Ox Alpha、GLM説は優勢でも正体不明——トークナイザ証拠が矛盾

【2026年8月27日 追記】正体は Z.ai の GLM-5.3-Flash でした。

OpenRouterのモデルページに「このステルスモデルはZAIが開発・運用したもので、ZAI GLM-5.3-Flashであると明かされた」と記載されました。公式ルート側のモデルページは公開日を2026年8月26日としています。HuggingFaceの公式モデルカードは「320B total parameters and just 18B active parameters」、ライセンスmitと記載しています。この記事の予想（Z.ai）は当たりました。ただし、この記事にとって大事なのはそこではありません。

GLM説は、結論が当たって根拠は外れていました。 トークナイザ照合という同じ計器から、GLM説はたまたま正解に着き、Microsoft MAI説（cl100k_base）は結論も根拠も外しました。そして最後に確定させたのは、やはり分析ではなく当事者側の開示です。下で数える「過去14枠、確認できた7件はすべて第一当事者の発表」という基準率に、今回もそのまま1件積み上がりました。本文の「一致は確認ではなく、仮説を支える材料に留まる」は生き残っています。

なお本文中の「無料」は、8月20日のステルス公開から正体が明かされるまでの期間に限った話になりました。現在は公式ルート z-ai/glm-5.3-flash として提供されています。

（追記時点で確認した一次情報: OpenRouter: stealth/ox-alpha / OpenRouter: z-ai/glm-5.3-flash / HuggingFace zai-org/GLM-5.3-Flash。処理トークン量と価格は二次情報どうしで数字が食い違っており、一次で裏が取れなかったためここには書きません。コンテキスト長も出どころによって値が違うので書きません。この記事で散々そう書いてきた以上、追記だけ又聞きで済ませるわけにはいかないでしょう。）

OpenRouterの匿名モデル「Ox Alpha」に、無料で1Mコンテキスト、強いコーディング性能という情報が重なりました。タイムラインには「GLMらしい」という断片が流れていますが、同じトークナイザ照合から「GLM-5.3系」と「Microsoft MAI系」という正反対の結論が出ています。

結論から言えば、2026年8月24日時点で所有者は確定していません。Z.ai / ZhipuのGLM系がやや優勢に見えるものの、広く引用されているトークナイザ一致だけで断定できる状態ではありません。この記事で追うのは正体当てではなく、なぜ同じ証拠が別の結論を生んだのか、そして次に匿名モデルが登場したとき何を確認すべきかです。

OpenRouterのモデルページで確認できるIDは stealth/ox-alpha です。公開日はOpenRouter表示では2026年8月21日ですが、The Next Web / OpenCode系は8月20日、TechCrunchは8月22日と報じています。公開日を一つに固定することはできません。

価格は入力・出力ともに$0。コンテキスト長は1,048,576トークン、最大出力は131,072トークンで、テキスト・画像・動画を入力できます。tools、tool_choice、JSON形式、reasoning_effortなどにも対応しますが、JSONスキーマ検証はありません。

1Mコンテキストという数字だけで、長いコードベースを安定して扱えるとは限りません。最大出力まで思考や回答を使い切るケースを、今回の実測でも確認しました。

プロバイダーはStealthの1社だけです。OpenRouterはルーティング先を選ばず、直接転送する形になっています。モデルページには、プロンプトと応答をプロバイダーが保持する一方、学習には使わないという説明があります。保持する主体を名指しできないことと、学習利用がないことは別の話です。

GLM説では、GLM-5.3とのトークン数が一致したという報告があります。ただし一致数は報告者によって11/11、25/25、30/30と異なり、別の分析では9プローブ中6一致、正規化したトークン数は4/4一致とされています。固定で75トークン増える隠れたラッパー差を指摘する分析もありました。

さらにGLM-5V-Turboと、動画入力時のトークン消費パターンが4つの統制サンプルで一致したという報告があります。フレームレートに依存せず、約147トークン/秒だったとされています。GLM特有とされるエラーコード1301または1214、Javaのスタックトレース、音声入力を拒否する挙動、1,000文字あたり約1.3個の絵文字という観察も、GLM説を補強する材料として挙げられています。

一方、Microsoft MAI説は、Ox Alphaのトークナイザが cl100k_base であることを根拠にしています。この照合を採用すると、OpenAI、Google、Anthropic、xAI、中国系フロンティアラボが除外され、MicrosoftのPhi / MAI系に絞られるという説明になります。提唱者はStormy CEOのRobert Lukoszkoです。

この二つは同時には成立しません。同じ「トークナイザ」という証拠から、一方は中国系のGLMを示し、もう一方は中国系を排除する結果になっているからです。

分かれているのはモデルではなく、照合のやり方のほう

ここで読めるのはモデルの正体ではなく、測定対象、正規化方法、比較したトークナイザの範囲が分析者ごとに共有されていないという事実です。数多く一致していても、測り方が不明な一致は、確認ではなく仮説を支える材料に留まります。

Zhipu / Z.aiには、GLM-5を「Pony Alpha」というステルス名義でテストした前例があります。OpenRouterはこのモデルを公式にGLM-5、744Bの基盤モデルとして明かしました。動物名とAlphaを組み合わせた命名も、Ox Alphaと共通しています。

これはOx AlphaがGLMだと証明するものではありません。ただ、匿名モデルの正体を考える材料としては、単独のトークン数照合より筋が通っています。過去に同じ運営主体が、同じ方式でステルステストを実施したという、第一当事者に近い履歴だからです。

残る説はMicrosoft以外にGoogle、xAI Composer、ByteDanceです。Google説は、Gemini系が通過する視覚テストにOx Alphaが失敗したことで後退しています。xAI Composer説とByteDance説は、主に計算資源の規模からの推測で、直接的な証拠は確認されていません。2026年8月24日時点で、どのラボも名乗り出ておらず、LMArenaのモデレーターも所有者を明かしていません。

一時期、「DeepSWEで80%、Claude 65%、GPT-5.6 52%を上回った」という数字が広がりました。しかし、80%はBen Davisによる10タスクの速報値です。プロバイダー公式値でも、公開リーダーボードの確定値でもありません。

113タスクを走らせた結果は約58.4〜63%まで下がり、GPT-5.6 Solと同程度に落ち着きました。10問で8問正解したことは、10問の範囲では事実です。ただし、そこから113問規模の安定した性能や、別のモデルとの順位を導くことはできません。

DeepSWEとSWE-bench Verifiedは別フレームワークで、難易度も評価条件も異なります。SWE-bench VerifiedではClaude Opus 5が96.0%、GPT-5.6 Solが96.2%、DeepSeek V4 Proが96.4%とされていますが、これらをDeepSWEの63%や80%と同じ表に置いて順位を比べることはできません。Ox Alphaの公式ベンチマークスコアは存在せず、Artificial Analysisにも掲載されていません。

OpenRouterのステルスモデル台帳は全14枠です。検証済みが7件、コミュニティ推測のみが4件、未解決が2件、公開中がOx Alphaの1件です。

Quasar AlphaとOptimus AlphaはGPT-4.1、Horizon AlphaとHorizon BetaはGPT-5、Hunter AlphaとHealer AlphaはXiaomi MiMo-V2、Owl AlphaはMeituan LongCat-2.0でした。Pony AlphaはGLM-5です。Polaris AlphaとSonoma Dusk / Sky Alphaは推測のまま確認されておらず、Cypher AlphaとAurora Alphaは未解決です。

重要なのは、確認済みの7件すべてが第一当事者の発表で決着したことです。OpenRouter自身が明かしたものが4件、Xiaomiが2件、Meituanが1件です。トークナイザ分析やコード追跡は発表前の予測に役立ちましたが、公式確認の仕組みになった例はありません。

この基準率を置くと、フィンガープリント分析の役割が見えてきます。分析は「候補を絞る」手段にはなっても、「本人確認」の代わりにはなっていません。Ox Alphaについても、GLM説が優勢に見える理由はトークナイザだけではなく、Pony Alphaという前例を含めた複数の状況証拠です。

K.Hiranoが当サイトの公開24問ベンチを実行した結果、コアスコアは224/240、93.3%でランクSでした。内訳は、意地悪・引っかけ問題が50/60、論理・推論が60/60、コーディングが57/60、日本語力が57/60です。従来の台帳最高値はLaguna XS 2.1の199/240でした。

この結果は、Ox Alphaが最強だという根拠ではありません。日本語中心の小さなテストであり、SWE-benchのような実務規模のコーディング評価ではないからです。ただ、実際の回答を見ると、得意不得意の形は読み取れます。

A4では「花子がりんごを取りました。花子はどうしたでしょう」に対し、正解の「わからない」ではなく「花子が持っている」と断定しました。他の選択肢を検討したうえで、最後は曖昧さを認めず言い切る方向へ外しています。

一方、当サイトの正解集自体が2か月間誤っていた正規表現問題では、[email protected] がマッチする理由を正しく説明しました。論理問題は満点でしたが、曖昧さの扱いは別に確認したいところです。

コード問題ではFizzBuzz拡張のコード自体は正しかったものの、添えた出力例の6行目を誤りました。async generatorの問題では、yield が1反復で2ティック消費する点を1ティックと見積もっています。正解集ではSonnet 5とHaiku 4.5も同じ誤り方をしています。

今回の24問とRound E 5問では、回答トークンの合計が48,285、思考文字数の合計が114,281字でした。思考文字数は回答トークンの約2.4倍です。ところがOpenRouterのActivity欄ではReasoningが0と表示されます。

この二つは矛盾して見えますが、画面表示が内部の返却内容をすべて表すとは限りません。APIでは reasoning_content に11万字超が返っていました。モデルページのReasoning 0だけを根拠に「思考していない」と判断すると、今回の観測とは逆になります。

E2では、出力上限8,192トークンで思考16,754字のまま本文が空になりました。32,000トークンでも、ストリーミングで687.1秒かかり、思考61,198字の後に本文は出ませんでした。5回目に上限を131,072トークンへ上げると、601.9秒、27,502トークンで完全正解の「3, 11, 8, 10」が返りました。

5回目の消費量が4回目の上限32,000より少ない点にも注意が必要です。思考量は試行ごとにばらついており、上限に合わせて一定量を使うわけではありません。E2は「答えられない」のではなく、出力予算が小さいと本文に到達しないことがある問題でした。

当方はこの測定で、タイムアウトをゲートウェイ側の制限だと二度判断しました。同じ経路で条件だけを変えても原因は見えず、計器そのものを替えて確認したところ、呼び出し側のNode fetchにある300秒のheadersTimeoutが原因だと分かりました。curlでは900秒間切られなかったためです。

4回続けて失敗するとモデルの欠陥に見えますが、予算不足や計測器の制限を繰り返しているだけかもしれません。

OpenCodeは、Ox Alphaについて1日100兆トークンを処理できる能力を無償提供すると主張しています。これは毎秒11.6億トークンに相当する規模です。ただし、OpenCode側の主張であり、検証済みの実測値ではありません。

OpenRouterの表示では、8月23日のPromptは1.17Tトークンでした。100兆という主張とは桁が二つ違います。両者は同じ指標とも限らないため、単純な性能比較はできませんが、少なくとも「100兆」が確認済みの稼働実績ではないことは押さえておくべきです。

当方の29問では、Stealth側のHTTP 502を1問で経験しました。同条件の再試行では成功しています。OpenRouter表示のAvailability 99.44%は、常に落ちるという意味ではありませんが、たまに失敗する可能性を含む数字です。

ゲートウェイを1段挟んだ当方の条件では、非ストリーム全体の速度は25.2 tok/s、E2のストリーミングでは45.7 tok/sでした。OpenRouter直叩きの速度ではないため、そのままサービス性能とは扱えません。

実務コードを送るかどうかで迷うとしたら、「学習に使われないなら送ってよい」と判断するか、「保持する相手を特定できない以上送らない」と判断するかの境目です。OpenRouterの上位利用アプリにはClaude Codeが1.18Tトークンで2位に入っており、実務コードがすでに大量に流れていることは表示から分かります。それでも当方は公開ベンチだけを送り、機密は送っていません。

EU圏の企業では、契約相手を特定できないことがデータ保護法上の問題になり得ます。EU AI法の透明性義務は2026年8月2日に開始されており、違反時の制裁金は最大1,500万ユーロまたは売上の3%です。無料かどうか、性能が高いかどうかとは別の判断軸です。

Ox Alphaの正体は、当事者が名乗り出るまで不明です。GLM説は、動画トークン、エラーコード、挙動、命名の前例を合わせれば有力な仮説ですが、トークナイザ照合だけで確定できるものではありません。

次に匿名モデルが登場したときは、数字の大きさより先に、次を確認してください。

• ベンチマーク名、タスク数、速報値か全走かを分ける。
• トークナイザ一致の対象、正規化方法、比較した候補を確認する。
• 公式発表か、分析者の推測か、報道による整理かを分ける。
• プロンプト保持者、学習利用、契約相手、失敗時の再試行条件を確認する。

匿名モデルの正体は、数週間後に公式発表で片付くかもしれません。反対に、未解決のまま残る可能性もあります。長く使える判断材料は名前ではなく、標本数を見て数字を読むこと、フィンガープリントを本人確認と混同しないこと、そして性能とデータ管理を別々に評価することです。

証拠の読み方について長々と書いてきましたが、今回の実測で私自身が二度、間違った結論を出しています。

一度目は、E2が300秒ちょうどで切れるのを見て「向こう側に時間制限がある」と判断しました。実際は私の呼び出しコードの制限でした。同じ内容を別の方法で投げたら、900秒つながったままだったのです。二度目は、出力が空のまま終わるのを見て「このモデルはこの問題に答えられない」と判断しました。実際は出力の枠が足りなかっただけで、枠を広げたら完全正解が返ってきました。

四回続けて失敗していたので、私には「再現性のある欠陥」に見えていました。再現していたのは、こちらの間違いのほうです。

トークナイザ照合で正反対の結論が出た話を、他人事として書くつもりはありません。もっともらしい原因が見つかった瞬間に調べるのをやめてしまうのは、AIモデルを追いかけている人間なら誰でもやることです。私は同じ日に二回やりました。

過去14枠のうち7枠は、当事者が名乗り出て決着しています。Pony AlphaがGLM-5だったと明かされたときは、なるほどと膝を打ちました。今回も、数週間後には誰かが手を挙げるかもしれません。

私はZ.aiに賭けています。理由は命名の癖と前科の二つだけです。トークナイザの話は根拠に入れていません。この記事でさんざん「当てにならない」と書いたものを、自分の予想の根拠に使うわけにはいかないでしょう。

外れたら、この記事に追記します。当たっても追記します。Cypher AlphaやAurora Alphaのように、誰も名乗らないまま忘れられていく可能性もありますが、それはそれで悪くない結末だと思っています。分からないものが分からないまま残るのも、この業界の面白さのうちです。

• OpenRouter: stealth/ox-alpha（2026-08-27時点でGLM-5.3-Flashとして正体を明記）
• OpenRouter: z-ai/glm-5.3-flash（公式ルート・公開日2026-08-26）
• HuggingFace: zai-org/GLM-5.3-Flash 公式モデルカード
• OpenRouter公式X: Pony Alphaのreveal
• TechCrunch
• The Next Web
• OfficeChai
• Local AI Zone
• orcarouter
• explainx.ai
• digitalapplied
• Wccftech

• BlogClaude Opus 5、全effort段でSol凌駕——秘めた実力とコスト最適化の結論Claude Opus 5とGPT-5.6 Solを同じeffort段で並べると、low/medium/high/xhigh/maxの5段すべてでOpus 5が上回りました。mediumがSolのhighを超え、lowですらSolのmaxより嘘をつかない。独立実測データから、常用すべき段とコスト最適化の答えを出します。→
• Blog209点/240点——「廉価モデル」Haikuが超えてきたラインClaude Haiku 4.5を24問ベンチマークで計測。コーディング満点・総合87.1%ランクAという結果が「廉価モデル」という先入観を崩した。ローカル最高Nemotronも超えた実力の内訳を全問解説。→
• BlogAIに発言だけ見せて「この2体は誰だ」と聞いたらGeminiを当てた。でも根拠はこちらのバグだったAI同士に正体を伏せたまま20回会話させ、その発言ログだけを第三のAIに渡して「同じモデルか、どちらが上か」を推理させました。正体は当てましたが、根拠にはこちらの設定ミスが混ざっていました。同じ勝負を2回撮って分かったことの全記録です。→

HW系エンジニアとして20年以上、10,000件を超える顧客訪問と2,000件を超える単独ソリューション実績。AIツールを使った個人開発やIoT農園など、Raspberry Piを使ったオートメーション化なども実践中です！エンジニア専門結婚相談所も運営中、ClaudeCodeで解決できない心の課題も解決いたします！