A chinesa Zhipu AI revelou que o modelo anônimo Ox Alpha, que ganhou espaço entre desenvolvedores nos últimos dias, era na verdade o novo GLM-5.3-Flash. A empresa afirmou na quarta-feira (26) que todo o tráfego do teste foi processado em aceleradores de IA produzidos na China, enquanto o modelo chegou ao topo das plataformas OpenRouter e OpenCode antes mesmo do lançamento oficial.
Os papéis da Zhipu fecharam a quinta-feira (27) com alta superior a 12%, a HK$ 1.160, em Hong Kong. Durante o período em que operou de forma anônima, o modelo processou cerca de 62 trilhões de tokens no OpenRouter e no OpenCode, segundo dados divulgados pela companhia e reportados pelo South China Morning Post.
O lançamento chama atenção não apenas pelo desempenho do modelo, mas pela infraestrutura usada para sustentá-lo. No relatório técnico, a Zhipu afirma que colocou o GLM-5.3-Flash em produção sobre uma grande rede de chips chineses e conseguiu elevar em três vezes o desempenho de inferência em relação à configuração inicial usada no mesmo hardware.
Modelo viral foi testado sem revelar sua origem
Antes da apresentação oficial, o GLM-5.3-Flash apareceu no OpenCode e no OpenRouter sob o codinome Ox Alpha, sem identificação da empresa responsável.
A estratégia permitiu que o sistema fosse submetido a tráfego real de desenvolvedores antes que sua origem fosse conhecida. Segundo a Zhipu, o Ox Alpha rapidamente se tornou o modelo mais popular da semana nas plataformas em que estava disponível.
No OpenRouter, o modelo havia processado mais de 11 trilhões de tokens nos primeiros três dias, estabelecendo o maior lançamento já registrado pela plataforma. Na quinta-feira, respondia por cerca de 10,3 trilhões de tokens entre sistemas voltados a programação, aproximadamente 31% do volume semanal da categoria.
A infraestrutura por trás desse tráfego também se tornou parte central do anúncio. A Zhipu diz em sua publicação técnica que a operação ocorreu em uma estrutura formada por dezenas de milhares de aceleradores desenvolvidos na China. Informações fornecidas pela empresa à imprensa chinesa colocaram a capacidade total utilizada em cerca de 100 mil chips domésticos.
Zhipu redesenha arquitetura para reduzir custo
O GLM-5.3-Flash é o primeiro modelo nativamente multimodal da família GLM-5, capaz de trabalhar com diferentes tipos de informação visual e textual desde a etapa de pré-treinamento.
O sistema tem 320 bilhões de parâmetros, mas ativa apenas 18 bilhões deles durante o processamento. A companhia também reduziu o número de camadas para 45, ante 92 na geração GLM-4.5, que utilizava 32 bilhões de parâmetros ativos.
Outra mudança está no mecanismo usado para lidar com grandes volumes de contexto. A arquitetura combina atenção linear e esparsa, permitindo que o modelo processe informações próximas e recupere partes relevantes de um contexto mais amplo sem realizar a mesma quantidade de cálculos em cada etapa.
Segundo os testes divulgados pela Zhipu, essa configuração reduz em três vezes o processamento relacionado à atenção e em 4,4 vezes o tamanho do chamado KV cache em comparação com o GLM-5.3. O recurso é especialmente importante quando o modelo trabalha com contextos que podem chegar a 1 milhão de tokens.
A empresa afirma ainda ter utilizado um conjunto de 30 trilhões de tokens multimodais no pré-treinamento do novo sistema.
Chips chineses sustentam operação em grande escala
Para executar o modelo em chips domésticos, a Zhipu desenvolveu um mecanismo de inferência específico baseado no SGLang e adaptou diferentes partes da infraestrutura às limitações de memória e largura de banda dos aceleradores.
O sistema também separa tarefas como interpretação de conteúdo multimodal, processamento inicial dos prompts e geração das respostas em grupos independentes de máquinas. Essa arquitetura permite distribuir diferentes etapas da inferência conforme a demanda.
A companhia afirma que as otimizações fizeram o custo por token e a eficiência do hardware se aproximarem dos níveis obtidos com GPUs convencionais da Nvidia. O resultado é apresentado pela Zhipu como evidência de que chips chineses podem sustentar inferência de modelos avançados em escala de produção.
Nos testes publicados pela própria empresa, o GLM-5.3-Flash marcou 63,4 pontos no DeepSWE v1.1, contra 46,2 do GLM-5.2, e 48,8 no AutomationBench, ante 26,2 da geração anterior. A Zhipu também afirma que o novo modelo se aproxima do Claude Opus 4.8 em diferentes avaliações de programação e agentes de IA.
Os pesos do GLM-5.3-Flash foram disponibilizados publicamente, e o modelo já pode ser executado por meio de estruturas como SGLang, vLLM e TokenSpeed. A Zhipu também começou a oferecê-lo aos assinantes de seu plano voltado a programação.
