Ox Alpha — это ответ Z.ai на Fable 5 (Супер УМНЫЙ)

Модель кодирования, которая перестаёт повторять неудачный подход, может сэкономить больше времени, чем модель, которая пишет более быстрый первый ответ. Сильнейшим сигналом Ox Alpha было именно такое поведение по исправлению: она распознала проблему в сборке Three.js и попробовала другой расчёт. Проверьте, сохраняется ли это поведение в задаче, которую вы можете воспроизвести и оценить.

Анонимный предварительный просмотр с тех пор был идентифицирован. Теперь OpenRouter называет Ox Alpha ZAI GLM-5.3-Flash. Обзор источников от 25 августа предшествует этому раскрытию, поэтому его предположения о создателе и рекомендации по свободному предварительному просмотру являются историческими. Не настраивайте старый идентификатор бесплатной модели, предполагая, что предложение всё ещё существует. Проверьте текущий список моделей и маршрут перед началом сравнения.

Это руководство отделяет зафиксированные результаты от предлагаемой оценки, которую вы можете провести. Оно не утверждает, что мы повторно запускали бенчмарк или воспроизводили внешний тест на баг для этого обновления. Личность провайдера и команды OpenCode ниже были проверены в официальной документации 28 октября 2026 года.

Начните с результата, который вы хотите измерить

Для первого сравнения выберите одну задачу по кодированию с наблюдаемой конечной точкой. Задача по исправлению часто проще для оценки, чем «сделайте этот сайт красивым». Вы можете показать, что баг возникает, потребовать небольшого исправления и проверить, что сбой больше не возникает без нарушения соседнего поведения.

Визуальный проект также может подойти, но определите ожидаемый результат перед запуском любой модели. Для сцены Three.js это может включать заданную геометрию, работающие элементы управления камерой, чистый запуск программы и скриншоты с согласованных точек обзора. Конкретные критерии зависят от вашего проекта. Успешная загрузка страницы сама по себе мало что говорит о том, соответствует ли сцена исходному заданию.

Исходным результатом была 3D-модель Хельмовой Пади в OpenCode. Рон сообщил, что Ox Alpha заметил несоответствие в рендеринге и изменил подход к вычислениям, вместо того чтобы повторять тот же неудачный метод. Он сравнил это с другими запусками, которым требовалось несколько попыток или вмешательство человека. Это наблюдение за конкретной сессией, а не универсальное свойство модели.

Запишите, что будет считаться успешным восстановлением в вашей собственной задаче: агент выявляет ошибочное предположение, изменяет соответствующую реализацию и проверяет результат. Уверенное объяснение без успешного исправления не соответствует этому условию.

Сохраняйте модель, средство выполнения и провайдера отдельными

Модель генерирует ответы. OpenCode — это среда кодирования, которая обеспечивает инструменты и управляет сессией. Маршрут провайдера обрабатывает запросы, доступность, цены и условия работы с данными. Одновременное изменение всех трёх элементов затрудняет интерпретацию результата.

Ox Alpha запускался через OpenCode во время записанного превью. Запуск сегодня с GLM-5.3-Flash через другой шлюз может отличаться по конфигурации и условиям обслуживания. Последующее раскрытие идентичности не доказывает, что каждая текущая конечная точка воспроизводит точную контрольную точку превью.

Перед тестированием запишите эти данные:

Запись	Почему это важно
Дата, поставщик и точный идентификатор модели	Публичное имя может существовать дольше, чем маршрут или контрольная точка, использованные в тесте
Версия OpenCode и выбранный агент	Поведение и права инструмента влияют на работу модели
Вариант рассуждения или бюджет, если настроены	Разные настройки могут менять задержку и длину вывода
Начальная ревизия репозитория	Обе модели нуждаются в одной и той же исходной задаче
Подсказка и разрешенные инструменты	Дополнительный контекст или разные разрешения могут изменить сложность
Проверки принятия	Вам нужно стабильное определение завершения

Сначала держите первый репозиторий публичным или одноразовым. Во время анонимного просмотра Рон удерживал приватный репозиторий канала для бенчмарков и авторизацию GitHub. Это решение также ограничило масштаб результатов: источник охватывает сборку одного «Хельмовой Долины», а не полный набор приватных задач бенчмарка.

Ретроспективный список OpenRouter указывает, что поставщик предварительного просмотра сохранял подсказки и результаты и не использовал их для обучения. Сохранение и обучение — это разные понятия. Ознакомьтесь с условиями текущего маршрута перед отправкой конфиденциальных материалов; знание названия лаборатории не отвечает на все вопросы о работе с данными.

Прежде чем начать: выберите текущий маршрут в OpenCode

Используйте установленную версию OpenCode и учетную запись поставщика, которую вы намерены тестировать. Подтвердите текущую цену и ограничения по использованию поставщика перед подключением. Процедура ниже выбирает доступную модель; она не возобновляет старое бесплатное предложение Ox Alpha.

1. Откройте OpenCode в вашем временном тестовом проекте.
2. Запуск /connect, выберите вашего поставщика и введите его учетные данные локально.
3. Запуск /models и выберите предполагаемую текущую модель.
4. Проверьте выбранную модель и поставщика, указанных в сессии, перед отправкой задания.
5. Отправьте небольшой запрос, чтобы определить проект и соответствующие файлы. Подтвердите, что запрос отображается под предполагаемым маршрутом в записях использования вашего поставщика.

Эти команды задокументированы в Руководстве по настройке моделей OpenCode. Если модель отсутствует, проверьте текущий каталог и доступ аккаунта. Не подставляйте тихо другую модель и оставляйте маркировку запуска как “Ox Alpha.” Для раскрытой модели начните с списка GLM-5.3-Flash OpenRouter или поставщика, которого вы действительно планируете использовать.

Скриншот также показывает, почему «агент думал» слишком расплывчато для диагностики медленного выполнения. Поиск файлов, ожидание ответа модели, запрос уточнения и проведение теста — это разные действия. Сохраняйте достаточную часть сессии, чтобы их различать.

Дайте обеим моделям одну и ту же ограниченную задачу

Подготовьте две независимые копии одного и того же исходного проекта. Убедитесь, что каждая из них воспроизводит исходную проблему, прежде чем просить исправление. Не передавайте второй модели репозиторий с правками первой модели или беседой, объясняющей её решение.

Следующее является оценочным запросом, а не цитатой из транскрипта:

Прочитайте инструкции к репозиторию и воспроизведите указанную ошибку.
Кратко объясните вероятную причину, затем внесите наименьшее соответствующее исправление.
Не изменяйте несвязанные функции и не ослабляйте проверки принятия.
Выполните соответствующую проверку и сообщите о любых проверках, которые не удалось выполнить.
Если подход не сработает, объясните, какие новые данные повлияли на следующую попытку.
Завершите с изменёнными файлами и результатами проверки.

Прикрепите фактический отчет об ошибке и критерии приемки. Подсказка не может заменить отсутствующее воспроизведение. Если задача зависит от недоступной службы или фикстуры, решите это перед сравнением моделей или отметьте запуск как заблокированный из-за среды.

Используйте одно и то же правило остановки для обеих сессий. Например, разрешите одну начальную попытку и фиксированную возможность исправления неудачной проверки. Если вы продолжаете помогать одной модели, пока она не пройдет проверку, останавливая другую после одной ошибки, итоговые количества токенов больше не отражают равную работу.

Записывайте любое вмешательство человека дословно. Сообщение агенту о том, где находится ошибка, является помощью; указание на то, что согласованная проверка все еще не проходит, это другой вид обратной связи. Оба могут быть полезны, но они не должны исчезать из сравнения.

Проверьте, продвигаются ли попытки повторения

Повторная попытка продуктивна, когда она реагирует на новые данные. Предположим, что первая попытка прорисовки дала некорректную геометрию. Вторая попытка, которая делает прогресс, может проверить соответствующий расчет, определить ошибочное предположение о координатах и изменить этот расчет. Повторение той же правки после повторного постановки того же диагноза является более слабым поведением.

Используйте OpenCode’s /details команду для проверки выполнения инструментов и /thinking для отображения поддерживаемых блоков рассуждений. Последнее изменяет видимость, а не то, выполняет ли модель рассуждения. Вы можете использовать /export для сохранения беседы. Это текущие команды OpenCode TUI; они предоставляют контекст документации, а не шаги, демонстрируемые в обзоре исходного кода.

Рассмотрите последовательность действий, а не только явную красноречивость рассуждений. Модель может объяснить разумную альтернативу и при этом не суметь её реализовать. Напротив, краткая сессия может содержать достаточно доказательств работы инструментов, чтобы показать успешный ремонт без длинного объяснения.

Внешнее сравнение источника уже, чем ранжирование модели. Рон цитирует отчёт Клайна о баге в одном репозитории, где и Ox Alpha, и Fable 5 исправили проблему, при этом Ox Alpha, как сообщалось, использовал примерно треть токенов вывода. Сообщаемый контраст заключался в повторной диагностике перед редактированием по сравнению с действием после выявления причины. Эта статья рассматривает это как отчёт, цитируемый источником, а не как самостоятельно повторённый бенчмарк.

Сравнивайте равные результаты перед сравнением общего числа токенов

Рон сообщил примерно о 200 000 токенов для сборки Ox Alpha Helm’s Deep и сказал, что другие запуски канала часто использовали 1,2 миллиона или больше. Эти цифры стоит исследовать. Они не устанавливают шестиразовое преимущество по эффективности, потому что источник не предоставляет сопоставимые условия, повторные испытания, эквивалентное качество выхода или полный учет каждой категории токенов.

Держите два наблюдения отдельно. Сравнение Клайна касается выходных токенов одного бага. Примерно 200 000 токенов канала описывает запуск проекта без полного разбиения по категориям. Объединение их в один точный множитель производительности подразумевало бы доказательства, которые источник не предоставляет.

Для ваших собственных запусков используйте таблицу, как эта:

Измерение	Модель А	Модель B
Проверки приемки пройдены	Записать фактические результаты	Записать фактические результаты
Несоответствующие или неприемлемые правки	Записать результаты проверки	Записать результаты проверки
Входные, выходные и кэшированные токены	Скопировать категории поставщиков	Скопировать категории поставщиков
Сбои инструмента и повторные попытки	Подсчёт сессии	Подсчёт сессии
Прошедшее время	Измерить всю задачу	Измерить всю задачу
Время исправления человеком	Включить вашу работу	Включить вашу работу
Учтённая стоимость	Использовать фактический маршрут	Использовать фактический маршрут

Меньшее количество выходных токенов может помочь, но неудачный дешевый прогон все равно оставит вам исходную ошибку. Сравнивайте использование токенов среди допустимых результатов и отдельно сообщайте о неудачах, а не исключайте их из среднего значения. Если одна модель требует значительного человеческого исправления, учитывайте это при решении, какую модель использовать снова.

Устранение задержки и неполных прогонов

Полученный опыт сочетал медленное мышление или загрузку с плавным использованием инструментов. Рон приписал некоторую задержку высокой нагрузке во время бесплатного превью, но источник не отделяет время ожидания в очереди от вычислений модели. Сообщайте об этом как о возможном объяснении, а не как о измеренной причине.

Во время нового теста отмечайте, когда происходят задержки. Длительное ожидание перед первым ответом может быть связано с поставщиком. Медленная сборка или рендеринг может происходить из-за локальной среды. Повторяющиеся ошибки инструмента могут указывать на проблемы с правами доступа или интеграцией. Сохраняйте эти различия, чтобы временная проблема сервиса не превратилась в постоянное утверждение о интеллекте модели.

Если задержка непостоянна, повторите ту же зафиксированную задачу в другое время и сохраните оба результата. Не оставляйте только быстрый прогон. Модель, которая эффективна при доступности, но регулярно оставляет работу в ожидании, может всё ещё плохо подходить для рабочего процесса, ориентированного на сроки.

Тестировать улучшение без утверждения непрерывного обучения

Сообщения о лучшей производительности в последующие дни вызвали предположения о непрерывном обучении, адаптивных слоях и возможной связи с безопасным суперразумом. Источник не предоставляет отчет о тренировке или контролируемый эксперимент, подтверждающий эти механизмы. Рон предпочитал объяснение через тихое обновление контрольной точки или замену модели как более обычное. и .

Вы можете исследовать изменение качества, не зная архитектуру обучения. Сохраняйте точную начальную версию, запрос, настройки, инструменты и проверки, затем повторяйте задачу в разные дни. Записывайте путь каждый раз и сохраняйте неудачные попытки. Более высокий процент успешных запусков в сопоставимых испытаниях подтверждает утверждение о том, что наблюдаемая производительность изменилась. Само по себе это не объясняет, почему.

Позднее раскрытие личности ZAI решает вопрос о создателе, который оставался открытым во время предварительного просмотра. Это не доказывает онлайн-обучение, не идентифицирует каждый контрольный пункт, обслуживаемый под старым именем, и не подтверждает каждую раннюю теорию об архитектуре.

Выберите следующую модель, исходя из принятого диффа, результатов верификации, повторных попыток, затраченного времени и стоимости. Включите ваши собственные усилия по исправлению. С Урок экономичной модели расширяет это сравнение за пределы цены за токен на странице провайдера.