Sa larangan ng malalaking modelo, karaniwan ang "pagpapakilala bilang ibang tao" para sa pagsubok.
Kahit recent, isang anonymous na modelo na tinatawag na Ox Alpha ay biglang lumabas sa OpenRouter. Ang Ox ay ibig sabihin ay 'baka', at agad na ibinigay ng mga netizen sa bansa ang isang mas pamilyar na pangalan:
Large Model na "Bull Comes".
Ayon sa paglilinaw ng OpenRouter, mayroon ang Ox Alpha sa 1 milyong token na konteksto, sumusuporta sa text, imahe, at video input, at makapagpapatakbo ng mga tool, at kasalukuyang libre.
Kabangay ng pagpapalabas, inilink ng mga developer ito sa coding Agent at isinama sa totoong code repository para sa pagsubok.
Ang mga unang resulta ng pagsubok ay nagpapakita na ang kakayahan ng hindi kilalang malaking modelo na "Niu Lai" ay malapit na sa mga pinakamataas na modelo sa pag-code sa kasalukuyan.
Samantala, may nagbalita na ang isang anonymous model na tinatawag na korrine ay sinusubok sa Code Arena. May ilan ang nagsasabing ito ay Kimi K3.1, may ilan din ang nag-uugnay nito sa Qwen at MiMo, iba-iba ang sinasabi.
Ang larangan ng malalaking modelo noong Agosto ay biglang naging isang malaking laro ng pagtantiya.
Ang malaking modelo na "Niulai" ay nagpakita ng mahusay na pagganap
Ang Ox Alpha ay nag-引发 ng pagmamalasakit dahil sa kanyang kakayahan sa coding.
Ang developer na si Ben Davis ay nag-iiwan ng 10 mga gawain mula sa DeepSWE para sa pagsubok, at natapos ng Ox Alpha ang 8 sa kanila, na may pagkakatumpak na 80%. Sa mga napanukalang resulta ng paghahambing, ang Fable 5 Max ay 65%, ang GLM-5.3 Max at Grok 4.6 xhigh ay parehong 62%, at ang GPT-5.6 Sol Max ay 52%.
Ang DeepSWE ay sumusukat sa tunay na kakayahan sa software engineering. Kailangan ng modelo na basahin ang code repository, matukoy ang problema, baguhin ang code, patakin ang mga pagsubok, at pagkatapos ay iayos muli batay sa mga error. Sa pagkakapareho nito sa isang solong programming problem, mas malapit ito sa tunay na gawain ng isang coding agent.
Gayunpaman, ang sample ng 10 na gawain ay maliit. Pagkatapos, iba pang mga developer ay nagsubok sa isang iba’t ibang subset ng DeepSWE at nakakuha ng resultang humigit-kumulang 63%. Ang saklaw ng mga gawain at ang konfigurasyon ng pagpapatakbo sa dalawang pagsubok ay hindi ganap na magkakatulad, kaya’t hindi pa maaaring matukoy ang eksaktong ranggo ng Ox Alpha.
Ngunit ang mga resultang ito ay nagpapakita na ang anonymous model na ito ay nagpapakita ng malakas na potensyal sa pag-encode ng malalayong datos, na malapit na umabot sa kakayahan ng mga pinakauunlad na modelo.
Sino ang may-ari ng malaking modelo na "Niulai"?
Ang pagkakakilanlan ng "Niulai" malalim na modelo ay ang pinakakaraniwang sinasabing GLM-5.3 Flash na hindi pa ipinapahayag ng Zhipu, o ang multimodal na bersyon ng GLM-5.3.
May isang tao na sumulat ng isang blog para sa pagsusuri:
1. Ang pinakamalakas na ebidensya ay mula sa video encoder. Sa apat na iba’t ibang frame rate, haba, at resolusyon ng video, ang Ox Alpha ay nag-consume ng mga visual token na magkakatulad sa GLM-5V-Turbo. Ang MiMo, Qwen, at GLM-4.6V ay nagpakita ng malinaw na iba’t ibang resulta.
2. Ang text tokenizer ay mataas din ang pagkakatugma. Sinubok ng mga siyentipiko ang 25 set ng prompt, at ang bilang ng tokens ng Ox Alpha ay laging may 75-token na pagkakaiba sa GLM-5.3.
3. Ang iba pang mga katangian ay nagtuturo sa Zhipu. Tinanggihan ng Ox Alpha ang pagproseso ng audio, pareho sa paraan ng routing ng GLM-5V; ang estilo ng sagot, bilang ng mga hakbang ng Agent, at ang interface ng pag-iisip ay malapit din sa GLM. Noon ay ginamit na rin ng Zhipu ang Pony Alpha para sa anonymous testing ng GLM-5, mayroon silang parehong nakaraang pagkilos.
https://ox-alpha-evidence-production.up.railway.app/
May mga netizen din na nakakita ng mga maliit na patunay mula sa usapan.
Naniniwala si Ben Davis na 99% sigurado na ito ay ang GLM-5.x.
Ang mga patunay na ito ay nagpataas ng kapanatagan sa sinabi ni GLM, ngunit hindi pa sapat upang matapos ang pagkakakilanlan.
Hanggang sa kasalukuyan, wala pang pampublikong tugon mula sa OpenRouter at Zhipu.
Mas maliwanag ang pagkakakilanlan ni Korrine
Ang identidad ng malaking modelo na "Niú Lái" ay patuloy na hindi malinaw, at isang anonymous na modelo na korrine ay lumabas sa Code Arena.
Una, marami ang nagtatala na ito ay Kimi K3.1, dahil sa Kimi Bago ang paglabas ng K3, itinuturing na sinusubok sa code name na kivine. Dahil kapareho ang istruktura ng kivine at korrine, naging sanhi ito ng pagkakaugnay.
Gayunpaman, ang unang nagbigay ng impormasyon ay nagdagdag na ang dating nalalaman tungkol sa bagong modelong Moonshot ay maaaring tumutukoy sa ibang code name na adamant-ananke. Ang korrine ay maaaring galing din sa ibang Chinese team tulad ng Qwen.
Sa komento, may mga tao pa ring itinuturo ito sa MiMo V3.
Bakit gusto ng mga producer ng malalaking model na maglagay ng “mga maskara”?
Ang anonymous testing ay nagsisilbing mahalagang bahagi bago ang opisyal na paglalabas ng malalaking modelo.
Itago ang brand at model sa Arena upang mabawasan ang preconceived notions na dulot ng brand. Hindi makikita ng user ang identidad ng model, kaya magpapasya sila batay sa actual na output, at ang mga resulta ng laban na makalap ay mas malapit sa totoong user experience.
Ang OpenRouter ay nagtataguyod ng ibang uri ng test environment.
Ang mga developer ay iuugnay ang modelo sa iba’t ibang coding agents, upang masali ito sa totoong repository, tuloy-tuloy na gamitin ang mga tool, at tratuhin ang mga software engineering task na tumatagal ng maraming oras. Ang pagkakaroon ng matatag na konteksto, ang pagkakatiyak ng pagtawag sa mga tool, at kung ang modelo ay magkakaroon ng pag-uulit o pagkaligaw sa mahabang gawain, ay maaaring agad na maipakita sa intensibong paggamit.
Para sa mga tagapagbuo ng modelo, ito ay katumbas ng isang pampublikong stress test. Maaari ng team na obserbahan ang mga kaso ng pagkabigo nang maaga, patunayan ang kakayahan ng serbisyo sa pagpapaliwanag, at makalikom ng totoong reputasyon bago ang opisyal na paglunsad.
Bukod dito, ang “Guess the Model” ay nagsisimula ring maging isang paraan ng pagmemarka, at ang pagkakaroon ng pagkakakilanlan na nagtatago ay talagang nakakapalit ng panahon ng pag-uusap.
Bumabalik sa modelo mismo. Kung talagang isang Flash model ang Ox Alpha at ang kanyang kakayahan sa pag-code ay nasa antas ng pinakamataas, ano ang maaaring abutin ng mas malaking pagsisikap at mas kompletong bersyon?
Mga link na pang-referensya:
https://x.com/Adidotdev/status/2090833298713096241
https://x.com/davis7/status/2090669483740279155?s=20
https://x.com/davis7/status/2090655207831298095?s=20
https://x.com/MaxForAI/status/2090783750217162788
Nakuha mula sa WeChat public account na "Machine Heart" (ID: almosthuman2014), may-akda: Nagmamalasakit sa AI