Ox Alpha、GLM説は優勢でも正体不明——トークナイザ証拠が矛盾

こんにちは。8月も終わりが見えてきたのに暑さが抜けないなか、AI モデルの界隈では名前を伏せた新顔の話題で持ちきりです。

その新顔が、OpenRouter（たくさんの AI モデルを一つの窓口から使えるサービス）に現れた匿名モデル「Ox Alpha」です。2026年8月24日の時点で、持ち主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の一致だけで言い切れる状態ではありませんでした。なお3日後に答えが出ていて、その答え合わせは次の節に追記しています。

無料で1Mコンテキスト、コーディングも強いという話が重なり、タイムラインには「GLMらしい」という断片が流れていました。ところ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。この記事で追うのは正体当てではありません。なぜ同じ証拠が別々の結論を生んだのか、そして次に匿名モデルが出てきたとき何を確かめればいいのか、です。

【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、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ています。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した。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件積み上がった形です。本文の「一致は確認ではなく、仮説を支える材料に留まる」は生き残りました。

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。

追記時点で確かめた一次情報は OpenRouter: stealth/ox-alpha / OpenRouter: z-ai/glm-5.3-flash / HuggingFace zai-org/GLM-5.3-Flash です。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いて、一次で裏が取れなかったので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。

ここから下は、8月24日時点で書いた本文です。

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の表示では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。公開日は一つに固定できません。

価格は入力・出力ともに$0。コンテキスト長コンテキスト長（Context Length）AI が1回のやりとりでまとめて扱える文章の長さの上限。トークン数で表す。詳しく →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。

とはいえ、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は、今回の実測でも確認しました。

提供元（プロバイダー）は Stealth の1社だけで、OpenRouter はルーティング先を選ばず直接転送する形です。モデルページには、プロンプトと応答は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。保持する相手を名指しできないことと、学習に使われないことは、別の話として分けておきたいところです。

トークナイザは、AI が文章を読む前に細かい単位（トークン）へ切り分ける仕組みで、モデルの系統ごとに癖が出ます。そのため「同じ文章が何トークンになるか」を比べれば親が分かる、という考え方があります。

GLM説では、GLM-5.3とトークン数が一致したという報告が出ています。ただし一致数は報告者によって11/11、25/25、30/30と違い、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もあります。フレームレートに関係なく、約147トークン/秒だったそうです。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。

一方の Microsoft MAI説は、Ox Alphaのトークナイザが cl100k_base だというのが根拠です。この照合を採ると、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り立ちません。同じ「トークナイザ」という証拠から、一方は中国系のGLMを指し、もう一方は中国系を外しているからです。

分かれているのはモデルではなく、照合のやり方のほう

ここから読み取れるのはモデルの正体ではありません。何を測ったか、どう正規化したか、どのトークナイザと比べたかが、分析者どうしで共有されていないという事実です。一致の数がいくら多くても、測り方が分からない一致は、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 を組み合わせた名前の付け方も、Ox Alpha と共通しています。

これで Ox Alpha が GLM だと証明できるわけではありません。ただ、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。同じ運営元が同じやり方でステルステストをした、という当事者に近い履歴だからです。

残る説は、Microsoft のほかに Google、xAI Composer、ByteDance です。Google説は、Gemini系が通る視覚テストに Ox Alpha が失敗したことで後退しました。xAI Composer説と ByteDance説は主に計算資源の規模からの推測で、直接の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 のモデレーターも持ち主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。でもこの80%は、Ben Davisによる10タスクの速報値です。プロバイダーの公式値でも、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。「ほかを上回った」という話は、全部走らせると「GPT-5.6 Solと並ぶ」まで戻ったわけです。10問で8問正解したこと自体は、10問の範囲では事実です。ただ、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までは導けません。

迷いやすいのは、別のベンチマークの数字を一つの表に並べたくなるところだと思います。DeepSWEとSWE-bench Verifiedは別のフレームワークで、難易度も評価条件も違います。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にも載っていません。

OpenRouterのステルスモデル台帳は全14枠です。検証済みが7件、コミュニティの推測だけが4件、未解決が2件、公開中がOx Alphaの1件という内訳です。

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。台帳の外では、Pony AlphaがGLM-5でした。Polaris Alpha、Sonoma Dusk / Sky Alpha、Sherlock Think 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。

大事なのは、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。トークナイザ分析やコードの追跡は発表前の予想には役立ちましたが、公式な確認の手段になった例はありません。

この基準率（過去の似た例でどうだったかという割合）を置くと、フィンガープリント分析（応答の癖からモデルを特定しようとする分析）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。

私が当サイトの公開24問ベンチを回した結果、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。それまでの台帳の最高値はLaguna XS 2.1の199/240でした。料金$0のまま、この台帳では最高の点を出したことになります。

ただ、これはOx Alphaが最強だという根拠にはなりません。日本語中心の小さなテストで、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。それでも、実際の回答を読むと得意・不得意の形は見えてきます。

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、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。ほかの選択肢を検討したうえで、最後は曖昧さを認めずに言い切る方向へ外しています。

一方、当サイトの正解集のほうが2か月間間違っていた正規表現の問題では、[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かめたいところです。

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行目を間違えました。async generatorの問題では、yield が1反復で2ティック消費するところを1ティックと見積もっています。正解集を見ると、Sonnet 5とHaiku 4.5も同じ間違い方をしていました。

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。

矛盾して見えますが、画面の表示が中で返ってきた内容をすべて映しているとは限りません。API（プログラムからモデルを呼び出す窓口）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だけを見て「思考していない」と判断すると、今回の観測とは逆の結論になります。

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」が返ってきました。

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要ります。思考量は試行ごとにばらついていて、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」問題ではなく、出力の予算が小さいと本文までたどり着かないことがある問題でした。

この測定で、私はタイムアウトをゲートウェイ（呼び出しを中継する仕組み）側の制限だと二度判断しています。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かめたところ、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からです。

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で提供すると主張しています。毎秒11.6億トークンに相当する規模です。ただ、これはOpenCode側の主張で、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。同じ指標とは限らないので単純には比べられませんが、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きたいところです。

私の29問では、Stealth側のHTTP 502（向こう側のエラー）を1問で経験しました。同じ条件で再試行したら成功しています。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、たまに失敗することを含んだ数字です。

ゲートウェイを1段挟んだ私の条件では、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を直接呼んだ速度ではないので、そのままサービスの性能とは扱えません。

実務のコードを送るかどうか。迷うとしたら、「学習に使われないなら送ってよい」とするか、「保持する相手を特定できない以上は送らない」とするか、その境目だと思います。OpenRouterの上位利用アプリにはClaude Codeが1.18Tトークンで2位に入っていて、実務の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。それでも私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日に始まっていて、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になります。

Ox Alphaの正体は、当事者が名乗り出るまで分かりません。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。

次に匿名モデルが出てきたら、数字の大きさより先に、次の点を確かめてみてください。

• 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し、未解決のまま残るかもしれません。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

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！