神秘新模型 Ox Alpha 的身份猜测与基础规格
目前 OpenRouter 平台上出现了一个名为 Ox Alpha 的神秘模型，处于隐身（Stealth）状态。尽管具体身份尚未完全确认，但社区猜测众多，包括 GLM 新版带视觉功能、Mimo V3 Pro、Long，甚至有人猜测是 Miniax 或 Gemini 3.5 Pro。该模型被定位为专为编码、持续智能体工作流和生产负载设计的推理模型，擅长长周期软件工程、复杂推理以及结合文本与视觉上下文的工作流。值得注意的是，它支持输入图像和视频，但仅输出纯文本。
在技术规格方面，Ox Alpha 拥有 100万 token 的上下文窗口（Context Length），并支持高达 131,000 token 的完成长度（Completion Tokens）。其吞吐量约为 32 tokens/秒。关于数据隐私，虽然当前唯一的提供商可能保留提示词但不用于训练，但通过 OpenCode 使用时据称实现 零数据留存（Zero Data Retention）。该模型目前免费开放一周，声称每日可支持 100万亿 token 的处理量。
"It is a reasoning model designed for coding, sustained agentic work and production workloads."
3D摩托车游戏生成测试：代码质量与细节还原
为了评估 Ox Alpha 的实际能力，我使用 OpenRouter Web Chat 界面要求生成一个 写实且低多边形（Low Poly）的3D摩托车游戏。该模型在单次响应中生成了超过 1,000行 的代码。虽然生成过程因模型“思考”时间较长而显得缓慢，但整体代码结构清晰。初始版本存在少量需要手动修复的Bug，例如摄像机未正确绑定到摩托车、街道布局错误以及后视镜反射方向相反（显示前方而非后方）。
在手动修正这些Bug后，游戏运行效果令人印象深刻。细节方面包括：仪表盘指针的精确动画、逼真的汽车模型、电线杆及线路，以及碰撞后的物理反馈。更令人惊讶的是环境细节的还原度：背景中的路牌显示为 丹麦 的真实地名，且随着速度增加，风声效果也会相应增强。这些细节表明模型在生成代码时具备极强的上下文理解和逻辑连贯性，且所有功能均集成在一个文件中实现。
"Look at the telephone lines... and then if you crash that happens."
UI风格观察与初步结论：似曾相识的视觉特征
在测试过程中，我注意到生成的游戏界面UI卡片风格与近期 Quen 模型的结果有相似之处，尽管无法确定 Ox Alpha 是否为新的 Qwen 变体。这种视觉上的既视感也出现在之前的测试中，例如在生成《Fable 5》风格的“Steve the PC Repair Man”电影游戏时，Shop外生成的汽车模型与本次测试中的车辆有相似之处。这暗示了底层架构或训练数据可能存在某种关联，或者仅仅是风格上的趋同。
此外，模型还展示了超出指令范围的能力。尽管未明确要求，它允许玩家在游戏中自由环顾四周，这种对3D场景交互的完整构建能力超出了简单的代码生成范畴。综合来看，Ox Alpha 在单次长上下文窗口内处理复杂3D游戏逻辑、视觉元素描述及代码生成的能力表现优异，其“深思熟虑”的推理模式虽然牺牲了部分生成速度，但换取了更高的代码完整性和细节准确度。
"This is all in a single file that I think it was like 1,000 lines of code. A little over, 1,000 lines of code."
手表前端与3D渲染的视觉表现
视频首先测试了Ox Alpha模型生成手表网站前端的代码能力。尽管在Web聊天界面中未导入映射文件导致部分指令理解偏差，但模型迅速输出了代码。渲染结果呈现出一种低多边形（Low-poly）风格，同时带有CNC加工留下的痕迹感。在材质表现上，表壳的拉丝铝质感极具美学吸引力。然而，细节处理存在明显的几何错误：皮革表带角落出现了不合理的独立螺纹结构。这种错误并非随机混乱，而是表现出某种几何一致性——即多个部件以相同的方式出错，暗示模型内部逻辑存在系统性偏差而非完全随机噪声。此外，Meridian Automatic型号的秒针跳动动画被评价为具有真实的物理质感。尽管存在数字显示异常、反射位置和玻璃材质问题，整体视觉完成度依然较高。对于手表机芯的渲染，模型展示了齿轮啮合问题，但螺丝材质等细节处理意外地出色。评测者对此表示震惊，认为如果这是开源权重模型，将对付费模型市场构成巨大威胁。
字体设计与色彩方案的争议
在网页设计的其他元素上，Ox Alpha展现了独特的风格选择。评测者特别指出了一种斜体文本设计的流行趋势，认为这种样式正像过去的紫色和蓝色色调一样，迅速成为新的“AI垃圾内容”（AI slop）标志。尽管这种设计在视觉上可能显得过时或廉价，但模型能够稳定输出此类风格化文本。此外，生成的替代配色方案被评测者个人评价为完全丑陋（entirely hideous），但这反映了模型在色彩搭配上的多样性而非单一性。网页右上角的时间显示功能正常运作，整体页面布局流畅。评测者对这种能够生成逼真手表机芯渲染图的能力感到兴奋，认为这是此前从未在其他模型测试中见过的成果。这种对特定工业产品（如手表）内部机械结构的逼真还原，展示了模型在复杂纹理和动态光影处理上的潜在实力。
RB26引擎3D建模的几何准确性与打印可行性测试
随后，评测转向更具挑战性的RB26直列六缸发动机3D模型生成。该测试要求模型能够容纳N20尺寸的遥控电机，并支持无支撑3D打印。初步预览显示，模型存在显著的几何缺陷：大量表面处于悬浮状态（floating surfaces），且电机安装位置的堵塞块设计不合理，导致无法顺利插入电机。尽管存在这些功能性错误，模型在特定部件上展现了前所未有的准确性。评测者特别指出，发动机前盖后方显示的双齿轮结构是此前测试中从未见过的细节。在高功率改装引擎中，透明盖板确实会暴露双齿轮设计，这一特征的准确生成表明模型可能学习了特定的工程图纸或改装案例。其他部件如皮带轮、涡轮增压器安装位置以及排气系统连接均符合逻辑。
引擎模型的细节完成度与打印障碍分析
深入观察RB26模型的其他部件，进气歧管、油底壳和气缸盖的建模质量被评价为相当出色。然而，3D打印可行性依然面临严峻挑战。模型中存在大量需要支撑结构的红色区域（即悬空部分），这意味着无支撑打印几乎不可能实现。尽管评测者承认模型包含了一些新颖且准确的元素（如顶部的齿轮和中心皮带轮），但整体结构仍不适合直接打印。评测者对模型在生成过程中表现出的“挣扎”状态感到有趣，认为这类似于人类面对复杂任务时的挫败感。尽管存在打印障碍和几何瑕疵，Ox Alpha在RB26引擎建模上的表现仍被视为非常称职（very competent），尤其是考虑到其可能为开源权重的身份。这一结果进一步印证了该模型在复杂机械结构理解上的深度，尽管其在工程实用性上仍有待优化。
多模态能力测试：基于参考照片生成网站与传记
视频创作者对 Ox Alpha 模型进行了多模态测试，输入了三张包含 Google Search Appliance (GSA) 服务器的个人照片。任务要求基于这些参考图片创建一个包含传记和逼真 3D 模型的单文件 HTML 网站。值得注意的是，创作者在提示词中明确指示 "don't overthink it"（不要过度思考），结果显示该模型在此任务中的思维链长度显著少于之前的 Watch 网站测试，表明提示词可能直接影响模型的推理行为深度。生成的网站整体表现可圈可点，虽然对特定服务器单元的维度理解存在偏差（如人物剪影过宽），但成功还原了 GSA 标志性的黄色外观和 UI 风格。
"People see a yellow box. I see 20 years of someone's search history."（人们看到一个黄色的盒子，我看到的是某人二十年的搜索历史。）
模型生成的传记内容极具文学色彩，将 GSA 服务器描述为硬件档案爱好者的收藏品。文字生动地描绘了收藏者从 IT 部门拦截、拍卖会上竞购旧服务器的过程，并特别提到了编号为 "0417" 的第一代工厂黄色设备。这段文字不仅准确捕捉了硬件细节，还赋予了机器情感价值，如"the hum of a 2002 era enterprise server is a kind of music"（2002年企业级服务器的嗡嗡声是一种音乐）。创作者认为，尽管存在细微的视觉误差，但模型在将图像转化为代码及叙事内容方面的表现令人印象深刻。
复杂逻辑测试：船战模拟器的生成与调试过程
为了进一步评估模型在长代码生成和复杂逻辑处理上的能力，创作者引入了经典的 "Ship Combat Simulator"（船战模拟器）测试。该任务要求在一个单文件 HTML 中实现包含详细细节的海战游戏，并再次强调 "no need to overthink"。在测试过程中，创作者遇到了 504 Gateway Timeout 错误，推测是因为模型试图一次性生成约 2,000-3,000 行的代码。为解决此问题，创作者调整了策略：指示模型分步创建文件而非一次性写入，并禁用了本地的超时限制以排除客户端干扰。
在修复了部分代码截断问题后，生成的游戏 "Broadside" 最终得以运行。尽管初始版本存在 Bug（如船只移动速度异常快），但经过简单修正后，游戏核心功能正常。测试结果显示：音效系统正常工作（包含炮弹效果），且具备基本的交互逻辑，玩家可以瞄准并射击敌方船只。虽然船只移动速度较慢（被创作者视为一种元游戏特性），但水波纹效果逼真，且炮塔能根据船只位置上下移动。这一测试表明 Ox Alpha 在处理需要大量上下文和复杂状态管理的编程任务时，具备较强的代码生成能力，尽管在长文本输出的稳定性上仍需优化。
测试方法论与未来展望
创作者明确指出，目前的测试并非传统的基准评测流程。由于 Ox Alpha 目前处于神秘的新 Stealth Model 阶段，且通过 Open Router 接口访问，测试重点在于展示其潜在能力而非严谨的性能对比。创作者提到，如果该模型最终开源或正式释放权重，将运行更传统的测试套件。目前的观察主要基于两个案例：摔跤游戏（此前已展示）和当前的船战模拟器及多模态网站生成。
"If this does end up being something open weights that's going to be absolutely awesome."（如果这最终成为开源权重的模型，那将非常棒。）
在当前的测试中，创作者未提供具体的跑分或与其他模型的直接数据对比表格，因为重点在于定性评估其处理复杂指令和多模态输入的灵活性。值得注意的是，创作者在测试中不断调整提示词策略（如添加 "do not overthink" 或改变文件写入方式），以优化模型输出。这种迭代式的调试过程揭示了当前大语言模型在长上下文生成中的局限性，同时也展示了 Ox Alpha 在面对非结构化、创意性编程任务时的适应性和创造力。
3D格斗游戏生成的视觉表现与逻辑缺陷
在测试Ox Alpha生成3D格斗游戏的环节，评测者观察到模型在处理复杂交互时出现了控制逻辑反转的现象。具体表现为当瞄准点位于飞船一侧时，火炮却由另一侧控制，这种非直觉的操作映射增加了调试难度。尽管存在逻辑瑕疵，模型在视觉特效上的表现令人印象深刻。评测者特别指出，被击中的敌舰不仅产生了逼真的烟雾效果，还出现了火焰燃烧的细节。此外，火炮系统展现了不同的装填时间差异，这种动态细节让场景更具真实感。然而，由于缺乏精确的碰撞检测机制（Telemetry显示无碰撞数据），飞船在交互中出现了卡死或漂浮异常。最终，随着我方船只被击中起火并冒出浓烟，游戏以失败告终。尽管结果不理想，但视觉渲染的细腻程度证明了模型在图形生成方面的潜力。
Acer Predator G7700 3D建模的精度评估
随后，评测者尝试让模型根据三张照片生成Acer Predator G7700电脑的单文件3JS 3D模型。这一任务旨在测试模型的几何还原能力。结果显示，Ox Alpha并未仅使用平面表面，而是成功生成了包含顶点（vertexes）和铰链结构的复杂模型。评测者强调，此前测试的其他模型未能准确还原前盖铰链这一关键细节，而Ox Alpha在此处表现优异。模型还包含了部分文字标识和独特的曲面三角形结构，展现了较高的几何复杂性。然而，生成结果存在明显缺失：背面完全未填充端口或接口细节。评测者推测这可能是因为模型在“思考”过程中报错，导致其在被催促直接输出脚本时牺牲了完整性。尽管存在缺陷，其正面的UI界面和整体轮廓仍被认为具有极高的美学价值。
推理中断问题与后续展望
在等待游戏脚本生成的过程中，评测者遭遇了严重的技术故障。模型在处理长文本生成时频繁出现504错误，并在中途停止推理。评测者指出，这种“思考中断”并非用户操作失误，而是当前模型架构下的普遍痛点。尽管前端UI界面（Neon Slam 87）看起来非常精美，但由于后端逻辑生成失败，最终未能获得一个可运行的完整构建版本。评测者表示，虽然对Ox Alpha的初步表现感到兴奋且认为其“相当不错”，但最终评价将取决于模型是否开源权重。他计划在未来发布更详细的量化对比视频（如与Ornith 35B-A3B的对比），并承诺在模型正式释放后第一时间进行更深入的基准测试。目前，这次测试主要揭示了其在长程推理稳定性上的不足。