Ox Alphaの正体は？GLM-5.3 Flash説の根拠を検証

Ox Alphaは、Z.aiの配信基盤上で動くGLM-5.x系のマルチモーダルモデルである可能性が高い。公開情報から安全に言えるのはここまでです。GLM-5.3 Flashという具体的な名前は、まだOpenRouterやZ.aiの確認を得ていません。

それでも注目される理由は、実際の出力が面白いからです。RedditのSVGテストでは、ドラゴンの脚が自転車のフレーム後ろに入り、道路とチェーンも描かれていると評価されました。小さな一例ですが、「誰が作ったか」以外に「何ができるか」を考える材料になります。

ここでは発表から技術的な指紋までを時系列で追い、標準GLM-5.3の公式数値とOx Alphaの個人テストを分けます。自分の課題で確かめたい場合は、TabbitのGLM-5.3 Flashページからテキスト、画像、Agentタスクを試せます。

要点

• OpenRouterが確認しているのは、匿名の第三者モデル、1,048,576トークンのコンテキスト、テキスト・画像・動画入力です。GLMやZ.aiの名前はありません。

• Tokenizer、動画トークン予算、サーバーエラーはGLM-5.x系とZ.ai基盤を示しますが、checkpointまでは特定できません。

• Z.aiによると、公開版GLM-5.3はGLM-5.2と同じbase modelを使い、改善はpost-trainingによるものです。Flash説が正しければ、「GLM-5.2の知能とネイティブなマルチモーダル」の説明は自然です。

• Ox Alphaの好成績は個人テスト、部分集合、単一タスクが中心で、総合ランキングには使えません。

• TabbitはGLM-5.3 Flashを利用できるモデルとして掲載しています。製品上の名称と公式な身元確認は別です。

身元に関する証拠

短く言えば、GLM系である可能性は高く、Z.aiの配信もありそうですが、GLM-5.3 Flashという名前は未確定です。

謎のモデルが現れるまで

8月14日、Z.aiはGLM-5.3の技術記事を公開しました。標準GLM-5.3はGLM-5.2と同じbase modelを使い、より多くの環境、タスク、post-training計算で改善したと説明しています。視覚対応の高速版が同じ推論系統を保つという考え方は、ここから生まれます。TabbitでGLM-5.2を使う方法は比較用の基準にもなります。

8月21日、OpenRouterにstealth/ox-alphaが登場しました。1,048,576トークンのコンテキスト、最大131,072トークンの出力、長時間のコーディングとAgent作業が公開仕様です。公式X投稿はテキスト、画像、動画入力も明記しました。

この組み合わせは、長いコンテキストを持つ公開GLM-5.3と、視覚系のGLM-5V-Turboの交点に見えます。ただし、どちらの公開モデルカードとも一致しません。OpenRouterは匿名の第三者が開発・運営するとだけ説明し、プロバイダーがpromptとcompletionを保持することも記載しています。

TechCrunchの初期報道では、GLMのほかMicrosoft MAIなど複数の説が並んでいました。その後、50個の文字列すべてでGLM-5.3とトークン数が一致し、4本の動画でGLM-5V-Turboと同じ予算が使われ、一部のバックエンドエラーもGLMサービスに似ていると報告されました。

ただし、Tokenizerや動画encoderは共有できます。Z.aiのサーバーが外部モデルをホストすることもできます。「GLM-5.xのマルチモーダルな近縁モデル」が妥当な結論で、「正体判明」ではありません。

GLM-5.2の知能とネイティブなマルチモーダル

この表現は二つの情報を組み合わせています。標準GLM-5.3はGLM-5.2のbaseを残し、長時間のコーディングやツール利用を追加学習しています。計画、実行、観察を繰り返す仕組みはAgentic Reasoningの解説にもまとめています。

Ox Alphaは同じ入口で画像と動画を受け取ります。製品体験として「ネイティブなマルチモーダル」と呼べますが、内部構造は非公開です。Flash説が正しければ、GLM-5.2/5.3の推論系統に視覚コンテキストを組み合わせたモデルと考えられます。Flashが高速な配信層を意味するかは、名前からの推測にすぎません。

数字を混ぜない

これはZ.aiが標準GLM-5.3について報告した数値です。Ox Alphaの実測は別の表に置く必要があります。

無料期間には混雑、遅延、upstream errorも報告されました。能力ではなく配信容量の問題ですが、長いAgentタスクには大きく影響します。GPT-5.6 Solの1Mコンテキスト記事でも、容量、製品制限、コスト、成功率を分けて考えています。

Tabbitで自分の課題を試す

Tabbit Browserなら、情報源のタブ、画像、prompt、回答を同じブラウザに残せます。

最初は成功条件が明確なテキスト課題を使い、次にGLM-5.2や別モデルで同じpromptを実行します。画像を追加したら、回答が実際の画面要素を使っているか確認します。複数段階のWeb作業はAgent Modeで公開かつ元に戻せる対象に限定し、ツール呼び出し、再試行、時間、成果物を記録してください。

Coding harnessを使う場合も、クライアントの安定性とモデル品質を分けます。DeepSeek Harnessのブラウザガイドが参考になります。調査では情報源タブを添付し、結論の前に証拠表を作らせます。研究者向けAIブラウザとTabbitの概要に具体的な流れがあります。

現時点の判断

Ox AlphaはGLM系に見え、Z.aiの配信基盤を使い、1Mコンテキストとマルチモーダル入力を組み合わせています。GLM-5.3 Flashは最も整理された説明ですが、まだ仮説です。自分の課題で試し、promptと結果を保存し、公式なcheckpoint名が出た時に結論を更新できる形にしておくのがよいでしょう。

Secholar.L

Tabbit グロース&コンテンツ担当

Secholar.L は AI ブラウザとエージェントワークフローについて、実際の調査と検証可能な一次情報に基づく実践的なガイドを執筆しています。