बड़े मॉडल समुदाय में "मैका टेस्टिंग" लोकप्रिय है।
हाल ही में, एक अज्ञात मॉडल ओक्स अल्फा ओपनराउटर पर अचानक सामने आया। ओक्स का मतलब स्वयं 'बैल' है, और भारतीय इंटरनेट उपयोगकर्ताओं ने इसे एक और अधिक सामान्य नाम दिया:
"नू लाई" मॉडल।
OpenRouter के उद्घाटन के अनुसार, Ox Alpha के पास 10 लाख टोकन का संदर्भ है, जो पाठ, चित्र और वीडियो इनपुट को समर्थन करता है, टूल्स को कॉल कर सकता है और वर्तमान में पूरी तरह से मुफ्त है।
लॉन्च के तुरंत बाद, डेवलपर्स ने इसे कोडिंग एजेंट में जोड़ दिया और इसे वास्तविक कोड रिपॉजिटरी में टेस्ट के लिए डाल दिया।
प्रारंभिक परीक्षण परिणामों के अनुसार, इस अज्ञात उत्पत्ति वाले "निउलाई" बड़े मॉडल की क्षमता वर्तमान शीर्ष स्तरीय कोड मॉडल तक पहुंच गई है।
इसी बीच, एक नेटिजन ने दावा किया कि कोड एरेना पर एक कॉल्ड कॉरिने नामक एनोनिमस मॉडल का परीक्षण किया जा रहा है। कुछ लोगों का अनुमान है कि यह किमी K3.1, कुछ लोग इसे Qwen और MiMo की ओर इशारा करते हैं, और विभिन्न बातें कहते हैं।
अगस्त में बड़े मॉडल वर्ग अचानक एक बड़ा अनुमान खेल बन गया।
"नियू लाई" मॉडल ने शानदार प्रदर्शन किया
Ox Alpha ने अपनी कोडिंग क्षमता के कारण वास्तविक ध्यान आकर्षित किया।
डेवलपर बेन डेविस ने डीपएसडब्ल्यू से 10 कार्य चुने और परीक्षण किया, जिसमें Ox Alpha ने 8 कार्य पूरा किए, जिससे 80% सफलता की दर प्राप्त हुई। इसके प्रकाशित तुलनात्मक परिणामों में, Fable 5 Max की दर 65% है, GLM-5.3 Max और Grok 4.6 xhigh दोनों की दर 62% है, और GPT-5.6 Sol Max की दर 52% है।
DeepSWE वास्तविक सॉफ्टवेयर इंजीनियरिंग क्षमता का मूल्यांकन करता है। मॉडल को कोड रिपॉजिटरी पढ़नी होती है, समस्या की पहचान करनी होती है, कोड में संशोधन करना होता है, परीक्षण चलाने होते हैं, और फिर त्रुटि के आधार पर आगे सुधार करना होता है। एकल-चरण प्रोग्रामिंग प्रश्नों की तुलना में, यह कोडिंग एजेंट के वास्तविक कार्य के अधिक समीप है।
हालांकि, 10 कार्यों का नमूना छोटा है। बाद में, अन्य डेवलपर्स ने दूसरे DeepSWE सबसेट पर परीक्षण किया, जिससे लगभग 63% का परिणाम मिला। दोनों परीक्षणों के कार्य और निष्पादन विन्यास पूरी तरह से समान नहीं थे, इसलिए अभी Ox Alpha की सटीक रैंकिंग निर्धारित नहीं की जा सकती।
हालांकि, ये परिणाम प्रारंभिक रूप से दर्शाते हैं कि यह अज्ञात मॉडल पहले से ही लंबी दूरी के कोडिंग की मजबूत क्षमता दिखा रहा है और वर्तमान शीर्ष मॉडल्स के करीब पहुंच गया है।
'नू लाई' मॉडल किसका है?
"नू लाई" मॉडल की पहचान, वर्तमान में सबसे अधिक प्रचलित बात यह है कि यह Zhizhang द्वारा अभी तक जारी नहीं किया गया GLM-5.3 Flash या GLM-5.3 का मल्टीमॉडल संस्करण है।
किसी ने एक ब्लॉग भी लिखकर विश्लेषण किया है:
1. सबसे मजबूत साक्ष्य वीडियो एन्कोडर से आता है। चार अलग-अलग फ्रेम रेट, अवधि और रिज़ॉल्यूशन के वीडियो में, Ox Alpha द्वारा उपयोग किए गए विजुअल टोकन GLM-5V-Turbo के साथ पूरी तरह से समान थे। MiMo, Qwen और GLM-4.6V सभी ने स्पष्ट रूप से अलग परिणाम प्रस्तुत किए।
2. टेक्स्ट टोकनाइज़र भी अत्यधिक सुसंगत है। शोधकर्ताओं ने 25 प्रॉम्प्ट सेट टेस्ट किए, और Ox Alpha और GLM-5.3 के बीच टोकन संख्या हमेशा 75 टोकन का स्थिर अंतर बनाए रखती है।
3. अन्य विशेषताएँ भी ज़ही की ओर इशारा करती हैं। Ox Alpha ऑडियो को संसाधित नहीं करता है, जो GLM-5V के रूटिंग तरीके के समान है; उत्तर शैली, एजेंट निष्पादन चरण और तर्क इंटरफ़ेस भी GLM के काफी समान हैं। ज़ही पहले भी Pony Alpha का उपयोग करके GLM-5 का अनामिक परीक्षण कर चुका है, जिसमें समान संचालन का पूर्वानुभव है।
https://ox-alpha-evidence-production.up.railway.app/
और एक यूजर ने बातचीत से संकेत पाए।
बेन डेविस का मानना है कि 99% निश्चित रूप से यह GLM-5.x है।
ये सुझाव GLM के कथन की विश्वसनीयता को बढ़ाते हैं, लेकिन पहचान की पुष्टि पूरी नहीं करते।
अब तक, OpenRouter और Zhipu ने कोई सार्वजनिक प्रतिक्रिया नहीं दी है।
कॉरिन की पहचान और भी अस्पष्ट है
'牛来' मॉडल की पहचान अभी भी अस्पष्ट है, और Code Arena में एक और अज्ञात मॉडल korrine दिखाई दिया है।
शुरू में, कई लोगों ने अनुमान लगाया कि यह किमी K3.1, कारण है किमी K3 के लॉन्च से पहले, इसे kivine के कोडनाम से टेस्ट किया जाने का माना जाता था। kivine की संरचना korrine के समान है, इसलिए इससे तुलना की गई।
हालांकि, सबसे पहले समाचार फैलाने वाले स्रोत ने बाद में यह भी जोड़ा कि पहले जानकारी प्राप्त Moonshot नए मॉडल का संभवतः अन्य कोडनेम adamant-ananke से मेल खाता है। korrine Qwen जैसे अन्य चीनी टीम से भी आ सकता है।
कमेंट सेक्शन में, कुछ लोग इसे MiMo V3 की ओर इशारा कर रहे हैं।
बड़े मॉडल निर्माता क्यों "मास्क" पहनना पसंद करते हैं?
अनामिक परीक्षण महत्वपूर्ण मॉडल के औपचारिक प्रकाशन से पहले एक महत्वपूर्ण चरण बन रहा है।
एरेना में निर्माता और मॉडल को छिपाने से ब्रांड के कारण होने वाली पूर्वाग्रह कम हो सकता है। उपयोगकर्ता मॉडल की पहचान नहीं देख सकते, बल्कि केवल वास्तविक आउटपुट के आधार पर चयन कर सकते हैं, और अंततः संचयित लड़ाई के परिणाम वास्तविक उपयोगकर्ता अनुभव के अधिक समीप होते हैं।
OpenRouter एक अलग प्रकार का टेस्टिंग वातावरण प्रदान करता है।
डेवलपर्स मॉडल को विभिन्न कोडिंग एजेंट्स में एकीकृत करेंगे, ताकि यह वास्तविक रिपॉजिटरी में प्रवेश कर सके, लगातार टूल्स का उपयोग कर सके और कई घंटों तक चलने वाले सॉफ्टवेयर इंजीनियरिंग कार्यों को संभाल सके। संदर्भ स्थिर रहेगा या नहीं, टूल कॉल्स विश्वसनीय होंगे या नहीं, और मॉडल लंबी अवधि के कार्यों में चक्र में फंस जाएगा या भटक जाएगा, यह सब उच्च तीव्रता पर उपयोग के दौरान तुरंत सामने आ जाएगा।
यह मॉडल निर्माताओं के लिए एक खुली परीक्षण है। टीम पहले से ही विफलता के मामलों को देख सकती है, निष्कर्षण सेवाओं की क्षमता की पुष्टि कर सकती है, और आधिकारिक लॉन्च से पहले वास्तविक प्रतिष्ठा इकट्ठा कर सकती है।
इसके अलावा, "गेस द मॉडल" अब एक बढ़ती हुई मार्केटिंग रणनीति भी बन रहा है, क्योंकि पहचान का रहस्य वाद-विवाद की अवधि को बढ़ा सकता है।
अंत में, मॉडल पर वापस आते हैं। यदि Ox Alpha वास्तव में एक फ्लैश मॉडल है और इसकी कोडिंग क्षमता शीर्ष स्तर तक पहुँच चुकी है, तो अधिक संसाधनों के साथ और अधिक पूर्ण संस्करण की सीमा कहाँ तक बढ़ाई जा सकती है?
रेफरेंस लिंक:
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
यह लेख वेचेन ग्रुप "मशीन इंटेलिजेंस" (ID: almosthuman2014) से आया है, लेखक: AI पर ध्यान देने वाले