Theo 为什么用 GLM-5.3-Flash 处理编程智能体任务

一个名为 Ox Alpha 的匿名模型出现在 OpenCode 和 OpenRouter 上，宣称每天有高达 100 万亿 token 的服务容量。我在知道它的身份前大量试用了它，结果发现它是 Z.ai 的 GLM-5.3-Flash。它有用的智能体行为和低价格组合让我很惊讶。

一位朋友在公开的 DeepSWE 题目子集上测试了它，得到了很醒目的分数。我提醒大家，不要把这个小规模结果当作完整的基准比较。让我兴奋的不只是公开结果，还有它处理真实任务时的表现。

公告介绍了 100 万 token 的上下文窗口，以及图像、音频和视频等多模态输入。我通过兼容 OpenRouter 的代理把模型接入 T3 Code 工作流程，并在 Codex 运行框架中试用，尽管这个配置需要一些折腾。

我的第一个任务是检查开放的拉取请求，按合并难易程度和价值排序。一次工具调用失败后，模型尝试了命令行替代方案。这对我很重要：能从工具问题中恢复的模型，比遇到第一个错误就停下的模型更有用。

随后我在它工作时更改指令：排除由 Codex 创建的 PR，重点看标注为 Fable 和 Claude Code 的 PR，并将结果做成 HTML 报告。有些模型回应中途追加的要求后就停了；我希望它吸收变化并继续工作。

现场演示遇到了 GitHub 连接和 skill 读取问题，其中一部分来自我修改过的配置。我没有假装过程顺利，而是切换到先前的一次运行：当时我让模型审阅五天内更新的 PR，评估重叠、风险和处理难度。

那次运行中的任务委派遇到了认证失败。智能体发现反复出错后，改用元数据、差异、审阅、CI 和本地上下文直接检查。它没有一直等待失效的工作进程，而是产出了排序报告。

报告里有候选 PR 的链接，虽然只是小细节，却能为我节省时间。我审阅并合并了它找出的八个容易处理的候选。随后我要求它在这些合并之后再看一遍，排除草稿并列出已解决的问题。

第二份报告说，在同一个五天范围内还剩 352 个非草稿 PR。它列出了已经解决的问题和更多候选。这是我在一个仓库和一项任务中的体验，并不能证明模型的判断无需人工审阅就能合并。

我还通过 Z.ai 订阅让模型运行起来。性能有波动：我展示的供应商比较列出了不同的延迟和吞吐量。我起初把首 token 时间 4.4 秒误读成了分钟，随后做了更正。

视频发布时，画面显示的促销 API 价格是每百万输入 token 0.075 美元、每百万输出 token 0.25 美元，缓存读取另有折扣价格。价格、促销、订阅和供应商速度都可能变化；这些数字只描述当时的情况。

Z.ai 将它描述为混合专家模型，总参数 3200 亿，激活参数 180 亿。它的总规模比一些大模型小得多。参数数量本身不能决定质量，但有助于解释服务成本为何不同。

我认为，人们总是选择最贵的推理设置，或假设每项任务都有一个最好的模型时，容易把模型评估搞混。更高的推理强度可能消耗更多额度，合适的选择取决于工作内容以及模型如何执行。

我粗略地把模型能力分成智能和行为：前者是模型知道什么或能推理什么，后者是它能否可靠地执行任务、接受新指令和使用工具。这不是两个严格独立的测量指标，但这种区分有助于解释我的体验。

我把一个知识丰富但不擅长智能体执行的模型，与 GLM-5.3-Flash 作对比：我认为后者在难题上能力较弱，却很容易指挥。即使不是每项推理测试都最强，持续专注任务也能让模型显得更有用。

例如，我用自己的非公开 Skatebench 测试模型给滑板动作命名。Gemini 3.1 Pro 在我的测试中得分尤其高，但它作为编程智能体的表现让我沮丧。这些都是我的测试和经验，不是模型的普遍排名。

对于 GLM-5.3-Flash，我看重的是它遵循指令、记住中途新增的约束，并尝试自行解决阻碍。我把部分表现归因于后训练，但仅凭观察模型工作，不能确定精确原因。

现场报告筛选了 PR，并生成适合手机阅读的页面。我以为它误把别人的工作包括进来，重新看提示后才发现：我实际上要求它查看所有开放 PR。智能体遵循了我的宽泛指令，问题出在我的请求。

报告把高置信度候选与中等置信度候选分开，也突出了有价值的修复。其中一个可能的修复涉及繁忙线程导致客户端冻结。它给了我一条可能错过的线索，但我仍然需要检查 PR 和具体情况。

我让另一个智能体根据本地记录估算这次运行的 token 成本。它最初按普通输入价格计算缓存 token，得到约 48 美分。在我提供更低的缓存读取价格后，它把估算修正为约 12.06 美分。

画面中的计算使用约 32.3 万个未缓存输入 token、30,642 个输出 token，以及约 590 万个缓存读取 token。这是按画面所示 API 价格计算的估算，并非逐项账单：我实际使用的是订阅。口述的 60 亿输入 token 与画面计算不符。

这个较低的估算成本使定期整理仓库变得有吸引力。我可以让模型定期找出候选，再决定哪些值得审阅。有价值的不只是便宜的答案，而是发现我原本可能错过的工作。

这里存在取舍：我不认为这个模型解决难题的能力与 Fable 或 Sol 一样强。但对于较容易的任务，它能以低成本完成相当多智能体工作。这让它可以与更强、更贵的模型各司其职。

我把它与 DeepSeek V4 Flash 比较：据我了解，后者可下载版本没有视觉能力。单独的视觉 API 端点，不一定意味着可下载权重具备同样能力。我还发现，早先的模型在长任务中更容易偏离目标。

Z.ai 的公告称，该模型结合了稀疏注意力和线性注意力，并在多模态语料上训练。公司表示，这些选择降低了长上下文的服务成本。关于架构和基准的说法，应当作为开发者自己的介绍来阅读。

在画面所示的 Artificial Analysis 图表中，GLM-5.3-Flash 得分 57，每项任务估算成本为 9 美分；GPT-5.6 Luna 在该图上约为 5 美分。成本轴是对数刻度，不能仅凭图上的间距理解这 4 美分差额。

同一图表中 Kimi K3 的得分和成本都更高。我觉得这种价格与得分的取舍很有吸引力，尤其是模型提供开放权重，但综合得分不能代替对实际任务和供应商的测试。

Z.ai 的编程图表以不同推理强度下的输出 token 数和准确率作比较。画面显示，GLM-5.3-Flash 在 high 设置下的得分接近 max，但 token 少得多；我还把它与 Opus 4.8 比较。这是厂商的基准，并非通用测量。

模型的视觉输入有助于检查自己制作的页面并迭代布局。我觉得它的计算机操作表现有潜力，但最终结果的质量取决于工具配置和具体任务。

在我查看的 DeepSWE 图表中，模型在所示配置下得分约 63%，估算成本相对较低。此前的 80% 来自公开子集，不能直接与完整基准比较。得分、成本和评估设置都很重要。

我保留的意见是 token 效率。在我展示的 Artificial Analysis 比较中，GLM-5.3-Flash 每项任务约输出 47,000 个 token，而同样所示设置下 Luna 约为 20,000、Sol 约为 17,000。即便如此，较低的 token 单价仍可能带来不错的总成本。

除了价格，token 效率还有其他影响：生成更多 token 可能需要更多时间，也更快消耗上下文窗口。比较相近工作质量时的用量才有意义，所以我不会仅凭 token 数判断模型。

我还查看了设计基准中使用和不使用设计 skill 的结果。默认布局尚可，但常常比较熟悉。加入设计指引后，有些例子明显更好，不过动画和布局细节仍需要打磨。

有些生成的文案和视觉细节比我预想的更不套路。这当然是主观判断，但也是我觉得这个模型用起来舒服的原因：即便底层推理能力有限，它也能遵循设计方向，不必不断纠正。

在我的 Fish Slop 游戏测试中，模型做出了讨喜的动作和视觉细节，但也出现逻辑错误：鱼吃过东西后可能停止移动，也可能不饿时进食。演示看起来精致，并不能证明应用逻辑正确。

我还让它把游戏移植成 3D。结果不足以让我把它做成完整游戏，但对于较小的模型来说，能生成模型并做出可运行的尝试令人印象深刻。那次我关闭了计算机操作功能，限制了它获得视觉反馈。

Z.ai 还展示了一个经过 12 小时运行制作的 Blender 场景。我觉得生成的环境很出色，但这是开发者展示，并非对所有模型的独立受控比较。

Z.ai 表示，匿名 Ox Alpha 预览完全由中国 AI 芯片提供服务；视频引用的研究指出使用了华为 Ascend 硬件。我认为其规模值得关注，但我的演示并没有独立验证该服务背后的具体成本和优化。

在我自己的模型排行榜上，我衡量的是独特实用价值，而不只是原始智能。我把 GLM-5.3-Flash 放在 Sol 附近，因为它为我提供了廉价且行为可靠的选择，同时我仍认为更大的模型在难题上可能更聪明。

我把它与 Muse Spark 和 DeepSeek V4 Flash 比较：价格、隐私选项、视觉能力以及权重能否本地运行，都会影响选择。托管安排和数据政策各不相同，正确答案取决于用户的实际配置。

匿名预览让我试用了一个原本可能会忽略的模型。我打算继续用 GLM-5.3-Flash 处理低成本、需要细致执行的智能体工作，同时保留更强的模型处理难题。判断它最好的方式，是把它用在对自己重要的工作上。