Nghi vấn mô hình AI ẩn danh có liên hệ với Zhipu, cộng đồng đặt dấu hỏi về dữ liệu huấn luyện của Cursor

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

23-08-2026 17:56:12 Nguồn: QbitAI

Phân tích từ Tokenizer, mã hóa video cho đến các lỗi API

Hengyu đưa tin từ QbitAI

QbitAI | Kênh chính thức QbitAI

"Mô hình Ox" đang gây bão toàn cầu, rốt cuộc là "con cưng" của nhà nào?

Hai ngày nay, cộng đồng AI gần như đã lật tung mọi thứ để truy tìm danh tính của nó.

Hiện tại, hai ứng viên sáng giá nhất được nhắc đến nhiều nhất là Zhipu và Google.

Những người đoán là Zhipu đã bắt đầu kiểm tra Tokenizer, đo mức tiêu thụ token video và tìm kiếm các lỗi API, như thể muốn thực hiện một cuộc xét nghiệm DNA kỹ thuật số cho mô hình này.

Trong khi đó, những người đoán là Google chủ yếu tập trung vào các phát ngôn gần đây của nhân viên DeepMind và sự xuất hiện vẫn còn bỏ ngỏ của Gemini 3.5 Pro.

"Mô hình Ox" thực chất có tên là Ox Alpha.

Vì "Ox" nghĩa là "con bò", lại đúng dịp meme "Niu Lai" ( - Bò đến rồi) đang cực kỳ phổ biến trên internet, nên cư dân mạng Trung Quốc đã đặt cho nó cái tên thân mật là "Mô hình Ox".

Ngày 20 tháng 8, nó bất ngờ xuất hiện trên OpenRouter dưới danh nghĩa một mô hình ẩn danh, với thông báo từ OpenRouter rằng nó đến từ một nhà cung cấp bên thứ ba hiện đang giữ kín danh tính.

Nó sở hữu cửa sổ ngữ cảnh 1,0486 triệu token, có thể xuất ra tối đa 131.000 token mỗi lần, có khả năng đọc văn bản, hình ảnh và video, đồng thời chuyên xử lý mã nguồn, các Agent chu kỳ dài và suy luận phức tạp.

Hơn nữa, OpenCode sau đó đã thông báo Ox Alpha được đưa lên OpenCode Go, cho phép sử dụng miễn phí gần như không giới hạn trong nhiều ngày liên tiếp mà không tính vào hạn mức Go ban đầu của người dùng (trong các cuộc thảo luận công khai thậm chí còn xuất hiện thông tin về năng lực phục vụ lên tới 100 nghìn tỷ token mỗi ngày).

Thế là các lập trình viên mang theo kho mã nguồn, terminal và đủ loại nhiệm vụ hóc búa để "thử lửa" nó.

Sau đó, họ bắt đầu suy đoán:

Hỡi Ox Alpha, rốt cuộc bạn là mô hình lớn của nhà nào?

Tại sao lại đoán là hai nhà này?

Lý do mọi người đoán Ox Alpha thuộc về Zhipu hoặc Google là vì nó thể hiện những đặc trưng riêng biệt của hai công ty này trong việc hiểu sâu tiếng Trung, xử lý ngữ cảnh siêu dài hoặc tích hợp đa phương thức.

Hơn nữa, các chi tiết kỹ thuật ở tầng dưới cũng để lộ ra những "dấu vân tay" công nghệ tương đồng.

Tại sao lại đoán là Zhipu?

Zhipu đang là ứng viên dẫn đầu trong trò chơi đoán tên này.

Cư dân mạng đã phân tích từ bộ mã hóa (tokenizer), phương thức mã hóa video cho đến tầng dịch vụ API của Ox Alpha.

Trước tiên hãy xem xét tokenizer.

Tokenizer chịu trách nhiệm cắt nội dung đầu vào thành các token mà mô hình có thể xử lý. Các dòng mô hình khác nhau thường sử dụng từ điển và logic cắt khác nhau, vì vậy khi đối mặt với một số văn bản được thiết kế đặc biệt, số lượng token sẽ để lại những "dấu vân tay" khá ổn định.

Một số người thử nghiệm đã so sánh Ox Alpha với nhiều mô hình khác bằng các Prompt khác nhau và phát hiện ra rằng, số lượng token của Ox Alpha có mối tương quan nhất quán cao với GLM-5.3.

Trong một nhóm thử nghiệm phổ biến, với cùng một đoạn văn bản trộn lẫn tiếng Trung, tiếng Anh, mã nguồn và emoji, cả GLM-5.3 và GLM-5.2 đều tính ra 68 token, trong khi Ox Alpha hiển thị 143 token.

75 token dư ra này hoàn toàn có thể được giải thích bởi một đoạn System Prompt ẩn được đính kèm bên ngoài mô hình.

Những người thử nghiệm khác sử dụng 25 bộ Prompt khác nhau để xác minh cũng quan sát thấy mối quan hệ sai lệch cố định tương tự.

Dấu vân tay đa phương thức phía sau còn thú vị hơn.

Các mô hình văn bản có thể bắt chước thói quen trả lời của mô hình khác thông qua chưng cất (distillation), hậu huấn luyện hoặc System Prompt, nhưng mã hóa video và ngân sách token lại liên quan đến thiết kế kỹ thuật trước khi đầu vào đa phương thức đi vào mô hình.

Một số nhà nghiên cứu đã tạo ra 4 video thử nghiệm có kiểm soát, sau đó lần lượt đưa cho Ox Alpha và một vài mô hình đa phương thức khác để quan sát hệ thống phân bổ bao nhiêu token đầu vào cho video.

Kết quả là Ox Alpha và GLM-5V-Turbo cho thấy ngân sách token có độ tương đồng cao ở nhiều đặc điểm.

Trong đó bao gồm chiến lược lấy mẫu không bị ảnh hưởng khi thay đổi tốc độ khung hình video, mức tiêu thụ token tăng khoảng 147 token mỗi giây khi thời lượng video tăng lên, cũng như cách thức thay đổi tỷ lệ token tương ứng với độ phân giải mỗi khung hình.

Trên 4 video kiểm soát, ngân sách token bổ sung đo được của cả hai thậm chí có thể khớp nhau từng mục một.

Các mô hình được dùng để so sánh trong thử nghiệm như MiMo, Qwen và GLM-4.6V đều cho thấy những đặc điểm khác biệt.

Ngoài ra còn có những manh mối để lại ở tầng dịch vụ API.

Một số người trong cộng đồng đã cố tình truyền các tham số bất thường vào Ox Alpha và bắt được thông báo lỗi tương tự như: [1210] The temperature parameter is illegal.