这两天，大模型圈被一头"无主的牛"搅翻了天。
8月20日深夜，一款没有厂商名、没有模型卡的匿名模型悄悄出现在模型聚合平台OpenRouter上，ID叫OxAlpha。量子位Ox就是"牛"，正好赶上抽象电影《牛来》的梗火遍全网，国内网友顺手给它起了个外号——「牛来」大模型。
免费、超过100万token上下文、能看图看视频、主打编程和长周期Agent，就这几个标签，足够让开发者圈炸锅。三天之内：DeepSWE基准的一作亲自拉它跑测试，Stripe的CEO上手试完留下四个单词，DeepMind的研究员下场疯狂暗示，全网都在问同一个问题——这头牛，到底是谁家的？
先给没耐心的朋友一个结论速览：
它是什么：一款瞄准编程/Agent场景的匿名模型，目前完全免费。按上线一周的口径，免费窗口大约8月27日前后关闭。DeepTech深科技
它是谁家的：官方至今没有认领。但社区扒出的三条可复现的硬证据，全部指向智谱GLM系；谷歌方面试图"认领"，反而被全网群嘲。
值不值得试：跑编码Agent、吃长上下文的用户，值得冲；要放敏感代码的，先别碰；纯看热闹的，等身份揭晓再吃瓜不迟。
最大的坑：目前的高分全是小样本社区测试，正反评价分歧极大，没有任何官方基准背书。
一、这头牛什么规格
把OpenRouter和OpenCode公开的信息捋一遍，这头牛的纸面参数相当激进：
上下文：约104.86万token，单次最大输出13.1万token。新智元
输入：文本、图片、视频都支持；音频会被明确拒绝——这一点后来也成了查身份的线索之一
能力：工具调用、强制推理模式，定位就是编码、长周期Agent和复杂推理
渠道：OpenRouter可直接调API；OpenCode Go几乎不限量免费，还不扣用户原有额度。量子位
数据：OpenCode公开的使用数据显示，上线几天累计用量已到2500亿token级别，约8500名独立用户、超过11万次完成会话；平台方还给出了"零数据保留"的承诺
这套规格明显是为Agent场景调过的。100万上下文是什么概念？一个中型代码仓库、几百页文档、一长串Agent运行记录，可以一次性全塞进去。有开发者把它接进Codex之后，团队直接改了工作习惯——以前要精挑细选哪些文件值得喂给模型，现在整个仓库一股脑丢进去。搁以前按量计费这么用，账单能看哭；现在免费，这就是白嫖党唯一的机会窗口。
二、身份悬疑：三条硬证据和一堆传闻
「牛来」到底是谁家的？社区这几天干的事，堪称给模型做了一套"数字DNA鉴定"。证据分三档，含金量差别很大。
第一档：可复现的技术指纹。
第一条是分词器指纹。不同模型家族的切词逻辑不同，面对同一段刻意设计的文本，token数量会留下稳定的"指纹"。有测试者用25组不同的prompt逐一比对，OxAlpha和GLM-5.3的token计数每一组都差固定的75个——刚好可以用一段外挂的隐藏System Prompt解释。新智元流传最广的一组测试里，同一段中英文混合代码的文本，GLM-5.2和GLM-5.3都算出68个token，只有OxAlpha显示143个。量子位
第二条是视频编码指纹。文本回答习惯可以靠蒸馏和后训练模仿，但视频进入模型前的编码管线是工程设计，很难装。有研究者做了4段控制变量的测试视频，分别喂给OxAlpha和几款多模态模型比对token预算：OxAlpha和GLM-5V-Turbo在帧率采样策略、每秒约147个token的时长增长、分辨率缩放方式上逐项对上；而同场对比的MiMo、Qwen、GLM-4.6V，特征完全不同。DeepTech深科技
第三条是API服务层的痕迹。有人故意传入异常参数，捕捉到"[1210] The temperature parameter is illegal"这类报错，错误码风格、参数限制、中英文混排的返回方式，都被认为和智谱现有服务高度相似。量子位
第二档：低可靠度的"彩蛋"。 有用户声称在推理输出里捕捉到过"trained by Z.ai"的残留字样，但目前只有社区截图和二手转述，证据等级明显低一档，当彩蛋看就好。量子位
第三档：没有证据的联想。 谷歌派的主要依据是产品画像（超长上下文、原生视频输入、Agent导向，像Gemini），加上DeepMind研究员Evan Otero发帖只写了一个词"Gemini"，又补了句"万一OxAlpha就是我们一路遇到的朋友呢"。量子位同事Vamsi Batchu跟帖"谷歌回来了，相信流程"。全程阴阳怪气，没一个人把话说死。结果可想而知——被全网笑惨。高赞评论堪称封神：“GLM = Google Language Model”。新智元还有更抽象的猜法：MiMo-V3、Grok 4.7，以及"Cursor拿开源GLM自己训了一遍然后套了个牛头"（纯玩梗）。
智谱说之所以是最大热门，还有个关键背景：它有前科。今年2月，OpenRouter上线过另一款匿名模型PonyAlpha，全网猜了六天，最后揭晓就是智谱GLM-5的早期测试版。DeepTech深科技同一套操作，同一个平台，这次要是还是智谱，"一牛一马"就算凑齐了。
三、80%通过率？先看这份分歧表
能力这边，网上的数据分成两派，分歧大到离谱。
看好派的数据：
开发者Ben Davis从DeepSWE抽了10项真实软件工程任务，OxAlpha完成8项，通过率80%；他公布的同任务对比：Fable 5为65%，GLM-5.3为62%，Grok 4.6为62%，GPT-5.6 Sol为52%。DeepTech深科技他的定性评价是：大致在GPT-5.6 Sol medium那一档，长周期任务和subagent都接得住。
DeepSWE一作Wenqi Huang亲自拉它跑了自家测试：准确率63%，在闭源模型里仅略低于Grok 4.6。新智元
B站UP主的全维度实测：SWE-bench Mini 50题答对48题（96%）
Stripe CEO Patrick Collison试完评价"It’s very impressive"。量子位；Hermes Agent创始人说它超过了团队所有内部评估标准
唱衰派的数据：
Abacus.AI CEO Bindu Reddy公开表示，他们的测试显示OxAlpha低于预期，一些指标只达到较早一代模型的水平。量子位
沃顿商学院教授Ethan Mollick：惊艳程度一般。
有开发者拿私有基准测试发现：它在低推理强度下表现一般；视觉任务明显弱于Gemini系列
国内几位实测UP主的共同发现：强约束指令（比如"用6到9句话收尾"）偶尔收不住尾，关键产出需要人工复核
我的判断：所有高分都是10题级别的小样本社区测试，不是官方基准，任务集和配置也各不相同，80%和63%都对，只是没法互相推导。眼下对OxAlpha最准确的描述是——某些代码和Agent任务表现极亮眼、规格极激进，同时评测分歧极大。喊"新王登基"和喊"不过如此"的，都跑在了证据前面。
四、值不值得试，分人
用Codex、Claude Code、OpenCode、DeepSeek Harness这类编码Agent的：值得冲。注册OpenRouter拿个key就能接，免费窗口里把平时舍不得喂的大仓库、长任务全跑一遍。如果最后揭晓真是GLM的Flash档，收费后的定价大概率可以参考GLM系API，窗口期正好用来评估"以后要不要迁"。
日常聊天、写文案为主的：不用急。这头牛是冲着Agent场景调的，聊天体验未必比你手边的国产助手强，指令遵循的小毛病也被实测抓到了。
所有人都要注意的一条："零数据保留"目前只是承诺，匿名模型背后是谁都没揭晓，追责主体不明。涉密仓库、客户数据、没开源的内部代码，先别往里丢。等身份揭晓、条款落地再说。
时间节点再划一次：8月20日上线，免费一周，预计8月27日前后窗口关闭，目前没有官方延期公告。DeepTech深科技新智元
五、谈资增量：厂商为什么爱"挂马甲"发模型
这件事里比模型本身更值得看懂的，是"匿名测试"这套玩法。厂商图三样东西：
盲测去品牌偏见。竞技场上藏掉厂商和型号，用户只能凭实际输出投票，积累的数据更接近真实体验，而不是品牌滤镜。
免费的公开压力测试。开发者拿着真实仓库、连续几小时的Agent任务来压，上下文稳不稳、工具调用靠不可靠、长任务会不会跑偏循环、推理服务扛不扛得住，全都在正式发布前暴露出来，提前修。机器之心
悬念就是营销。身份猜谜本身会拉长讨论周期——这一波连谷歌都下场蹭热度，OpenRouter和背后的厂商一分钱推广费没花，赚足了全网曝光。DeepTech深科技
对普通用户也有个实用提醒：以后再看到"匿名模型碾压某某旗舰"的爆款，先问两句——样本多少题？谁测的？样本越小，越要让子弹飞一会儿。
六、接下来盯这几个信号
OpenRouter或智谱官方认领：按PonyAlpha的先例，上线六天就揭晓了。这头牛8月21日前后全面上线，答案可能就在这几天。
korrine的身份：CodeArena上还有一款匿名模型korrine在被围观，有人猜Kimi K3.1，也有人指向Qwen或MiMo。机器之心8月的大模型圈，已经变成大型猜谜现场。
如果真是GLM-5.3的Flash或多模态版：智谱正式发布的节奏和定价，会直接决定这头牛"免费期结束后还值不值得跟"。
牛来都来了，牵牛回家的人应该也不远了。
