نقدر و بررسی Ox Alpha؛ مدلی که حالا معلوم شد GLM-5.3-Flash بوده

چند روزی Ox Alpha رو از طریق opencode امتحان کردم و اولین چیزی که حس کردم، سرعتشه؛ به شدت کندتر از بقیه مدل‌هایی که استفاده کردم جواب می‌ده. تست عددی خاصی نگرفتم، فقط بر اساس همون چیزی که موقع کار باهاش اتفاق می‌افتاد می‌گم، ولی حدسم اینه که این کندی به درجه‌ی reasoning بالایی که روش گذاشته شده و این‌که فقط یک مقدار کم پارامتر اکتیو داره برمی‌گرده. با همه‌ی این‌ها، از نظر من هنوز کلاد و چت‌جی‌پی‌تی چندین پله بالاتر از این مدل توی کد زدن هستن.

Ox Alpha اصلاً چیه؟

اگه تا حالا اسمش به گوشت نخورده، Ox Alpha یه مدل ناشناسه که بیستم آگوست روی OpenRouter، opencode، Cline و پورتال Nous Research به صورت رایگان ظاهر شد؛ بدون این‌که هیچ شرکتی اسمش رو پای اون گذاشته باشه. کانتکست ویندوش تا یک میلیون توکن می‌رسه، هم متن قبول می‌کنه هم تصویر و ویدیو، و ادعای zero data retention هم داره؛ هرچند این ادعا بین خود OpenRouter و opencode یکسان بیان نشده و بهتره روش زیاد حساب نکنی اگه داری روی کد یا دیتای حساس کار می‌کنی.

هویت مدل: بازی حدس‌زدن که بالاخره تموم شد

بازی حدس زدن راجع به این‌که پشت Ox Alpha کیه، بالاخره تموم شد. گوگل، شیائومی، دیپ‌سیک و MAI مایکروسافت همه یه‌جایی توی این حدس‌زدن‌ها مطرح شدن، ولی امروز خود Z.ai (همون Zhipu) رسماً تأیید کرد که Ox Alpha چیزی نیست جز GLM-5.3-Flash؛ اولین مدل native چندوجهی از خانواده‌ی GLM-5. تا قبل از تأیید رسمی، توسعه‌دهنده‌ها با مقایسه‌ی توکنایزر و انکودر ویدیو به همین نتیجه رسیده بودن، ولی حالا دیگه حدس نیست. طبق گفته‌ی خود Z.ai، این مدل ۳۲۰ میلیارد پارامتر کل داره ولی فقط ۱۸ میلیارد پارامترش روی هر توکن فعال می‌شه (یعنی معماری MoE)، تحت لایسنس MIT منتشر شده، و قراره حدود ۰.۱۵ دلار برای هر میلیون توکن ورودی قیمت بخوره؛ یعنی چیزی حدود یک‌دهم قیمت مدل‌های هم‌رده‌اش. همون شبی که خبر تأیید منتشر شد، وزن‌های مدل هم عمومی شدن.

بنچمارک‌های رسمی چی می‌گن؟

راجع به عملکرد هم عددها یک‌دست نیستن. یه تست ده‌تایی از بنچمارک DeepSWE نشون داد Ox Alpha با ۸۰ درصد، از Claude Fable 5 با ۶۵ درصد و از GPT-5.6 Sol با ۵۲ درصد جلوتره؛ ولی وقتی همین بنچمارک رو با ۱۱۳ تسک کامل اجرا کردن، عدد Ox Alpha به حدود ۶۳ درصد رسید که تقریباً هم‌سطح GPT-5.6 Sol شد، نه اون فاصله‌ی چشمگیر اول. توی Kingbench هم با ۸۷.۵ درصد، پشت سر GLM-5.3 با ۹۱.۲۵ درصد قرار گرفت ولی جلوتر از Opus 4.8 که ۸۰ درصد گرفته. یه بنچمارک خصوصی دیگه هم هست که نتیجه‌ی کاملاً متفاوتی داده و این مدل رو در حد مدل‌های دو نسل قبل، مثل Kimi 2.6، رده‌بندی کرده. یعنی بستگی داره چه نوع تسکی بهش بدی؛ ظاهراً روی کارهای فرانت‌اند و طراحی UI به‌طور خاص قوی‌تر عمل می‌کنه تا روی منطق خالص کد.

به هیچ عنوان نمی‌تونم به این بنچمارک‌ها اعتماد کنم، چون واقعاً چیزی که من دیدم با هایپی که توی اینترنت هست روی این مدل متفاوته. شاید من اشتباه استفاده می‌کنم ازش.

تجربه‌ی کاربرها

همین ناهماهنگی رو توی تجربه‌ی کاربرها هم می‌بینی. بعضی‌ها گفتن روی opencode مدام تایم‌اوت می‌گیره و عملاً غیرقابل استفاده می‌شه، ولی همون مدل روی Hermes Agent بدون مشکل کار کرده. بعضی هم از اجراهای چند ساعته برای یه مقایسه‌ی ساده گلایه کردن؛ که با همون کندی‌ای که خودم حس کردم هم‌خونی داره. از چندین نفر پرسیدم و مثل این‌که اون‌ها هم عملاً نمی‌تونستن استفاده کنن ازش. من استفاده کردم، ولی چیز Wow‌ای برای من به‌شخصه نبود.

ضعف‌های مدل (تجربه‌ی خودم)

یه نکته‌ی دیگه که موقع کار باهاش برام مهم بود: توی نوشتن محتوای فارسی اصلاً خوب عمل نمی‌کنه. اگه دنبال یه مدل برای تولید متن فارسی روون می‌گردی، فعلاً این گزینه‌ی خوبی نیست.

این مدل به شدت کند عمل می‌کنه، در حدی که قبل از این، کندترین مدلی که دیده بودم Nemotron از Nvidia بود که با اومدن این مدل جاشو گرفت برای من (نموترون رو از چند پروایدر تست کردم و همه‌شون همون‌قدر کند بودن).

من نمی‌دونم این جریانِ این‌که این مدل روی تسک‌های UI به‌شدت خوب عمل می‌کنه از کجا میاد؛ حقیقتاً فکر نمی‌کنم چیز خاصی باشه، چون شخصاً بررسیش کردم.

یه چیز جالب دیگه هم توی تست‌هام دیدم: وقتی به چت‌جی‌پی‌تی و کلاد یه دستور می‌دی که یک کاری رو انجام بده و بعد در حالی که روی یه پروژه‌ی دیگه‌ای دوباره بهش می‌گی همون کار قبلی رو روی این پروژه انجام بده، هر دو متوجه می‌شن که کانتکست فرق داره و مال یک پروژه‌ی دیگه‌ست و می‌پرسن منظورت همین پروژه‌ی فعلیه یا اون یکی قبلی که تأیید کنی؛ ولی Ox Alpha بدون هیچ سؤالی مستقیم می‌ره سراغ پروژه‌ی قبلی، تا وقتی که خودم absolute path رو بهش بدم. این‌جور جاهاست که فرق بین «قوی بودن توی بنچمارک» و «فهمیدن context واقعی کار تو» خودش رو نشون می‌ده.

به نظرم بنچمارک‌ها زیادم حقیقت رو، حداقل در استفاده‌ی واقعی از مدل‌ها، نمی‌گن.

دیگه استدلال به تنهایی ملاک نیست

یه چیزی هم که این روزها بیشتر و بیشتر حس می‌کنم اینه که دیگه صرفاً «قدرت استدلال» ملاک اصلی انتخاب نیست. فاصله‌ی بین مدل‌های بالای بازار داره کم می‌شه و کم‌کم همه‌شون توی این بخش خوب یا خیلی خوب هستن؛ چیزی که واقعاً فرق ایجاد می‌کنه بیشتر سرعت، قیمت، و همون درک درست از context کاره تا صرفاً یه عدد بالاتر توی بنچمارک استدلال.

نظر خودم راجع به استفاده از GLM-5.3-Flash

رک بگم: نه. در صورتی که مدل رایگان نباشه (با این سرعت) یا این‌که مثلاً پولی بشه ولی بسیار ارزون باشه (در حد همون Spark 1.2 یا حالا یکم بالاتر) یا شاید در سطح DeepSeek Flash، من به‌شخصه از این مدل، با این‌که واقعاً قدرت بالایی داره، استفاده نمی‌کنم؛ به چند دلیل:

• استدلال رو می‌سپارم به مدلی که بهش اعتماد دارم، مثل Claude یا GPT، دلیلش هم اینه که برای من ثابت شده‌ن.

• اون حجم از استدلالی که مدل‌های سریع‌تر یا حتی رایگان نمی‌تونن انجام بدن رو معمولاً خودم راجبش فکر می‌کنم و با چندین AI مشورت می‌کنم، نه این‌که فقط به یک مدل بسپارمش.

جمع‌بندی

حالا که هویتش مشخص شده و وزن‌هاش هم منتشر شدن، دیگه اون بهانه‌ی «نمی‌دونیم دیتامون کجا می‌ره» با همون شدت قبل معنا نداره، ولی همچنان بهتره قبل از استفاده‌ی جدی، مستندات رسمی Z.ai راجع به نگهداری دیتا رو خودت بخونی. تجربه‌ی خودت با این مدل چی بوده؟ همون چیزی که بنچمارک‌های رسمی می‌گن رو حس کردی یا مثل من فکر می‌کنی هنوز رقابت خاصی بین این و مدل‌های OpenAI و Anthropic، حداقل در رده‌های بالا، نیست؟