Qwen、GLM同日发布Flash模型迎战：Ox Alpha搅局，API定价仅为DeepSeek三分
中国AI实验室同天发布MoE Flash模型，在性能与成本上正面对抗DeepSeek-V4-Flash及西方主流模型。
今日概览
Qwen3.8-Flash-Next正式发布：125B总参数、百万token上下文、1-bit量化方案，预发布公告现已获得实际发布日技术细节、基准测试、GGUF量化方案、推理服务配置及社区使用报告，本地部署确认可行，但n-gram卸载挑战已识别。
智谱确认GLM-5.3-Flash即为代号"Ox Alpha"的模型，320B总参数/18B活跃参数，采用Linear+DeepSeek稀疏注意力混合架构，支持百万token上下文和原生多模态，API定价0.4元/百万输入token、1.4元/百万输出token，为DeepSeek-V4-Flash的三分之一，在代码能力和智能体任务上表现接近Claude Opus 4.8。
新trace数据证实GPT-5.6 Sol每任务token消耗是GPT-5.5的7.5倍，五小时限额耗尽时间被量化为11分钟；现改为硬性中断而非继续消耗周限额。
Muse Glimmer在非编码任务上展现出优于Qwen3.8 27B的性能，且token消耗显著更低。
Hacker News用户对多款AI模型进行对比测试，发现中国AI模型对特定提示词采取拒绝或异常响应，而ChatGPT和Claude则提供完整回答，引发社区对AI内容政策差异的关注。
产品与平台变化
智谱确认GLM-5.3-Flash为"Ox Alpha"，API价格仅为DeepSeek-V4-Flash的三分之一
技术突破与定价策略
- 智谱AI正式确认GLM-5.3-Flash为代号"Ox Alpha"的模型。该模型具备3200亿总参数、180亿激活参数，采用Linear+DeepSeek稀疏注意力混合机制，支持100万token上下文窗口和原生多模态能力。
- API定价为0.4元/百万输入token和1.4元/百万输出token，是DeepSeek-V4-Flash价格的三分之一。限时促销活动更将有效价格降至标准GLM-5.3的二十分之一。
- 技术优化方面，IndexPool压缩技术使注意力计算减少3倍，KV Cache减少4.4倍。该模型已部署于5万块国产AI芯片，实现3倍性能提升。智谱还宣布将开源模型权重，允许社区进行微调和本地部署。
- 基准测试显示，Code Arena排名第五，DeepSWE得分约63%，社区认为其在编码和智能体任务上可与Claude Opus 4.8竞争。
开发者社区反响
- 知乎讨论热度较高，单个回答峰值互动达837次，用户关注点集中在3200亿参数、180亿激活参数、原生多模态能力以及性能优于GLM-5.2但价格仅为十分之一等核心亮点。
- Reddit和Hacker News等英语社区对开源权重发布计划表示关注，用户将其与Claude Opus 4.8在编码任务上的表现进行对比，认为这是具有竞争力的替代方案。
- 社区将此次定价称为新的"价格杀手"，认为已超越近期调整价格后的DeepSeek，特别强调其对开发者工作负载的成本效益优势。
- 讨论还涉及对混合注意力架构和国产芯片部署在实现低价格高性能中作用的分析。
适用场景
- 对价格敏感、此前以DeepSeek-V4-Flash为基准的编码和智能体任务场景。
- 需要原生多模态输入处理且要求超长上下文（100万token）的应用场景。
- 计划在模型权重开源后进行自托管或微调的场景。
实际价值
- API定价0.4元/百万输入和1.4元/百万输出（促销价低至标准GLM-5.3的二十分之一），为高用量应用显著节约成本。
- 原生多模态能力和100万token上下文可替代需要多个不同模型处理各类输入的场景。
- DeepSWE约63%的编码基准得分，使其适用于开发者工具和代码生成工作负载。
核心要点
- GLM-5.3-Flash是智谱确认的Ox Alpha模型，以前沿水平的定价提供具有竞争力的多模态能力和编码性能，是寻求高性价比开发者的可选方案。
- 计划中的权重开源将支持自托管和微调，拓展API调用之外的使用场景。
社区证据
这个性能与价格，GLM-5.3-Flash 成为新的大模型“斩杀线”了。(梁圣的DeepSeek V4也已经被斩杀了) GLM-5.3-Flash 在 DeepSWE 上得分为 63%，单任务成本只有0.24美元，而同分的 DeepSeek-V4-Pro 的单任务成本是1.67美元。
模型体验追踪
GPT-5.6 Sol单次提示11分钟消耗Plus五小时限额54%，用户报告项目中断转向竞品
事件经过
- 一位Reddit用户记录了一次单次提示的规划会话，在11分钟思考时间内消耗了五小时限额的54%；整个会话运行28分29秒后耗尽全部五小时限额，导致周限额剩余84%未被使用。
- 编码任务对比的trace数据显示，GPT-5.5（xhigh）处理相同任务消耗约860M–1B tokens，而GPT-5.6 Sol（High）消耗约3B tokens。
- 单次工具调用token对比：GPT-5.6 Sol平均每工具调用轮次消耗约17.88M tokens，而GPT-5.5约为2.25M tokens，增幅约7.9倍；GPT-5.6 Sol每工具调用轮次发出87次模型请求，而GPT-5.5为16.5次。
- GPT-5.6 Sol的High/XHigh模式被记录可相对默认设置减少52%–55%的模型周期。
- OpenAI恢复了五小时闲置限制以降低用户对消耗的感知，此前OpenAI曾停止重置行为，导致GPT-5.6 Sol增加的token消耗被掩盖。
- 五小时限制现触发硬性中断，无论任务完成状态如何；此前耗尽五小时限制后会继续消耗周限额直至任务完成。
社区反馈
- 该Reddit用户的会话在28分钟内耗尽后，项目状态显示"损坏且不可用"，并表示"是时候探索其他提供商了"。
- 知乎评论描述行为转变令人沮丧，指出硬性中断会在任务执行中途打断，与此前耗尽五小时限制后继续消耗周限额直至任务完成的行为不同。
- 一位Reddit评论者认为$20 Plus套餐相比往年仍能提供相当或更好的性能，暗示价值主张仍可接受。
- 另一位Reddit评论者报告使用Grok 4.6作为协调器、GPT-5.6 Sol作为编码器运行2小时30分钟后，Plus上使用体验满意，五小时限额仍剩72%。
实操建议
- High/XHigh模式可减少52–55%的模型周期，或可延长Plus套餐的五小时限额使用时长。
- 优先任务完成而非消耗可见性的用户可能更倾向禁用Sol而使用GPT-5.5，后者在每任务上消耗的token少3–7倍。
- 硬性中断行为意味着Plus套餐上的长时间Codex任务存在中途被中断的风险，不像此前的软性中断方式会继续消耗周限额。
适用场景
- 使用GPT-5.6 Sol High进行超过11分钟的规划或编码会话，很可能耗尽Plus套餐的五小时闲置限制。
- 需要每工具调用轮次消耗2.25M+ tokens的复杂多轮任务在GPT-5.6 Sol上每轮消耗17.88M tokens，使Plus限制对于扩展开发工作不切实际。
- 使用Hermes-agent风格协调器工作流、以GPT-5.6 Sol作为编码器的用户可能在单个扩展会话中耗尽五小时限制。
实际价值
- GPT-5.6 Sol处理相同任务消耗3B tokens，而GPT-5.5仅需860M–1B tokens，单次会话消耗增加至少3倍，根据任务复杂度可达7.5倍。
- 五小时闲置限制在GPT-5.6 Sol上相比GPT-5.5耗尽速度快约7.5倍，有记录显示单次提示在11分钟内消耗限额的54%。
提示素材
- $20套餐的现状 [Reddit帖子描述GPT-5.6 Sol在11分钟思考时间内消耗五小时限额的54%；总运行时间28m29s耗尽全部五小时限额，项目状态损坏]。
- ChatGPT Plus正式恢复五小时使用上限 [知乎帖子含GPT-5.5和GPT-5.6 Sol token消耗对比trace数据；每工具调用轮次2.25M vs 17.88M tokens；每工具调用轮次16.5 vs 87次模型请求；五小时限制从软性中断到硬性中断的行为变化]。
提示分析
- 知乎trace数据采集时GPT-5.5使用xhigh推理强度、GPT-5.6 Sol使用High推理强度；采样包括GPT-5.6 Sol的12个轮次对比GPT-5.5的179个轮次，表明会话规模不同。
- Token指标反映主要观察到的工具调用包括exec_command调用、exec单元和wait调用；原生并行批处理结构差异明显（GPT-5.5占43.6%，GPT-5.6 Sol结构上禁用）。
- Reddit用户的消耗记录于无代码实现的思考/规划会话，而知乎trace数据反映主动编码任务，54%在11分钟内消耗的数据可能反映的是开销而非任务产出。
社区证据
实际上就是现在 GPT 5.6 消耗太快了，如果你用 Sol 的话，根本扛不住多少任务，Plus 周限额就没了，之前 Tibo 一直在 Reset ，所以体验可能不会那么直观，但是现在 Reset 基本停了，Plus 用户一天就把一周量干没的情况很多。
Muse Glimmer 被低估：在非代码任务上超越 Qwen3.8 27B
基准测试结果
- 有用户在隐式知识任务上对 Qwen3.8 27B（xhigh 和 medium 推理模式）与 Muse Glimmer 进行了基准测试。Qwen3.8 xhigh 模式耗时约 30 小时，且因 32K 输出令牌限制仍未完成 16 个案例。Medium 模式和 Muse Glimmer 各耗时 3-4 小时完成。
- 测试结果显示，Muse Glimmer 在大多数非代码任务上表现优于 Qwen3.8 27B，同时消耗的推理令牌数量明显更少。Muse Glimmer 的滑动窗口注意力机制使其能够高效管理 KV 缓存，支持更长的上下文窗口。
社区讨论
- 发帖者认为 Muse Glimmer 被低估了，指出它在大多数任务上表现优于 Qwen3.8 27B（代码生成除外），同时无需消耗大量推理令牌。
- 社区讨论指出 Claude Haiku 4.5 作为每月 20 美元的替代方案，优于所有测试的本地模型，引发了关于云端与本地部署成本效益的讨论。
- 用户认为，将小型高效模型与 RAG 结合可以缩小与前沿模型的性能差距，为资源受限的部署提供了实用路径。
实用要点
- 具有高效推理能力的小模型（如 Muse Glimmer）可能取代大型模型用于实际的非代码工作负载，在这种场景下速度和令牌效率比绝对性能更重要。
- 滑动窗口注意力使扩展上下文处理变得可行，同时不会产生过度的 KV 缓存开销，使小模型更适合生产环境使用。
适用场景
- 需要中等精度且注重令牌效率的非代码知识任务。
- 利用滑动窗口注意力实现高效 KV 缓存的扩展上下文应用。
- 比较本地模型基础设施成本与云端订阅费用的成本敏感型部署。
实际价值
- Muse Glimmer 基准测试完成时间仅需 3-4 小时，而 Qwen3.8 xhigh 模式需约 30 小时，体现了小型高效模型的显著速度优势。
- 每个提示减少数千个推理令牌的消耗，降低了高批量工作负载的运营成本。
基准测试设计
- 在 Qwen3.8 27B（xhigh/medium 模式）和 Muse Glimmer 之间对隐式知识任务进行基准测试，测量完成时间、令牌消耗和非代码任务的准确率。
测试分析
- 该基准测试聚焦于隐式知识而非代码生成，发帖者承认这可能对小模型不利。测试未包含 RAG 增强运行，尽管发帖者认为 RAG 可能改善两个模型的结果，特别是对于具有更长上下文的 Qwen3.8。
社区证据
Muse glimmer 非常出色，在几乎所有方面都优于 qwen3.8 27b（除了代码），而且不需要在每次提示时消耗数千个推理 token 来做到这一点
生态迁移与开放模型
Qwen3.8-Flash-Next 正式发布：125B 总参数量、百万 token 上下文、1-bit 量化方案
事件经过
- Qwen3.8-Flash-Next 作为新架构首款开源权重模型正式发布，总参数量 125B（6B 激活 MoE），配备 51B n-gram 嵌入，支持最高 100 万 token 上下文。
- 核心架构引入门控残差连接（Gated Residual）和Qwen稀疏注意力（QSA）在微块级别运行，显著降低长上下文延迟。
- 官方发布两种模式采样参数推荐：思考模式 temperature=1.0, top_p=0.95, top_k=20；指导模式 temperature=0.7, top_p=0.80, top_k=20, presence_penalty=1.5。
- Unsloth 1-bit 量化版本容量 78GB，其中 n-gram 张量在 4-bit 量化下约占用 24GB，目前无法卸载至 SSD。
- 消费级硬件本地部署已验证可行，vLLM 和 SGLang 推理服务配置同步发布。
社区反馈
- 社区热议 Muse Glimmer 等更小模型是否在非编程任务中以更少推理 token 超越 Qwen3.8-Flash-Next。
- 用户反馈显示 Qwen3.8 在单次提示词测试中倾向于过度思考，但当任务需求明确或执行路径清晰时，简洁程度可与 Muse Glimmer 持平。
- 正面评价涌现，有用户将其比作"小体积的 Opus 4.8"。
- 有用户关注模型与知识库的分离应用，Qwen-35BA3B 在遵循提示词和工具调用方面表现突出，适合机构知识检索。
实践要点
- 尽管在开放式单次提示词上更易过度思考，Qwen3.8-Flash-Next 在任务需求明确、执行路径清晰时，能达到与更小模型相当的简洁程度。
应用场景
- 机构知识检索：模型仅基于提示词提供的信息生成回答。
- AI友好文档开发：知识库隔离，支持模型与文档分离部署。
- 代理工作负载：充分利用百万 token 长上下文能力。
实用价值
- vLLM 和 SGLang 推理服务配置支持开箱即用部署。
- Unsloth GGUF 量化方案适用于本地推理，但 n-gram 卸载限制需配置约 78GB 显存。
推荐参数
- 思考模式：temperature=1.0, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=0.0, repetition_penalty=1.0；指导模式：temperature=0.7, top_p=0.80, top_k=20, min_p=0.0, presence_penalty=1.5, repetition_penalty=1.0。
参数解读
- 两种模式采样参数存在显著差异；指导模式 presence_penalty=1.5 用于抑制非思考生成中的重复倾向，思考模式则依赖默认 repetition_penalty=1.0。
社区证据
[https://unsloth.ai/docs/models/qwen3.8-next](https://unsloth.ai/docs/models/qwen3.8-next) 他们的1 bit量化是78GB，其中似乎包含了engram tensor为51B参数在4 bits下（约24GB），所以看起来他们还没有弄清楚如何将其卸载到SSD。
Prompt 挑战
Hacker News社区测试揭示中美AI模型内容审核差异
社区反响
- 该讨论在Hacker News上引发广泛关注，收到103条评论，表明用户对此议题的高度兴趣。
- 评论者指出中国AI实验室的工程师们正在开展令人印象深刻的技术工作，但政府强制的内容限制使这些模型对某些用户来说难以使用。
- 讨论还引发了关于验证系统缺乏透明度和申诉机制的更广泛担忧。
实用建议
- 在部署AI模型到国际市场时，内容政策执行机制（拒绝、异常等）因提供商不同而存在显著差异，且可能因查询语言不同而有所区别。
- 需要全面历史信息的用户在选择AI模型时，应评估模型来源及其相关的内容政策。
- 缺乏申诉流程的验证和访问程序可能会给某些地区的合法用户带来可访问性问题。
实际价值
- 通过考虑政策驱动的响应变化，能够对模型能力进行更公平的对比。
- 为内容可访问性需求不同的用户提供模型选择决策参考。
- 强调了在技术基准之外理解提供商特定内容政策的重要性。
测试提示词
- [历史敏感地点]是什么？
提示词分析
- 此提示词测试模型是否会对政治敏感地点提供历史事实性信息。
- 不同模型的响应差异表明监管环境如何影响AI行为，而不仅仅是能力差异。
- 跨语言测试（如GLM在中文查询时的拒绝）揭示了额外的政策执行层面。
应用场景
- 对比不同AI提供商的内容政策执行，为需要一致响应行为的应用场景提供参考。
- 评估AI模型在不同监管环境下的适用性。
- 评估企业部署的验证项目可访问性。
事件经过
- Hacker News用户对多款AI模型进行了对比提示词测试，揭示了对政治敏感查询的不同响应方式。
- DeepSeek V4 Flash和GLM-5.3-Flash拒绝回答该提示词，GLM特别在中文查询时拒绝。
- Kimi和Qwen返回服务器异常而非完成响应。
- ChatGPT和Claude对相同提示词提供完整回答。
- 另有讨论聚焦Anthropic TAC项目的验证机制问题，涉及基于国家的静默白名单和用户申诉困难。
社区证据
我想尝试一些不同的模型，但我听说来自中国的模型会受到政府的审查。