Am 26. August hat Zhipu Ox Alpha demaskiert – jenes Modell, das über eine Woche lang anonym auf OpenCode und OpenRouter lief. Sein offizieller Name lautet GLM-5.3-Flash, die Gewichte wurden noch am selben Tag unter MIT-Lizenz auf HuggingFace veröffentlicht.
Es ist das erste nativ multimodale Mitglied der GLM-5-Reihe. Die Gesamtparameterzahl liegt bei 320 Milliarden, pro Token werden aber nur 18 Milliarden aktiviert. Die Layer-Zahl wurde von 92 bei GLM-5.3 auf 45 reduziert, die Zahl der aktiven Parameter sank von 32 Milliarden in der Vorgängergeneration auf 18 Milliarden. Die eingesparte Rechenleistung schlägt sich direkt im Preis nieder: Der offizielle Listenpreis liegt bei etwa einem Zehntel von GLM-5.3, während der befristeten Rabattaktion wird er noch einmal halbiert – umgerechnet entspricht das ungefähr einem Vierzigstel von Claude Opus 4.8. Laut einer weiteren Angabe von Z.ai kostet eine durchschnittlich abgeschlossene Aufgabe zum Rabattpreis 0,045 US-Dollar.
Parameter halbiert, Punktzahl nicht mitgesunken
Im Intelligence Index v4.1.1 von Artificial Analysis erreicht GLM-5.3-Flash 57 Punkte und rückt damit in den Bereich der weltweiten Spitzenmodelle vor – auf demselben Niveau wie Opus 4.8, das derzeit beliebteste Modell von Anthropic. Bei den Einzeltests fallen die Unterschiede deutlicher aus: DeepSWE v1.1 steigt von 46,2 Punkten bei GLM-5.2 auf 63,4, Terminal-Bench 2.1 erreicht 84,3, Toolathlon Verified 78,4, AutomationBench v1.0.6 liegt bei 48,8. Zhipus eigener Z.ai Code Bench kommt in der höchsten Schwierigkeitsstufe auf 29,0, die Vergleichsgruppe Opus auf 29,5.
Multimodalität ist neu in dieser Generation: OfficeQA Pro erreicht 62,4, CharXiv mit Tool-Reasoning 89,4, Chartography mit Tools 78,0, im Videobereich MVBench 77,8 und MMVU 80,5. Diese Kombination zielt eher auf einen „Büro-Agenten, der Tabellen und Zeichnungen versteht“ als auf eine reine Benchmark-Show für allgemeines Bildverständnis.
Architektonisch ist es das erste offene Spitzenmodell, das Sparse Attention und Linear Attention gemischt einsetzt, ergänzt durch IndexPool und mHC (Manifold-Constrained Hyper-Connections). Der Effekt zeigt sich in zwei Zahlen: Im Vergleich zu GLM-5.3 sinkt der Attention-Rechenaufwand auf etwa ein Drittel (Faktor 3,0), der KV-Cache auf etwa ein Viertel (Faktor 4,4). Bei langen Kontexten entfällt der größte Kostenblock auf den KV-Cache – dieser Faktor entscheidet, ob ein Kontextfenster von 1 Million Token tatsächlich nutzbar ist oder nur im Datenblatt steht.
Sämtlicher Traffic läuft auf heimischen Chips
Während der anonymen Testphase war Ox Alpha zeitweise das meistgenutzte Modell auf OpenCode. Zhipu erklärt, der gesamte Inferenz-Traffic in dieser Zeit sei von chinesischen KI-Chips getragen worden, die End-to-End-Servicequalität habe sich gegenüber vorher verdreifacht, und die Kosten seien inzwischen mit gängigen Nvidia-GPU-Lösungen gleichauf.
Diese Information ist nicht weniger wertvoll als die Benchmark-Ergebnisse. Die gängige Erzählung chinesischer Open-Source-Modelle im vergangenen Jahr lautete: „Die Punktzahlen kommen nah heran, aber für den Betrieb braucht es weiterhin H-Serien-Karten.“ Sobald die Inferenzseite auf heimischer Hardware ausgelastet laufen und die Stückkosten angleichen kann, wird der Preisspielraum der Modellanbieter nicht mehr durch den Einkaufspreis der Karten begrenzt. Dass GLM-5.3-Flash es wagt, den Listenpreis auf ein Zehntel der Vorgängergeneration zu senken, hat hier zur Hälfte seine Grundlage.
Eine Überschlagsrechnung: Beim befristeten Preis von 0,075 US-Dollar pro Million Input-Token und 0,25 US-Dollar pro Million Output-Token käme eine mittelgroße Agent-Anwendung mit durchschnittlich 50 Millionen Input- und 10 Millionen Output-Token pro Tag auf eine tägliche Modellrechnung von rund 6,25 US-Dollar (grob geschätzt, ohne Cache-Rabatte und Fehlversuche). Beim gleichen Aufrufvolumen auf Opus 4.8 beträgt der Unterschied eine ganze Größenordnung. Für chinesische Teams, die Agent-Produkte bauen, verschiebt das die Frage „geht das produktiv?“ vom Budget- zurück zum Engineering-Problem.
Auf der Deployment-Seite unterstützen SGLang, vLLM und KTransformers das Modell bereits, die API ist gleichzeitig auf docs.z.ai live gegangen. Die MIT-Lizenz ist diesmal ein seltener Schritt – frühere GLM-Generationen liefen meist unter einer eigenen Lizenz. Unter MIT gibt es für die kommerzielle Weiterverbreitung kaum Zusatzbedingungen, Teams außerhalb Chinas können das Modell anpassen, ohne noch einmal durch die Rechtsabteilung zu müssen.
Eine Woche zuvor hatte Zhipu öffentlich eingeräumt, dass Ox Alpha die eigene Iteration sei; die damals genannten Zahlen zeigten ein Aufrufvolumen von mehr als dem Doppelten von DeepSeek. Jetzt liegen Name, Gewichte und Preis gleichzeitig auf dem Tisch – die verbleibende Frage ist, wie viele Teams bereit sind, es vom „billigen Testmodell“ zum produktiven Hauptmodell zu machen.
Quellen: offizieller Blog von Z.ai, HuggingFace-Modellseite, CocoLoop, Artificial Analysis; Parametergröße, Benchmark-Ergebnisse und API-Preise wurden anhand der offiziellen Release-Seite geprüft.