上周，围绕《Ox Alpha》这个AI模型的谜团还浓得化不开。然而，仅仅几天之后，这个谜团就被解开了，而揭开谜底的正是中国AI实验室智谱（Zhipu），它确认了Ox Alpha就是自家的GLM-5.3-Flash模型。
正如我们上周所指出的，有人在8月20日匿名将Ox Alpha上传到了OpenRouter和OpenCode平台，提供了100万token的多模态（文本、音频、视频）上下文窗口、131,072token的输出限制，以及每天处理100万亿token的能力，并且整整一周完全免费。
当时，人们几乎一致认为Ox Alpha属于GLM系列家族，尤其是因为其视频编码管道、分词器数学计算以及逐字符的响应方式都与智谱的架构高度相似。但也有其他人认为，该模型实际上是微软（Microsoft）即将推出的前沿模型，代号为MAI 2，理由是Ox Alpha使用了OpenAI开发的字节对编码（BPE）分词器cl100k_base。
无论如何，智谱终于解开了这个谜团，在其官方博客中声明：
“在发布之前，我们在OpenCode和OpenRouter上以ox-alpha的匿名形式测试了GLM-5.3-Flash，以收集用户反馈。它迅速成为当周最受欢迎的模型——所有这些流量都由中国AI芯片提供服务。”
更重要的是，该AI实验室特别强调，Ox Alpha“完全在中国AI芯片上运行”。这表明，华为（Huawei）的昇腾（Ascend）级GPU很可能为GLM-5.3-Flash测试周期间每天约100万亿token的处理能力提供了算力支持。
智谱AI的GLM-5.3-Flash将KV缓存大小相对于GLM-5.3模型减少了4.4倍
就架构而言，智谱的GLM-5.3-Flash结合了线性注意力机制与稀疏注意力机制。线性注意力就像一台快速移动的扫描仪，顺序读取文本，并在此过程中更新一个单一的、紧凑的“心理摘要”（即KV缓存）；而稀疏注意力则让模型保留相对详细的信息，但将其归档到单独的文件夹和较慢的内存层级中，通过索引在需要时检索特定细节。
GLM-5.3-Flash还使用了一个名为IndexPool的组件，它将每一条关键信息压缩到一张高度密集的“数字主表”中，就像一个为整个给定上下文（输入）服务的闪电般快速的数字索引。
最后，该模型还使用了一种名为流形约束超连接（Manifold-Constrained Hyper-Connections，简称mHC）的协议，它规定了模型内部各层之间如何相互通信。想象一下，你在律师事务所工作，每个员工都试图给其他所有员工打电话传达新信息，这很快就会变成一片震耳欲聋的嘈杂声。mHC协议则强制将所有连接置于一个严格的几何结构（即称为Birkhoff多胞形的流形）上：每次你混合多条信息流时，其总体积在数学上必须恰好等于100%。
为了强制执行这个100%体积规则，GLM-5.3-Flash使用了一种算法（称为Sinkhorn-Knopp）。如果某一层开始过于大声地“喊叫”其信息，该算法会自动且平滑地调低其他层的“音量”以进行补偿。这样一来，模型就能轻松地在其架构中传递复杂精妙的思路，而不会遭遇硬件“内存墙”或阻塞系统。
上述所有这些架构元素都意味着GLM-5.3-Flash相当高效。事实上，智谱指出：
“为了说明我们架构的效率，我们将GLM-5.3-Flash的每token计算量和KV缓存大小与GLM-5.3以及两个近期开源模型DeepSeek-V4-Flash和Kimi-K3进行了比较。为了实现不同规模之间的公平比较，我们计算了每头每层的注意力计算量和每层平均KV缓存大小（BF16）。与GLM-5.3相比，GLM-5.3-Flash将注意力计算量和KV缓存大小分别减少了3.0倍和4.4倍。GLM-5.3-Flash在所有比较模型中具有最低的注意力计算量。KV缓存大小仍略大于Kimi-K3和DeepSeek-V4-Flash，还有进一步改进的空间。”
结合该AI实验室最新的30万亿token多模态预训练语料库，GLM-5.3-Flash能以仅约1/10的成本提供Claude Opus-4.8级别的性能，也就不足为奇了。
至于智谱如何在中国GPU上提供如此庞大的计算能力，该AI实验室表示：
“在集群规模上，我们生产级的编码-预填充-解码（Encode-Prefill-Decode，简称EPD）分离式架构将多模态编码、提示预填充和逐token解码分离为独立调度和可扩展的工作进程池，从而能够在数万个国产加速器上实现高效、可靠的推理服务。”
