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

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 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 十三 2026-08-27 00:48:12 来源： 量子位 金磊 发自 凹非寺 量子位 | 公众号 QbitAI 终于，这几天在网上炒得沸沸扬扬的 神秘 模型 「牛来」 （Ox Alpha），真身曝光了！ 而且果然是来自 中国玩家 —— 是 智谱 刚刚发布即 开源 的 GLM-5.3 Flash ，还是5系列里 首个 原生多模态的那种。 「牛来」在火的这几天里啊，其实已经有不少人用Ox Alpha这个版本在实测了。 其中玩儿得比较多的，便是手搓一个 SpaceX Raptor猛禽发动机3D交互网页 。 例如博主Tim Jayas时隔几日，用同样的Prompt让「牛来」做了两次这个任务后，直接发出了这样的感慨： 感觉「牛来」是一个能自己持续学习的模型。 巧了，我们刚好也拿到了GLM-5.3 Flash的内测资格，也做了同款的项目；在我们输入完Prompt之后，全程无需任何操作： 在等候片刻之后，3D猛禽引擎项目就出炉了，来感受一下这个feel： 视频地址： https://mp.weixin.qq.com/s/wNQAWeUacfB8a1F_kQZe_g 从效果对比来看，嗯，无需多言，GLM-5.3 Flash做出来的3D猛禽引擎，更精进了。 那为啥「牛来」模型会这么火？ 单单是从各大官方的帖子中，我们就能窥知一二。 例如在 OpenRouter 上，「牛来」首日便冲上了榜首，还刷新了刷新单日tokens用量历史纪录： OpenCode 则表示，Ox Alpha一出世，即终结了DeepSeek在OpenCode连续56天霸榜的纪录： 而在智谱正式认领完「牛来」之后，我们还发现了GLM-5.3 Flash其它亮点。 在 模型尺寸 方面，GLM-5.3 Flash仅为 320B ，但在能力上 全面超越 了体量为753B的GLM-5.2。 除此之外，根据最新的AA榜单显示，GLM-5.3 Flash已经拿下 57分 ，放眼全球范围内已然是步入前沿之列，并且与Claude Opus 4.8得分持平。 在 价格 方面，GLM-5.3 Flash的定价是5.3版本的1/10，限时折扣为1/20的GLM-5.3，1/40的Opus 4.8，定价低于DS-V4-Flash。 以及，还有一件值得骄傲的事儿—— 上面提到的62T Tokens都跑在国产卡上！原来老外追了一个月的神秘模型，是头纯血国产牛。 那么接下来，老规矩，一波深度实测，走起~ 智谱GLM，终于长眼睛了 正如我们刚才提到的，智谱GLM-5.3 Flash是5系列里的首个原生多模态模型。 所以第一波实测，我们就围绕 多模态 来展开。 例如我们给GLM-5.3 Flash一个 多人说话 的视频，让它能基于原视频，分清谁在说话，并且精准配上字幕。 Prompt如下： 先识别不同说话人，再制作兼具人物颜色和卡拉 OK 跟读效果的字幕：人物底色保持固定，当前读到的词或短语进一步高亮。配色使用青蓝、暖黄、珊瑚红和白色的高对比组合，当前词由低亮度平滑过渡到高亮色。区分主讲人、主持人和短暂插话者，背景音乐、掌声与环境人声不单列为说话人。字幕必须基于最终时间轴重新对齐，任何剪辑后的片段都不能沿用源视频的旧时间位置。先通览全片再做决定，避免只依据开头样本推断后续结构。请保持剪辑点自然，优先保证人声清晰。字幕放在画面安全区，并用描边或底板保证复杂背景下可读。 这个任务就挺考验一个模型多模态处理的功底，例如它得先对视频做理解，人物也得对应上，以及最重要的，字幕得精准。 那么我们来看一下GLM-5.3 Flash的表现： 视频地址： https://mp.weixin.qq.com/s/wNQAWeUacfB8a1F_kQZe_g 其中一个细节是，GLM-5.3 Flash可以先从画面里，捕捉到哪怕只出现了一次的“名签”这个细节，以此来对应声音、名字和人物的关系。 由此可见，GLM-5.3 Flash在这个任务上的多模态能力是比较过关的。 如果你觉得配字幕这个任务有点简单，那么接下来，我们再“喂”给GLM-5.3 Flash一整部经典电影《神话》，让它直接做一个 电影解说视频 。 Prompt如下： 请将这部完整电影剪辑成一条中文电影解说视频，梳理主线剧情和人物关系，突出关键冲突与情绪转折，确保解说内容与原片一致，并生成配音和中文字幕。 来看下最终的成片： 视频地址： https://mp.weixin.qq.com/s/wNQAWeUacfB8a1F_kQZe_g 相比刚才的配字幕来说，GLM-5.3 Flash这次要“看”的视频时长更长，还要对整个剧情有把控，截取出来的关键片段且得是连贯和重要。 而从最终结果来看，GLM-5.3 Flash能自己理解并执行电影解说背后的一切关键步骤，并且效果呈现上，已然也是够达标的。 接下来，除了多模态之外，我们再把 Coding能力 放进来一起考验。 大致的任务是先给GLM-5.3 Flash一张完整的 产品设计稿 ，让它基于一张图，做出来 可以交互产品使用界面 。 准备的设计稿如下（上下滑动查看全图）： Prompt是这样的： 按照这张 UI 设计稿实现一个完整的移动端购物 App，尽量还原原设计里的配色、字体、图片、卡片和页面布局，并把图中展示的主要页面和购物流程做成可实际交互的版本。实现首页/发现、商品列表、筛选、商品详情、评价、收藏、购物车、配送、地址、支付、订单完成、门店地图、个人中心和设置等功能。 来看下最终互动的效果： 视频地址： https://mp.weixin.qq.com/s/wNQAWeUacfB8a1F_kQZe_g 依旧是一连串的功能都能按照Prompt的要求，丝滑地进行交互。 至于更加复杂的任务，智谱官方展示了一个由GLM-5.3 Flash独立跑了12个小时后的3D Blender场景构建任务的效果： 视频地址： https://mp.weixin.qq.com/s/wNQAWeUacfB8a1F_kQZe_g 嗯，现在GLM-5.3 Flash的情况就是，只要你给够它时间，它就能以低廉的价格，自己把复杂任务给跑通。 架构也是全新的 在看完实测后的结果，或许你会好奇一个问题： 为啥一个320B的模型，就能做到这样的效果呢？ 答案其实藏在“Flash”这个词的背后。 这一次，智谱从模型架构本身就开始抠效率。 GLM-5.3 Flash总参数为320B，实际激活参数只有18B，层数也从GLM-4.5时期的92层压到了45层。但瘦身之后，能力反而超过了上一代更大的GLM-5.2。配合最新的30T Token多模态预训练语料，智谱希望做到的是少算一点，但别少干活。 这里面最关键的一刀，砍在了注意力机制上。GLM-5.3 Flash采用了 线性注意力+稀疏注意力的混合架构 。 线性注意力负责抓住局部信息，稀疏注意力再