例，认为参数增长应该比数据增长快得多，大概是 2.7 比 1。然后整个行业也都这么走了，很多模型越做越大，万亿参数也一度被当成了模型进步的必经之路。到了 2022 年，Hoffmann 等人拿四百多个模型重新做了一遍实验，结果发现，算力最优的分配更接近每个参数 20 个 Token。算力继续增加时，参数和数据应该以差不多的速度一起增长。这就是 Chinchilla Scaling Law。其实现在回头看，之前那一轮最大的模型，反而也是算力分配最失衡的一批。参数堆得太快，数据没有跟上，实际上效果没有那么好。但版本还在变化，因为 Chinchilla 考虑的是一个模型训练一次，然后拿去评测。但是今天的模型上线以后，每天可能被调用几十亿次，上线后的推理成本可能远远大于那一次训练。所以如果我们把这笔账也算进去，最优解又会往更小、训练更久的模型移动。到了 MoE 时代，那个简单的 20 比 1 也不够用了。唐老师在帖子里区分了两个很重要的东西。总参数量，大概决定模型能装下多少知识、事实和长尾信息。激活参数和每次前向计算的有效深度，大概决定模型的长程推理能力。需要记忆的任务，更吃参数量。需要推理的任务，更吃数据。后续研究甚至发现，在每个参数对应 Token 数量固定时，继续增加总参数可能会让推理变差，激活更多专家反而会稳定地提升推理能力。所以，大模型到底有多聪明，早就没法被一个总参数量概括了。 GLM-5.3 这次，唐老师说，它更像一次控制变量实验。大模型 Scaling 依然在继续。只是它已经从一个越来越大的数字。变成了寻找最优解的游戏。#AI##科技先锋官##GLM-5.3##How I AI#

4. 牛来进军 AI 行业了。。。牛来 SOTA AI ！！！Ox Alpha（OpenRouter 上的模型 ID 为 stealth/ox-alpha，也有 OpenCode 上的免费版）。上线时间：大约2026年8月20日深夜（北京时间21日凌晨）以“隐身模型”（stealth model）身份低调出现在 OpenRouter 等平台。主要规格：约100万 token 上下文窗口最大输出约13万 token支持文本 + 图片 + 视频多模态输入支持工具调用目前限时免费（约一周，到8月27日左右），调用额度很宽松（平台宣称日处理量可达100T token级别）性能表现（初步测试）：Ox Alpha 通过率约 80%Claude Fable 5 Max 约 65%GPT-5.6 Sol Max 约 52%其他如 GLM-5.3、Grok 4.6 也在60%左右这让它在编程/Agent编码能力上引发大量关注，看起来逼近甚至局部超过当前头部模型。但注意：测试样本量较小（10道题左右），后续有人复测结果有波动。身份猜测：目前没有官方认领，完全匿名。社区通过“指纹分析”（比如视频token消耗模式、错误提示语言、审查口径等）做了大量对比：最主流猜测：智谱（Zhipu AI）尚未正式发布的 GLM-5.3 相关版本（可能是 Flash 版或带多模态的视觉版），证据匹配度较高。

5. 智谱的GLM-5.3终于也在AA竞技场开分，暑期档的这一轮国产模型上新基本上算是告一段落了，目前的成绩如下：Kimi K3和GLM-5.3并列60分，是中国唯二能过挤进T1阵营里的模型，咬住了GPT-5.6和Claude Opus 5，当然Kimi K3是已经发布超过1个月了，含金量更高。T2档位排下来依次是58分的Qwen3.8 Max、53分的DeepSeek-V4-Pro、52分的Qwen3.8 27B，也是兼顾性能与经济性的高竞争区间，凡尔登绞肉机的市场。T3则属于上桌吃饭的底线，有45分的MiniMax-M3、43分的小米MiMo-V2.5-Pro、42分的腾讯Hy3，主打一个量大管饱的供应，够用就行，要啥自行车呢。再往下数，T4就很深海了，蚂蚁Ling 3.0 Flash是38分，美团LongCat 2.0是34分，阶跃Step 3.7 Flash是31分，已经不太适用通用场景了，只能卖给垂直领域。什么，你问22分的百度文心模型是不是位于马里亚纳海沟？好吧，我稍微说句公道话，自从文心5.0拉了这坨大的之后，百度就没有再把新发布的文心5.1上传AA竞技场了，所以22分虽然不是百度的真实表现，但一个小版本的迭代估摸着也好不到哪里去。对了，字节也没有在AA竞技场上传Seed参展，就憋大的吧。

6. 这张图表来自国际AI评测机构 Artificial Analysis，展示的是其“AA智能指数”对全球主流大语言模型的综合能力排名。图中红框标注的两款模型——Kimi K3 (max) 与 GLM-5.3 (max)，均获得60分，并列开源模型第一，同时跻身全球前沿模型能力区间，与Claude Fable 5、GPT-5.6 Sol等闭源旗舰模型处于同一水平。

7. 我看智谱的创始人唐杰在 X 上发了一个关于尺度律的思考。我简单翻译一下。具体什么意思呢？很多人一听到大模型，第一反应就是问：它有多少参数？参数可以简单理解成模型的“脑容量”。参数越多，模型通常能装下更多知识，但这并不能单独决定模型有多聪明。还要看它读了多少训练资料，训练时用了多少算力，以及以后会被调用多少次。人工智能行业以前就因为只盯着参数量，走过一段弯路。2020年的一项研究认为，模型参数应该比训练数据增长得更快，比例大约是2.7比1。于是很多公司开始不断把模型做大，甚至冲向万亿参数。后来，研究人员重新比较了大约400个模型，发现更划算的做法，是让训练数据也跟上模型规模。大致来说，每个参数需要对应约20个词元，也就是训练文字中的小片段。参数和数据最好一起增长，不能只顾着扩大模型。后来大家又发现，训练成本只是问题的一部分。现在，一个模型每天可能被调用几十亿次，真正长期花钱的地方，常常是模型回答问题时产生的推理成本。这样一来，小一些的模型，如果接受更长时间、更充分的训练，可能比一个特别大的模型更实用。Llama 2 7B和Gemma 2 9B就体现了这种思路。采用MoE架构的模型，还要区分两类参数。总参数更像“知识仓库”，决定模型能装下多少事实和冷门信息。每次真正被调用的参数，以及模型能连续思考多少步，更影响它的推理能力。研究发现，记忆知识可能需要更多参数，复杂推理则更需要训练数据和更长的思考过程。比如，发现一个软件漏洞，不只是从资料库里找答案。模型需要把一连串推理完整走下去，中间不能忘记前面的线索，这种能力无法只靠增加总参数获得。GLM 5.3做了一个很有意思的实验。它和GLM 5.2的基础模型、架构、总参数量都差不多，主要用了一个月时间加强长流程训练和强化学习，也就是让模型在反复练习中获得反馈。结果能力提升很明显。这说明，大模型还有很多地方可以继续扩大。参数量只是其中一个旋钮，训练数据、推理算力、训练方式和强化学习都很重要。下一次进步，关键在于找到最值得继续投入的那个方向。#科技先锋官##How I AI#

8. GLM 5.3 更强却更难用了？我们让它和 5.2 做了同一个北京城市驾驶游戏

9. 实测对比神秘模型-Ox牛来和 DeepSeek-V4-Flash-Vision，谁是真牛？

10. 【#新模型OxAlpha引大规模身份猜测#，#神秘牛来大模型OxAlpha火了#】近日，一款名为 Ox Alpha 的匿名模型突然出现在 OpenRouter。Ox 本身就是「牛」的意思，国内网友很快给它起了一个更接地气的名字：「牛来」大模型。根据 OpenRouter 披露的信息，Ox Alpha 拥有 100 万 token 上下文，支持文本、图片和视频输入，可以调用工具，目前完全免费。上线后不久，开发者就把它接入编码 Agent，扔进真实代码仓库进行测试。初步测试结果显示，这款来历不明的「牛来」大模型，能力已逼近当前顶级代码模型。与此同时，有网友爆料，一款名为 korrine 的匿名模型正在 Code Arena 上进行测试。有人猜它是 Kimi K3.1，也有人将其指向 Qwen 和 MiMo，说啥的都有。8 月的大模型圈，突然变成了一场大型猜谜游戏。「牛来」大模型表现抢眼Ox Alpha 真正引发关注，靠的是代码能力。开发者 Ben Davis 从 DeepSWE 中抽取 10 项任务进行测试，Ox Alpha 完成了其中 8 项，通过率达到 80%。其公布的对比结果中，Fable 5 Max 为 65%，GLM-5.3 Max 和 Grok 4.6 xhigh 均为 62%，GPT-5.6 Sol Max 为 52%。DeepSWE 考察真实软件工程能力。模型需要阅读代码仓库，定位问题，修改代码，运行测试，再根据报错继续修复。相比单轮编程题，它更接近编码 Agent 的实际工作。不过，10 项任务的样本很小。随后，其他开发者在另一组 DeepSWE 子集上测试，给出的结果约为 63%。两次测试的任务范围和运行配置并不完全相同，暂时无法据此确定 Ox Alpha 的准确排名。不过这些结果初步显示，这款匿名模型已经表现出很强的长程编码潜力，能力逼近当前头部模型。「牛来」大模型到底是谁家的？「牛来」大模型的身份，目前流传最广的说法是智谱尚未发布的 GLM-5.3 Flash，或 GLM-5.3 的多模态版本。有人还专门写了个博客进行分析：1. 最强证据来自视频编码器。四段不同帧率、时长和分辨率的视频中，Ox Alpha 消耗的视觉 token 与 GLM-5V-Turbo 完全一致。MiMo、Qwen 和 GLM-4.6V 都呈现出明显不同的结果。2. 文本 tokenizer 也高度吻合。研究者测试了 25 组提示词，Ox Alpha 与 GLM-5.3 的 token 数量始终保持固定的 75 token 差值。3. 其他特征也指向智谱。Ox Alpha 拒绝处理音频，与 GLM-5V 的路由方式相同；回答风格、Agent 执行步数和推理接口也很接近 GLM。智谱此前还曾用 Pony Alpha 匿名测试 GLM-5，具备相同操作先例。还有网友从对话中寻到蛛丝马迹。Ben Davis 认为 99% 确定这就是 GLM-5.x。这些线索提高了 GLM 说的可信度，但还不足以完成身份确认。截至目前，OpenRouter、智谱都没有公开回应。korrine 身份更扑朔迷离「牛来」大模型的身份还扑朔迷离，Code Arena 又出现了一个名为 korrine 的匿名模型。最初，不少人猜测它是 Kimi K3.1，原因是 Kimi K3 发布前，曾被认为以 kivine 的代号接受测试。kivine 与 korrine 结构相近，因此引发了联想。不过，最早传播消息的爆料者随后补充称，此前获知的 Moonshot 新模型可能对应另一个代号 adamant-ananke。korrine 也可能来自 Qwen 等其他中国团队。评论区中，还有人将它指向 MiMo V3。大模型厂商为什么喜欢「挂马甲」？匿名测试正在成为大模型正式发布前的重要环节。在 Arena 中隐藏厂商和型号，可以尽量削弱品牌带来的先入为主。用户看不到模型身份，只能根据实际输出进行选择，最终积累的对战结果，也更接近真实用户体验。OpenRouter 提供的是另一类测试环境。开发者会把模型接入各种编码 Agent，让它进入真实仓库，连续调用工具，处理长达数小时的软件工程任务。上下文能否保持稳定，工具调用是否可靠，模型会不会在长程任务中循环或跑偏，都能在高强度使用中迅速暴露。对模型厂商来说，这相当于一次公开压力测试。团队可以提前观察失败案例，验证推理服务的承载能力，也能在正式发布前积累真实口碑。此外，「猜模型」现在也越来越成为一种营销手段了，身份悬念确实可以拉长讨论周期。最后回到模型本身。如果 Ox Alpha 真是一款 Flash 模型，其代码能力已经逼近头部水平，那么资源投入更高、能力更完整的完整版，又会把上限推到哪里呢？（新浪）

11. 彭博刚刚把美中人工智能差距做成了一张图表，嗯，是的，美国正在被碾压：> Kimi K3 接近 Fable 的水平> 每任务成本便宜约 70%> Anthropic 认为中国落后 6–12 个月> 中国现在拥有前沿实验室集群> GLM-5.3 甚至还没包括在内，这将有利于中国一方美国实验室仍然占据前沿位置，但中国正让它们无法收取前沿价格。

12. 参数一个没动，GLM-5.3 凭什么能力大涨？

13. 实测GLM 5.3，1/3参数量 + 后训练还能逼平GPT-5.6我也是服了

14. GLM-5.3 在 AA 14 模型对比中综合第 5，Agentic 第 2：双榜成绩出炉

15. 同一套 DeepSeek Harness 实测三款国产模型，GLM-5.3为何在两个项目中胜出

16. Arena榜单：GLM-5.3 排名第 8 今天，GLM-5.3在Arena上的排名刚刚出炉，目前在前端开发榜上排名第8，超过近期刚刚发布的Gemini 3.7 flash。在Artificial Analysis模型智能评估中，GLM-5.3与Kimi K3分数相同。不过两者参数量差异非常大： GLM-5.3：753B （7530 亿） Kimi K3：2.8T（2.8 万亿）单就AA智能评估，GLM-5.3以小参数量追平Kimi K3，能效比表现相当亮眼！价格方面根据官网，GLM5.3与上一代GLM5.2价格相同。 Arena 双盲评测大模型权威排行榜 arena.atease.dev

17. 智谱GLM-5.3 模型介绍

18. glm5.3用了一晚上，真被惊艳到了本来一直用的5.6 sol，但是心血来潮用codex接了glm 5.3体验了一晚，把整个产品的后端都写完了，体感上并不比5.6差很多。找的TeamoRouter接的glm 5.3，价格上还能更di一些 #人工智能 #vibecoding #ai #智谱 #后悔没早点买 #大模型

智谱GLM-5.3-Flash开源发布，十分之一价格对标Claude Opus 4.8性能

精选参考来源