出品 | 网易智能
作者 | 小扣
编辑 | 王凤枝
六天，42 万亿 Token。智谱称，国产 AI 芯片接住了。
8 月 26 日晚，匿名模型 Ox Alpha 揭晓身份。它就是智谱的 GLM-5.3-Flash。
因为 Ox 有"牛"的意思，它过去一周在中文开发者社区被叫作"牛来"。按 OpenCode 的平台统计，Ox Alpha 在六天内处理了 42 万亿 Token，超过 DeepSeek Flash 的 22 万亿 Token，结束了后者连续 56 天占据榜首的纪录。
智谱称，匿名测试期间的全部流量均由国产 AI 芯片承载，但没有公布具体厂商。《晚点 LatePost》援引知情人士称，智谱为 GLM-5.3-Flash 的推理服务调用了超过 10 万张国产芯片，供应商可能包括华为、摩尔线程和海光。智谱没有确认这一规模和供应商名单。
这也不是智谱第一次匿名测试模型。春节前，第三方平台曾出现 Pony Alpha，后来被认领为 GLM-5。两次发布采用了相同顺序：先开放免费接口，让开发者把真实任务跑进来，再公布模型身份。
十万张卡，先接到的是推理
这批卡先接到的是已经上线的模型请求，不是从头训练下一代模型。两件事的迁移难度并不一样。
《南华早报》此前采访多名开发者称，许多大模型的训练流程围绕英伟达 CUDA 建立。换一套芯片，团队还要跟着重写代码、优化算子、调试集群。搬过来的不只是一组模型权重，还有整套研发流程。
推理面对的任务要固定得多。模型已经训练完成，输入、首个 Token 和后续解码可以分别优化。模型公司还能调整缓存、量化方式和集群分工，让手里的硬件跑得更顺。
国产算力更可能先靠推理的日常调用积累规模。至于从头训练下一代前沿模型，迁移会慢得多。
要让这批芯片接住大量请求，智谱先从模型本身减负。
GLM-5.3-Flash 总参数约 3200 亿，每处理一个 Token 激活约 180 亿参数。和 GLM-4.5 相比，它的激活参数从约 320 亿降至 180 亿，层数从 92 层减到 45 层。每个 Token 实际调用的参数更少，需要在芯片之间搬运的数据也随之下降。
长上下文是另一笔开销。智谱称，与完整的 GLM-5.3 相比，Flash 版的注意力计算量减少约 3 倍，KV 缓存减少约 4.4 倍。模型读取的文件越多、对话越长，缓存占用的显存和带宽就越明显。
软件也要跟着模型和硬件一起改。智谱为国产加速器调整了 SGLang 推理引擎，把输入编码、预填充和连续解码分开处理，并围绕量化、内存、通信和缓存继续优化。
按照公司的测试，整套系统的端到端性能较初始版本提高 3 倍，单 Token 成本可以接近主流英伟达 GPU。
强在编程和智能体
在 Artificial Analysis 的独立测试中，GLM-5.3-Flash 综合指数为 57。
从分项成绩看，它更擅长编程和智能体任务。在 GDPval-AA v2 中，它与完整版 GLM-5.3、Grok 4.6 处在相近区间。第三方 VulnPR-100 测试里，它识别出 34 个真实漏洞，总成本 4.21 美元，成绩略高于完整版 GLM-5.3 的 32 个，费用约为后者的十九分之一；但仍落后于 Kimi K3、GPT-5.6 Luna 和 Grok 4.6。
换到知识问答和输出速度，优势就没那么明显了。Artificial Analysis 给出的现实知识准确率为 28%，低于完整版 GLM-5.3 的 34% 和 GPT-5.6 Terra 的 47%；平均输出速度约为每秒 49 个 Token，也低于同类开放权重模型约 66 个的中位数。
智谱 API 价格是每百万输入 Token0.8 元、输出 Token 2.8 元，缓存命中 0.23 元。输入和输出价格都是完整版 GLM-5.3 的十分之一。上线前两周再打五折，分别降至 0.4 元和 1.4 元。
此外，单价降下来后，一项任务最终花多少钱，还取决于模型用了多少 Token。Artificial Analysis 整套测试中，GLM-5.3-Flash 生成约 1.5 亿个输出 Token，高于同类模型 1.1 亿的中位数。价格低，不代表完成任务的总账单也会按同样比例下降。
价格一变，调用量先动
《晚点》称，DeepSeek V4 Flash 调价后，在 OpenCode 上的调用量降至此前约一半；同期免费开放的 Ox Alpha 迅速升到平台第一。
OpenCode 不能代表整个市场，但六天 42 万亿 Token 说明开发者换模型很快。能力差距不大时，价格、免费额度，以及能否直接接入现有工具，都会迅速改变调用量。
与智谱前后脚发布的 Qwen3.8-Flash-Next 也沿着这条路走。它的主模型约 1250 亿参数，另有 510 亿N-gram 嵌入参数，每个 Token 只激活约 60 亿参数。
价格端，阿里云 8 月 27 日把 Qwen3.8-Flash 的国内 API 价格下调至每百万输入 Token 0.8 元、输出 Token 2.7 元。两款 Flash 产品的输入价格相同，输出价格只差 0.1 元。
国内模型的竞争正在落到每一次调用：要激活多少参数，长上下文占多少缓存，同一个任务最终花多少钱。
GLM-5.3-Flash 开放完整权重后，一些开发者也开始测试本地部署。到了自己的机器上，体验不再只由模型决定，硬件配置、量化方式和推理框架都会影响速度与稳定性。
一名用户在双 DGX Spark 上通过 vLLM 运行 GLM-5.3-Flash，单路解码约为每秒 24 至 30 个 Token，八路并发约 72 个。该测试使用的是英伟达硬件，不能用来证明国产芯片能够复现相同性能，却说明模型权重之外，推理内核、量化和并行方式仍会改变最后的速度。
智谱已经先在自己的国产芯片集群上把模型跑起来了。接下来要看，换到其他云厂商和芯片平台后，速度会不会下降、成本会不会增加，服务还能不能保持稳定。
