🐂 神秘「牛来」真身曝光：320B 开源模型 AA 57 分追平 Claude Opus 4.8，价格只有 1/40，还全跑在国产卡上！

一句话看懂： 匿名刷屏六天的「牛来」（Ox Alpha），是智谱 8 月 26 日晚正式发布并开源的 GLM-5.3-Flash——3200 亿总参数、仅 180 亿激活的 GLM-5 系列首个原生多模态模型。它在 Artificial Analysis 综合智能指数拿到 57 分，与 Claude Opus 4.8 持平，价格却只有后者的 1/40；匿名测试期间的全球真实流量，全部由 10 万+ 张国产芯片承载。

📌 先看结论：五个爆点

一、谜底揭晓：这几天刷屏的「牛来」，果然是智谱

过去六天，海外开发者圈被一个代号 Ox Alpha（中文名「牛来」）的神秘模型刷屏了：

• 在 OpenRouter 上，它首日冲上榜首，还刷新了平台单日 Token 用量历史纪录；
• 在 OpenCode 上，它一出世就终结了 DeepSeek 连续 56 天霸榜的纪录；
• 有博主用同一个 Prompt 让它手搓 SpaceX Raptor 猛禽发动机 3D 交互网页，直呼"越用越惊艳"。

8 月 26 日晚，智谱正式认领：「牛来」就是 GLM-5.3-Flash——GLM-5 系列第一个原生多模态模型，发布即开源。它不是在实验室里秀肌肉，而是用真实全球流量在国产芯片上跑了一周，才把这张牌翻开。

二、核心参数速览

作为对比：GLM-4.5 是 355B 总参 / 32B 激活 / 92 层；GLM-5.2 体量约 753B。GLM-5.3-Flash 参数更少、层数更浅，能力反而全面超越上一代旗舰 GLM-5.2——"Flash"这次不是把旗舰缩小，而是从架构层面重新设计了推理成本。

三、为什么能打？藏在架构里的"降本增效"革命

① 混合注意力：线性 + 稀疏，第一次用在开源前沿模型上

• 线性注意力通过状态建模处理局部依赖；
• 稀疏注意力用一个轻量级索引器，在长上下文中召回真正相关的全局信息——处理 1M 超长上下文时，不再让所有 Token 彼此做全量计算。

② IndexPool：索引器瘦身 4 倍

针对 1M 上下文下索引器自身的内存与延迟开销，智谱引入 IndexPool，通过加权池化把 4 个索引 key 向量压缩成 1 个。

③ mHC：流形约束超连接

进一步压缩预训练与扩展成本，配合 30T Token 语料，实现"少算一点，但别少干活"。

结果： 与 GLM-5.3 相比，注意力计算量降低 3.01 倍，KV Cache 缩小 4.44 倍；在 GLM-5.3、DeepSeek-V4-Flash、Kimi-K3 等基线中，GLM-5.3-Flash 的注意力计算量最低。这正是"Flash 档位的钱，干前沿档位的活"的技术前提——尤其对动辄跑几十分钟、几小时的 Coding / Agent 长任务，注意力成本和 KV Cache 直接决定推理账单。

四、价格屠夫：57 分 = Opus 4.8，价格只有 1/40

• Artificial Analysis 智能指数（v4.1.1）：GLM-5.3-Flash 拿下 57 分，与 Claude Opus 4.8 持平；官方称其把该指数"性价比前沿"推到了每任务仅 0.045 美元（折扣价）——此前同等智能水平大约要贵 10 倍。
• 价格对标： GLM-5.3-Flash 官方定价仅为 GLM-5.3 的 1/10，限时折扣期 1/20；对标 Opus 4.8（API 输入 $5 / 输出 $25 每百万 Token）约为 1/40，且低于 DeepSeek-V4-Flash。

Z API 价格（每百万 Token）：

需要澄清一点："1/40"是用户拿到的价格，不是国产芯片硬件成本只有英伟达的 1/40——公开数据不足以支撑那种比较。更准确的说法是：一款完全由国产芯片集群承载的前沿模型服务，把面向用户的 API 价格压到了 Opus 4.8 的约 1/40。

五、原生多模态：智谱 GLM，终于"长眼睛"了

GLM-5.3-Flash 的视觉能力不是简单"看图"，而是把视觉直接纳入 Coding 与 Agent 闭环：模型能"看见"自己生成的页面、交互和 3D 场景，再根据视觉反馈继续修改——这才是前端开发、游戏制作、Blender 3D 这类任务"一次做对"的关键。

媒体实测案例（量子位）：

• 🎬 给一段多人说话的视频，它能分清谁在说话、捕捉只出现一次的"名签"细节，精准配上字幕；
• 🍿 喂一整部电影《神话》，它能自己截取关键片段、把控剧情，生成完整电影解说视频；
• 🖥️ 给一张产品设计稿图片，直接产出可交互的产品界面；
• 🏠 官方案例：无外部素材，自主运行 16 小时，在 Blender 中搭建约 400 平方米的专业主厨住宅与测试厨房。

这种能力同样延伸到 PPTX、PDF、DOCX、XLSX 与金融、法律等专业任务——模型不仅生成内容，还会通过视觉结果检查并修改自己的输出。用官方的话说：“代码让模型构建和改变世界，视觉让它进入人们看到和使用的世界。”

⚠️ 小提醒：目前 Z 正式 API 文档确认的输入模态为文本与图片（视频输入仍在实测与匿名测试阶段展示过），官方评测对不支持原生视频的模型采用 1fps 抽帧。

六、硬核评测：官方数据一览

以下为智谱官方公布的评测（多为带工具 + max 思考档位，与无工具口径不可直接比较）。

编程与智能体（GLM-5.3-Flash / GLM-5.2 / DeepSeek-V4-Vision-Exp / Opus 4.8 / GPT-5.6 Terra / Gemini 3.7 Flash）：

视觉（GLM-5.3-Flash / DeepSeek-V4-Vision-Exp / Opus 4.8 / GPT-5.6 Terra / Gemini 3.7 Flash）：

读表要点： 六项编程与智能体评测中，GLM-5.3-Flash 全面碾压 GLM-5.2（DeepSWE 63.4 vs 46.2、AutomationBench 48.8 vs 26.2），总体逼近 Opus 4.8；工具编排（Toolathlon Verified 78.4）甚至反超 Opus 4.8。与旗舰 GLM-5.3 相比，工程类任务差距在 4 分以内，主要差距集中在高难度学术推理 HLE（55.3 vs 62.5）。视觉评测上，文档/图表理解领先，动态视频类（BabyVision/MVBench）则弱于 Gemini 3.7 Flash——领先不是全维度碾压，而是精准的"性价比领先"。

七、更大的意义：10 万+ 张国产卡，接住了全球流量

这次发布最"提气"的一点，藏在算力谜底里：

• 智谱调用超过 10 万张国产芯片组成大规模集群，为 GLM-5.3-Flash 提供线上推理服务（未公布具体芯片型号）——这是国产算力首次大规模直接承载全球开发者的真实线上负载，不是实验室峰值展示。
• 为了在内存、带宽受限的国产单卡上扛住 1M 上下文，智谱基于 SGLang 打造专用推理引擎，叠加节点内张量并行、ReplaySSM、W8A8 量化、INT8/FP8/BF16 混合缓存量化、Layer Split 等优化，用"以算力换带宽、以通信换显存"的思路突破硬件限制。
• 集群层面采用 Encode-Prefill-Decode（EPD）分离式架构：多模态编码、Prompt 预填充、逐 Token 解码拆成三个可独立调度、独立扩缩容的工作池。
• 结果：端到端服务性能较同硬件初始基线提升 3 倍，硬件效率与单 Token 成本达到与主流英伟达 GPU 相当的水平。

更有意思的是，这套推理系统的优化，还借助了 GLM-5.3 驱动的智能体帮忙写 kernel、诊断瓶颈——“模型帮优化服务于模型自己的系统”，一个漂亮的自我强化闭环。匿名测试期间所有推理流量均由国产芯片承载，这意味着：国产算力不仅能"跑通"前沿模型，还能"经济地扛住"全球级的并发流量。

八、MIT 开源：说部署就部署

• 权重已上传 Hugging Face（zai-org/GLM-5.3-Flash），代码在 GitHub（zai-org/GLM-5），协议为 MIT License——同档位限制最少的许可，商用无附加条件；
• 本地部署已支持 SGLang、vLLM、TokenSpeed，KTransformers 等框架也可用；
• 官方 API 推荐参数：reasoning_effort 支持 low / high / max 三档（推荐 max），思考不可关闭，流式调用建议同时开启 stream 与 tool_stream。

怎么体验：

• 💬 在线体验：ZCode（zcode.z），支持 Browser Use / Computer Use，Agent 可以点击并"目视"验证网页、操作桌面应用；
• 🧑‍💻 GLM Coding Plan 用户已全量开放，可用额度是 GLM-5.3 的 3 倍；
• 🔌 API：模型 ID glm-5.3-flash，BigModel 开放平台与 Z 同步上线。

九、泼几盆冷水：别被"爆款"冲昏头

1. "57 分追平 Opus 4.8"是综合指数，不等于全任务追平。 单项基准、长任务稳定性、真实 Agent 任务仍有差距；高难度学术推理（HLE）与旗舰 GLM-5.3 尚有距离。
2. 官方评测口径偏"带工具 + max 档"，与无工具成绩不可直接对比；社区曾流传 DeepSWE 小样本 80% 的成绩，扩大样本后实际约 63%——虽仍属第一梯队，但别被孤例误导。
3. Token 效率是隐藏变量。 有第三方研究指出，部分场景下中文模型"单价便宜但更费 Token"，按任务总成本算未必总是最优——选型要看"每任务成本"而非只看每百万 Token 价格。
4. 视频输入尚未在正式 API 全面确认，多模态"完全体"仍需官方后续说明。

十、结语：前沿智能，进入普惠时代

GLM-5.3-Flash 的意义不只是一款新模型：开源权重 + 前沿能力 + 国产算力大规模在线承载 + 极低 API 价格，四件事第一次同时出现。当 OpenRouter 上中国模型的月度 Token 份额从去年初的不到 10% 涨到今年 7 月的 60%+，当一款 57 分的模型把每任务成本压到 0.045 美元，价格战的天平正在肉眼可见地倾斜。

正如智谱官方所说：“前沿智能，不必付出前沿价格。” 能干活，吃得少——而且这回，牛是自己的，草也是自己的。🐂

📚 参考来源

• 智谱官方博客：GLM-5.3-Flash: Frontier Intelligence, Flash Cost
• 智谱开放平台：GLM-5.3-Flash 模型文档
• Hugging Face：zai-org/GLM-5.3-Flash
• GitHub：zai-org/GLM-5
• 腾讯科技：智谱"牛来"模型算力谜底——全部国产卡承载，价格仅为 Opus 4.8 的 1/40
• 量子位（经搜狐转载）：神秘「牛来」模型果然是智谱！GLM 首个原生多模态，还用的国产卡
• DataLearner：GLM-5.3-Flash 架构、视觉编程能力、官方评测与价格
• BlockBeats：The “BullSoar” Model GLM-5.3-Flash Officially Open Source
• Edgen：Zhipu’s GLM-5.3-Flash matches Claude Opus 4.8 at 1/40 the price
• OpenRouter：GLM 5.3 Flash - API Pricing & Providers
• DoNews：智谱发布今日上线并开源多模态模型 GLM-5.3-Flash