Z.ai confirma que criou o Ox Alpha, revelado como GLM-5.3-Flash

Um modelo misterioso chamado Ox Alpha surgiu sem aviso no fim de agosto no OpenRouter e no OpenCode, subindo em rankings e benchmarks contra os melhores modelos disponíveis sem que nenhum laboratório o reivindicasse. Nos dias seguintes, esse silêncio alimentou um dos maiores jogos de adivinhação da indústria de IA: nossa cobertura anterior desse lançamento furtivo listava cinco teorias rivais sobre quem o criou — a família GLM da Z.ai, Microsoft, Google, Cursor e ByteDance —, baseadas principalmente na impressão digital do tokenizador, já que nenhum dos laboratórios citados quis confirmar ou negar nada. Os testes de tokenizador apontavam de forma mais consistente para a Z.ai, cujos modelos GLM bateram em onze testes diferentes, enquanto nenhum outro laboratório passou de quatro correspondências — mas a escala do uso gratuito absorvido pelo Ox Alpha lançava dúvida até sobre essa teoria, a mais sólida até então.

Esse mistério agora está resolvido. Segundo reportagem da Bloomberg citada pela TechCrunch, a Z.ai confirmou que o Ox Alpha é a mais nova iteração de sua série GLM. A empresa disse que vai liberar os pesos do Ox Alpha na quarta-feira, depois do que desenvolvedores externos poderão construir diretamente sobre ele. A Z.ai descreve o modelo como voltado para programação, trabalho agêntico prolongado e cargas de produção, pensado para tarefas longas de engenharia de software e fluxos que combinam texto e imagem.

Por trás da máscara: o GLM-5.3-Flash

Sob seu nome oficial, o Ox Alpha é o GLM-5.3-Flash — o primeiro lançamento nativamente multimodal da série GLM-5, segundo o site alemão the-decoder.de. O modelo tem 320 bilhões de parâmetros no total, dos quais apenas 18 bilhões ficam ativos em qualquer tarefa, um desenho de mistura de especialistas pensado para reduzir o custo de inferência. Ele é publicado sob licença MIT, com os pesos disponíveis no Hugging Face, e suporta uma janela de contexto de um milhão de tokens.

No Intelligence Index da Artificial Analysis, o GLM-5.3-Flash marca 57 pontos no esforço máximo de raciocínio — apenas três pontos atrás dos 60 do GLM-5.3 maior, praticamente no nível do GPT-5.6 Terra e do Muse Spark 1.2. A diferença que realmente importa é o preço: a Artificial Analysis calcula o custo por tarefa do índice em 0,09 dólar, contra 0,68 dólar do GLM-5.3, cerca de 7,5 vezes mais barato — o que coloca o modelo, segundo a empresa, na fronteira de Pareto entre inteligência e custo. Pela própria API da Z.ai, o GLM-5.3-Flash custa 0,15 dólar por milhão de tokens de entrada e 0,50 dólar por milhão de saída, cerca de um décimo do preço do GLM-5.3. No benchmark agêntico GDPval-AA v2, ele marca um Elo de cerca de 1770, empatado com o GLM-5.3 e o Grok 4.6, atrás apenas do Claude Opus 5. A contrapartida está na eficiência: segundo a Artificial Analysis, cerca de 90% dos tokens de saída do modelo vão para o raciocínio, e não para a resposta final, o que pode deixar as respostas mais lentas mesmo com o preço por token mais baixo.

• 320 bilhões de parâmetros totais, 18 bilhões ativos por tarefa (mistura de especialistas)
• Intelligence Index: 57 pontos contra 60 do GLM-5.3, com custo por tarefa cerca de 7,5 vezes menor (US$ 0,09 contra US$ 0,68)
• Preço da API: US$ 0,15 por milhão de tokens de entrada, US$ 0,50 de saída — cerca de um décimo do preço do GLM-5.3
• Pontuação agêntica GDPval-AA v2: Elo ≈ 1770, atrás apenas do Claude Opus 5
• 100 trilhões de tokens entregues por dia, segundo a Z.ai, inteiramente em chips chineses

Testando o 'fosso CUDA' da Nvidia

A alegação mais chamativa não é sobre o modelo, mas sobre a infraestrutura. Antes do lançamento com nome próprio, a Z.ai testou o GLM-5.3-Flash de forma anônima como 'ox-alpha' no OpenCode e no OpenRouter, onde ele virou o modelo mais usado da semana. Segundo a Z.ai, todo esse tráfego rodou em chips de IA chineses, e não em hardware da Nvidia. A SemiAnalysis relatou que essa estrutura entregou 100 trilhões de tokens por dia, uma escala até então considerada possível só para laboratórios de ponta, e observou que a Z.ai afirma ter eficiência de hardware e custo por token comparáveis aos das GPUs Nvidia comuns. A SemiAnalysis vê nisso mais um teste do chamado 'fosso CUDA' da Nvidia — a camada de software proprietária, construída ao longo de quase duas décadas, que fica entre os frameworks de IA e os chips da Nvidia e à qual praticamente todo software de IA está ajustado. Trocar de chip normalmente exige reprogramar do zero as operações de computação e o acesso à memória, um trabalho que historicamente deixou os rivais da Nvidia com chips rápidos no papel, mas mal aproveitados na prática. A Z.ai diz ter contornado isso construindo seu próprio software de serviço sobre o framework de código aberto SGLang, dividindo a inferência em etapas escaláveis de forma independente; a equipe afirma ter triplicado assim o throughput no mesmo hardware em relação à primeira tentativa, com a ajuda de um agente baseado no GLM-5.3 nesse trabalho de otimização.

Esse tipo de lançamento anônimo, ou 'furtivo', tem se tornado uma tática recorrente, sobretudo entre laboratórios chineses: lançar um modelo sem nome atrelado permite que ele seja julgado apenas pelos resultados em rankings e pelo uso real dos desenvolvedores, livre dos vieses — favoráveis ou não — associados a uma marca conhecida, antes de o laboratório assumir um lançamento formal. Também serve para testar em escala de produção uma infraestrutura totalmente nova — no caso, uma cadeia de serviço sem Nvidia — antes de colocar o nome da empresa nisso.

Essa alegação de independência da Nvidia surge no contexto de anos de restrições americanas à exportação, que limitaram o acesso de laboratórios chineses aos chips de IA mais avançados da Nvidia e os empurraram para alternativas domésticas e software sob medida para torná-las competitivas. Se os números de eficiência da Z.ai resistirem a um exame independente, eles enfraquecem a ideia de que o ecossistema de software CUDA sozinho garante à Nvidia uma vantagem duradoura sobre laboratórios que constroem em torno das restrições à exportação, em vez de através delas — com consequências reais para o poder de fixação de preços que a Nvidia consegue manter num mercado que domina há anos.

Para empresas brasileiras que avaliam migrar cargas de produção para um modelo chinês mais barato em vez de um modelo ocidental de ponta, o GLM-5.3-Flash traz um dado concreto: desempenho próximo ao de um modelo principal em tamanho real, por cerca de um décimo do preço da API, sob uma licença que permite hospedagem própria. As contrapartidas também são reais: um consumo maior de tokens de raciocínio que pode deixar as respostas mais lentas, um laboratório sediado na China com suas próprias questões de tratamento de dados e conformidade com restrições de exportação, e características que, como o próprio lançamento furtivo do Ox Alpha, ficaram sem verificação independente até a Z.ai decidir revelá-las. Pesar a economia de custo contra essas questões de governança de dados, e não só os resultados de benchmark, tende a virar uma etapa padrão na avaliação de fornecedores à medida que mais lançamentos baratos e de alto desempenho chegarem de laboratórios chineses.