Dalam kalangan model besar, ujian "memakai topeng" sedang popular.
Baru-baru ini, sebuah model anonim bernama Ox Alpha tiba-tiba muncul di OpenRouter. Ox sendiri bermaksud "lembu", dan pengguna dalam negara segera memberinya nama yang lebih mesra:
Model "Bull Comes".
Berdasarkan pengungkapan OpenRouter, Ox Alpha memiliki konteks 1 juta token, menyokong input teks, gambar, dan video, boleh memanggil alat, dan kini sepenuhnya percuma.
Tidak lama selepas pelancaran, pembangun menghubungkannya dengan Agent kod dan memasukkannya ke dalam repositori kod sebenar untuk ujian.
Keputusan ujian awal menunjukkan bahawa model besar "Niu Lai" yang tidak diketahui asal-usulnya telah hampir menyamai model kod terkemuka semasa.
Sementara itu, seorang pengguna internet melaporkan bahawa model anonim bernama korrine sedang diuji di Code Arena. Ada yang menduga ia adalah Kimi K3.1, ada juga yang mengarahkannya ke Qwen dan MiMo, ada pelbagai pendapat.
Bulan Ogos di kalangan model besar tiba-tiba berubah menjadi permainan teka-teki besar.
Model "Bull Comes" menunjukkan performa yang menonjol
Ox Alpha benar-benar menarik perhatian kerana kemampuan kodnya.
Pembangun Ben Davis mengambil 10 tugas daripada DeepSWE untuk ujian, dan Ox Alpha berjaya menyelesaikan 8 daripadanya, dengan kadar kejayaan 80%. Dalam hasil perbandingan yang dipaparkan, Fable 5 Max berada pada 65%, GLM-5.3 Max dan Grok 4.6 xhigh kedua-duanya pada 62%, manakala GPT-5.6 Sol Max pada 52%.
DeepSWE menilai kemampuan rekabentuk perisian sebenar. Model perlu membaca repositori kod, mengesan isu, memperbaiki kod, menjalankan ujian, dan memperbaiki semula berdasarkan ralat yang muncul. Berbanding soalan pemrograman satu peringkat, ia lebih mendekati pekerjaan sebenar Agen pengkodean.
Namun, sampel 10 tugas adalah kecil. Selepas itu, pembangun lain menguji set subset DeepSWE yang berbeza, dan mendapat keputusan sekitar 63%. Lingkungan tugas dan konfigurasi pelaksanaan bagi dua ujian ini tidak sama sepenuhnya, jadi belum dapat ditentukan peringkat tepat Ox Alpha berdasarkan ini.
Namun, hasil awal ini menunjukkan bahawa model anonim ini telah menunjukkan potensi kuat dalam pengkodan jangka panjang, dengan kemampuan yang hampir menyamai model terkemuka semasa.
Model "Bull Comes" sebenarnya milik siapa?
Identiti model besar "Niu Lai" adalah GLM-5.3 Flash yang belum dilancarkan oleh Zhipu, atau versi multimodal GLM-5.3.
Seseorang juga menulis sebuah blog untuk menganalisis:
1. Bukti paling kuat datang dari penghala video. Dalam empat video dengan kadar bingkai, tempoh, dan resolusi yang berbeza, Ox Alpha menghabiskan token visual yang sama persis dengan GLM-5V-Turbo. MiMo, Qwen, dan GLM-4.6V semuanya menunjukkan hasil yang berbeza dengan jelas.
2. Tokenizer teks juga sangat sepadan. Para penyelidik menguji 25 set pemandu, dan bilangan token Ox Alpha sentiasa mengekalkan perbezaan tetap 75 token berbanding GLM-5.3.
3. Ciri-ciri lain juga menunjuk kepada Zhipu. Ox Alpha menolak memproses audio, sama seperti cara penghalaan GLM-5V; gaya jawapan, bilangan langkah pelaksanaan Agent, dan antaramuka penalaran juga sangat serupa dengan GLM. Zhipu sebelum ini pernah menggunakan Pony Alpha untuk ujian anonim terhadap GLM-5, yang menunjukkan contoh operasi yang sama.
https://ox-alpha-evidence-production.up.railway.app/
Masih ada pengguna internet yang menemui petunjuk halus daripada perbualan tersebut.
Ben Davis percaya 99% pasti ini adalah GLM-5.x.
Petunjuk-petunjuk ini meningkatkan kredibiliti apa yang dikatakan oleh GLM, tetapi belum cukup untuk menyelesaikan pengesahan identiti.
Sehingga kini, OpenRouter dan Zhipu belum memberikan respons awam.
Korrine identiti semakin kabur
Identiti model "Niulai" masih kabur, dan Code Arena kini muncul dengan model anonim bernama korrine.
Pada mulanya, ramai menebak ia adalah Kimi K3.1, sebab Kimi Sebelum pelancaran K3, ia dianggap telah diuji dengan kod nama kivine. Kivine mempunyai struktur yang serupa dengan korrine, sehingga menimbulkan perkaitan.
Namun, sumber bocoran pertama yang menyebarkan berita itu kemudian menambahkan bahawa model Moonshot yang sebelumnya diketahui mungkin berkaitan dengan kod nama lain, adamant-ananke. Korrine juga mungkin berasal daripada pasukan China lain seperti Qwen.
Di ruang komen, ada juga yang mengarahkannya ke MiMo V3.
Mengapa pengilang model besar suka "memakai topeng"?
Ujian anonim sedang menjadi peringkat penting sebelum pelancaran rasmi model besar.
Sembunyikan pengeluar dan model di Arena untuk mengurangkan kesan prasangka berdasarkan jenama. Pengguna tidak melihat identiti model, tetapi hanya memilih berdasarkan output sebenar, dan keputusan pertandingan yang dikumpulkan juga lebih mendekati pengalaman pengguna sebenar.
OpenRouter menyediakan persekitaran ujian yang berbeza.
Pembangun akan mengintegrasikan model ke pelbagai agen pengkodean, membolehkannya memasuki repositori sebenar, memanggil alat secara berterusan, dan menangani tugas kejuruteraan perisian yang berterusan selama berjam-jam. Kestabilan konteks, kebolehpercayaan panggilan alat, dan sama ada model akan berputar-putar atau menyimpang semasa tugas jangka panjang, semuanya akan segera terdedah semasa penggunaan intensif.
Bagi pembuat model, ini setara dengan ujian tekanan awam. Pasukan boleh memantau kes kegagalan terlebih dahulu, mengesahkan kapasiti perkhidmatan inferens, serta mengumpul reputasi sebenar sebelum pelancaran rasmi.
Selain itu, "teka model" kini juga semakin menjadi alat pemasaran, kerana ketidakpastian identiti memang boleh memperpanjang tempoh perbincangan.
Akhirnya, kembali kepada model itu sendiri. Jika Ox Alpha benar-benar merupakan model Flash, dan kemampuan kodnya telah hampir mencapai tahap teratas, maka versi penuh yang mempunyai sumber daya lebih tinggi dan kemampuan yang lebih lengkap akan mendorong had atas ke mana pula?
Pautan rujukan:
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
Artikel ini berasal dari akaun WeChat "Machine Heart" (ID: almosthuman2014), penulis: Peminat AI