Ox Alpha 完整 DeepSWE 实测约 63%，此前 80% 系子集误报

围绕神秘模型 Ox Alpha 的完整 DeepSWE 实测结果相继出炉：@davis7 跑出约 63% 的最终成绩，另一第三方在全部 113 个任务上测得 58.4%（解决 66 个），与 Claude Opus 4.8 的 59% 基本持平。结论是此前流传的约 80% 通过率系子集测试误报，Ox Alpha 真实编码能力大致对标 GPT-5.6 Sol mid、DeepSeek V4 Pro 与 Grok 4.6，处于第一梯队但并非断层领先。

已确认

• @davis7 对 Ox Alpha 的完整 DeepSWE 实测得分约 63%，而非此前子集测试得出的 80%；他评价该模型比 Claude 或 GPT 的「语气」好得多、设计尚可。
• 第三方在 113 个任务的完整基准上测得 58.4%（解决 66 个），与 Claude Opus 4.8 的 59% 几乎持平；有评论者认为该模型适合作为子代理使用。
• @zainhas 的评测显示 Ox Alpha 平均输出 tokens 达 4.7 万，使其在开源模型中达到帕累托最优，接近闭源模型 Grok 4.6 的水平。
• @kimmonismus 猜测该模型可能是 GLM-5.3 Flash，此说法未获证实。

为什么重要

• 此前 80% 的高分引发大量关注，完整实测澄清了子集测试带来的高估，提醒社区警惕小样本基准结果。
• 尽管 agent 编码能力回归理性区间，Ox Alpha 的 token 效率与语气体验仍被视为亮点，是开源模型中值得关注的新选项。

2026-08-22 ~ 2026-08-23 · 6 条相关

事件全程(共 16 集)→

• 第 1 集:隐身模型 Ox Alpha 引爆社区：指纹指向智谱 GLM-5.3(2026-08-21,57 条)
• 第 2 集:OpenRouter 神秘模型 Ox Alpha 被识别为 GLM(2026-08-21,3 条)
• 第 3 集:Cola 发布 Ox 模型 宣称 Terra 级能力 Flash 级速度(2026-08-21,2 条)
• 第 4 集:神秘模型 Ox Alpha 免费送出百万亿 token 引算力质疑(2026-08-21,2 条)
• 第 5 集:Ox-Alpha 模型实测不佳被指营销噱头(2026-08-22,3 条)
• 第 6 集:Ox Alpha 完整 DeepSWE 实测约 63%，此前 80% 系子集误报(2026-08-22,6 条)
• 第 7 集:取证揭秘：匿名模型 Ox Alpha 被多方证实为智谱 GLM(2026-08-22,31 条)
• 第 8 集:Ox Alpha 单次生成6.4万token构建3D场景(2026-08-22,2 条)
• 第 9 集:神秘模型 Ox Alpha 实测口碑两极分化(2026-08-22,6 条)
• 第 10 集:神秘模型 Ox Alpha 免费上线，真实身份成谜(2026-08-23,3 条)
• 第 11 集:匿名模型 Ox Alpha 登陆 OpenRouter 引发热议(2026-08-24,5 条)
• 第 12 集:爆料称Ox Alpha即GLM-5.3 Flash：320B参数价格打一折(2026-08-25,4 条)
• 第 13 集:神秘模型 Ox Alpha 身份揭晓：智谱 GLM-5.3 Flash 今晚开源(2026-08-25,17 条)
• 第 14 集:隐身模型 Ox Alpha 编码实测平平，修复率不及 Grok 4.6(2026-08-25,3 条)
• 第 15 集:神秘模型 Ox Alpha 揭晓：智谱 GLM-5.3-Flash 国产芯片承载(2026-08-26,19 条)
• 第 16 集:神秘模型 Ox Alpha 六天狂耗 42T tokens 引猜测(2026-08-26,3 条)

• 【源头】开源模型 ox-alpha 评测接近 Grok，效率亮眼 — zainhas · 2026-08-22
• 【源头】实测 ox-alpha 通过 DeepSWE 58.4%，与 Claude Opus 持平 — apples_jimmy · 2026-08-22
• 实测 ox-alpha DeepSWE 得分 58.4%，对标 Opus 4.8 — AccBalanced · 2026-08-23
• 【源头】Ox Alpha完整DeepSWE跑出63%,或为GLM-5.3 Flash — kimmonismus · 2026-08-23
• Ox Alpha神秘模型DeepSWE实测63%，此前80%系子集误报 — daniel_mac8 · 2026-08-23
• Ox Alpha 跑分 63%，实测代码能力与体验 — AccBalanced · 2026-08-23