Pada 26 Agustus, Zhipu akhirnya membuka identitas "Ox Alpha", model yang sudah berjalan secara anonim di OpenCode dan OpenRouter selama lebih dari seminggu. Nama resminya adalah GLM-5.3-Flash, dan bobotnya diunggah ke Hugging Face pada hari yang sama dengan lisensi MIT.
Ini adalah anggota pertama keluarga GLM-5 yang multimodal secara native. Total parameternya 320 miliar, tetapi hanya 18 miliar yang aktif per token; jumlah layer turun dari 92 pada GLM-5.3 menjadi 45, dan parameter aktif turun dari 32 miliar pada generasi sebelumnya menjadi 18 miliar. Penghematan komputasi ini langsung tercermin pada harga: harga resminya sekitar sepersepuluh dari GLM-5.3, dan turun setengah lagi selama promo terbatas — setara sekitar seperempat puluh harga Claude Opus 4.8. Z.ai memberikan angka lain: dengan harga diskon, rata-rata biaya menyelesaikan satu tugas adalah $0,045.
Parameter dipangkas separuh, skor tak ikut turun
Pada Intelligence Index v4.1.1 dari Artificial Analysis, GLM-5.3-Flash meraih skor 57, masuk ke kelompok model frontier dunia — setara dengan Opus 4.8, model Anthropic yang saat ini paling populer. Sebaran skor pada benchmark individu justru lebih lebar: DeepSWE v1.1 naik dari 46,2 (GLM-5.2) menjadi 63,4, Terminal-Bench 2.1 mencatat 84,3, Toolathlon Verified 78,4, dan AutomationBench v1.0.6 di angka 48,8. Pada Z.ai Code Bench milik Zhipu sendiri, tingkat kesulitan tertinggi menghasilkan skor 29,0, dibanding 29,5 milik Opus.
Kemampuan multimodal adalah hal baru di generasi ini: OfficeQA Pro mencetak 62,4, CharXiv dengan penalaran berbantuan alat mencapai 89,4, Chartography dengan alat 78,0, dan di sisi video, MVBench mencatat 77,8 dan MMVU 80,5. Kombinasi ini mengarah pada "agen perkantoran yang bisa membaca tabel dan diagram", bukan sekadar ajang unjuk skor pemahaman gambar secara umum.
Dari sisi arsitektur, ini adalah model frontier open-source pertama yang mencampur sparse attention dengan linear attention, sekaligus memperkenalkan IndexPool dan mHC (manifold-constrained hyper-connections). Hasilnya tercermin dalam dua angka: dibanding GLM-5.3, beban komputasi attention turun menjadi sekitar sepertiga (pengurangan 3,0 kali), dan KV cache turun menjadi sekitar seperempat (pengurangan 4,4 kali). Karena KV cache adalah komponen biaya terbesar pada konteks panjang, rasio ini menentukan apakah jendela konteks 1 juta token benar-benar bisa dipakai, bukan sekadar angka di lembar spesifikasi.
Seluruh trafik berjalan di atas chip buatan China
Selama periode uji anonim, Ox Alpha sempat menjadi model dengan volume panggilan tertinggi di OpenCode. Menurut Zhipu, seluruh trafik inferensi pada periode itu ditangani oleh chip AI buatan China, dengan performa layanan end-to-end meningkat 3 kali lipat dibanding sebelumnya, dan biaya kini setara dengan skema GPU Nvidia arus utama.
Informasi ini bobotnya tak kalah penting dari skor benchmark. Selama setahun terakhir, narasi umum seputar model open-source China adalah "skor sudah mendekati, tapi deployment masih bergantung pada kartu seri H". Begitu sisi inferensi bisa berjalan penuh di atas silikon buatan China dengan biaya per unit yang setara, ruang gerak harga vendor model tidak lagi terikat pada harga beli kartu GPU. Keberanian GLM-5.3-Flash memangkas harga menjadi sepersepuluh dari generasi sebelumnya sebagian besar bersumber dari sini.
Hitungan kasarnya: dengan harga promo $0,075 per juta token input dan $0,25 per juta token output, sebuah aplikasi agen skala menengah yang rata-rata mengonsumsi 50 juta token input dan 10 juta token output per hari akan menghabiskan tagihan model sekitar $6,25 per hari (perkiraan kasar, belum menghitung diskon cache dan percobaan ulang saat gagal). Volume panggilan yang sama di Opus 4.8 akan berbeda satu orde besaran. Bagi tim pengembang produk agen di China, ini menarik pertanyaan "apakah bisa masuk produksi" dari soal anggaran kembali menjadi soal rekayasa.
Dari sisi deployment, SGLang, vLLM, dan KTransformers sudah mendukungnya, dan API-nya juga sudah aktif secara bersamaan di docs.z.ai. Lisensi MIT menjadi langkah yang jarang terlihat kali ini — generasi GLM sebelumnya kebanyakan memakai lisensi milik sendiri, sementara di bawah MIT, distribusi ulang komersial nyaris tanpa syarat tambahan, sehingga tim di luar China yang memodifikasinya tak perlu melalui tinjauan hukum lagi.
Seminggu sebelumnya, Zhipu sudah mengakui secara terbuka bahwa Ox Alpha adalah iterasi model buatan mereka sendiri, dengan data saat itu menunjukkan volume panggilan lebih dari dua kali lipat DeepSeek. Kini nama, bobot, dan harga sudah sama-sama terbuka, yang tersisa hanyalah berapa banyak tim yang bersedia mengalihkannya dari "model uji coba murah" menjadi andalan produksi.
Sumber: blog resmi Z.ai, halaman model Hugging Face, CocoLoop, Artificial Analysis; skala parameter, skor benchmark, dan harga API diverifikasi berdasarkan halaman rilis resmi.