让我们看看这个城市有多好吃。是的哦，看它在喷水。很好，细节处理得很到位。GLM 5.3 Flash已经发布并揭晓为过去一周左右在Open Router上免费的神秘Ox Alpha模型。我认为这是我见过的引起最大兴趣的隐身模型之一。现在我们知道它存在于世界中，它是开源权重的，体积不是特别大，而且非常便宜，我认为这种兴奋是合理的。所以在深入之前，请随意订阅我们以达到7.5万的目标，然后继续向10万的奖牌迈进。此外，让我们看看关于这个模型的一些有趣的事情，然后我们将进入一些有趣的测试，这些测试将与我们的常规测试略有不同。我不想有太多疲劳和完全相同的测试。

GLM 5.3 Flash是一个拥有3200亿参数的混合专家模型，其中180亿处于激活状态。他们提到它基本上与Claude Opus 4.8处于同一水平，这仍然是一个非常受推崇的模型，因为似乎Opus 5在社区中有着爱恨交织的体验。此外，我认为值得特别提及的是，在Open Router上的这段免费隐身期间，人们分配的自由令牌数量，无论是Open Code声称他们每天可以处理10万亿个令牌还是几乎无限。这一切都是由国内中国AI芯片提供的。我认为这确实值得提及，因为目前Nvidia是许多AI推理的事实上的提供商。这基本上是在展示嘿，我们刚刚有一个非常受欢迎的模型，它完全由我们自己国内的芯片和我们的服务堆栈提供服务。

这肯定是一个值得考虑的方面，当我不知道时，只是看到由竞争产生的其他做事方式的演变很有趣。这绝对值得特别提及。而且我认为几乎比这个模型更重要的是对这种国内服务的验证。所以在技术规格方面，我想特别记下几点。他们提到它有几个架构改进。其中之一是混合架构，结合了不同类型的注意力机制。所以本质上它可以更便宜地服务长上下文，同时在更长生成中保持质量。另一件事是他们采用了MHC，这是DeepSeek在2025年12月提出的某种东西，旨在提高扩展效率。有一个技术论文可以在网上找到如果你只是搜索MHC DeepS它应该在这些搜索结果中排名很高。

在成本方面，这个模型非常便宜。现在我们可以看到它在Open Router上目前列出了50%的折扣。所以让我们假设这个促销活动已经结束那基本上会使这成为每百万输入15美分，每百万输出50美分。如果它真的与Deep Seek Flash Vision Experimental之类的东西竞争，那比那个模型便宜得多。所以看到该尺寸范围内的竞争也很有趣。此外，我们在这里有一些基准信息。但由于这是作为Ox Alpha隐身的我们对它至少的一些能力相当熟悉在Deep S上得分不错。当我开始拍摄这个视频时，这在Hugging Face上还不可用如果你点击链接它只是404。这实际上已经改变了所以如果我们在这里点击这个模型现在确实是开源权重的我特别不知道你需要多少系统内存来运行它我不相信我们有特定的VRAM数字他们最终会有一些像Sloth动态单比特量化这样的东西可能会允许这在本地AI系统的规模中并不夸张的东西上运行。

对于我们将如何测试今天，我确实有GLM编码计划的中级版本在我拥有的几个月里时好时坏。有时它运作得很好，但模型可能会让人有点沮丧这也是人们注意到的事情当它是作为Ox Alpha免费的时候它有时会停止或遇到错误我不一定根据这种表现来判断因为那东西被狠狠地打击了相当厉害。我们甚至可以在这里的一些图表中看到在它于Open Router上免费的一周内使用了多少量但我目前只是要测试这个并在整个视频中使用Zcode这是他们的原生编码应用程序。它非常类似于CodeEx我喜欢因为它在Ubuntu上运行得非常好我也想说所有使用ZAI模型或任何内容的先前运行的缓存都已被删除所以不会有来自以前模型结果的污染。

因为这个模型将是与Deepseek Flash Light Vision Experimental进行大量比较的东西，我将给它提供我们给那个模型的浏览器OS测试作为传统的那个。然而包括这张参考照片并被告知我们希望将其像素完美地复制为浏览器OS然后包括GTA克隆等。这当然是一张Mac OS 9的截图好吧所以在1小时7分钟后，好的它是在Mac的思考中但不是Flash速度它完成了浏览器OS让我们看看。我还没有见过这个所以这是我们受Mac OS 9启发的浏览器操作系统好的有趣的东西我想要知道的是对于程序壁纸移动它是否仍然会尝试镜像图像中显示的参考？它会。我会说这里的菜单栏很好图片中也显示的那个苹果可能有点损坏，但我们有了Chronos Snap这是特殊功能。我注意到这个特定测试有很多视觉内容好的这里的悬停效果或多或少是正确的这些是黑色的如果实际上使用这个Mac OS系统看起来就是这样。我们有一些关于Mac OS 9的关于我们关闭它我也将打开声音因为这里有一个扬声器图标所以当我们实际点击东西时必须有效果音。我们有一个终端或文本编辑器应用。

小按钮按两下才行，哦好的。看来得按两次才有效。不过它有一些可爱的提示音，现在可以这么说了。实际上，它生成了所有这些可选文件夹，但大多数甚至可能全部都是空的。这也是我想观察的一点，因为它能体现对细节的关注程度，以及是否真的让这些功能更具交互性。永久删除垃圾箱中的项目时还有音效，这很好。右上角显示的时间也是正确的本地时间。我猜主界面里应该会有我们的应用程序。好了，现在有趣的部分开始了。我想我们一个个来看吧。这个邮件客户端看起来非常符合那个时代的特征，我很喜欢这一点。

苹果种子应用、壁纸实验室部门以及像“流氓城.gov”这样的元引用都有体现。这里还提到了GTA游戏，我不知道你在说什么车。这其实挺巧妙的。“亲爱的市民：我们不断收到报告，称有一辆浅蓝色紧凑型车在大道上以大约900英里的时速倒车漂移。请友好驾驶。”随后还附上了对此的回复，这也包含在内了。我不清楚具体是哪辆车被盗了，不过 technically 是城市方的错，谁让钥匙留在车里呢。——一位关心的市民致意。真巧妙。我很喜欢看到很多模型喜欢在邮件结果中加入这种创意写作的小片段。

我认为我们之前看过我的Pad，那是写字应用。现在让我们来看看GTA克隆版吧。不错哦。粒子效果有一点反转，虽然有点问题，但这里的移动方式不太对劲。很难四处走动。那是辆车吗？我觉得像个雕像或喷泉，但也说不准。好吧，不幸的是我没看到任何车辆。好了，让我们看看能不能……[笑声] 好的，至少有点意思了。

好吧，虽然还需要改进，但它花了67分钟来完成这个任务。它一直在查看这些内容并做一些……哦好的。太棒了，真好。再飞一次吧。这实际上根本没法玩。好吧，我认为这两款游戏可能有一些相同的问题。不过这个其实挺酷的。“壁纸实验室速度”这里有色调选项，虽然这里没有实际反映出来，但在预览中确实显示了有或无的状态。所以这挺酷的。

这里还有一些其他选项，比如“日落岭”、“蒸汽网格”和“深空”。不错。而且移动效果是有效的，那个看起来相当不错。“终端雨”有点混乱，但很酷。颜色变化确实有效，色调也起作用了，很好。所以最后一样东西应该是“时空快照”。我很喜欢它基本保持了OS9和Windows的风格。按下这个或使用“现在拍摄快照”，窗口可能会在任务中途被截取，游戏则保持关闭状态存储。好的，酷。我们有了快照。

所以让我们关掉除了这个以外的所有东西吧。我们将执行“恢复上次会话”。倒带……哦，我以为它会打开那个界面。有右键菜单吗？没有。在这个情况下这更可以原谅了。“Secrets.txt”。在桌面上的任何地方输入“rose bud”（玫瑰芽）。目前还没有加载雪橇。好吧，它引用了《公民凯恩》，我不知道为什么。当我输入“Rose Bud”时，它提到了GTA游戏的事情。模型在收到这个特定提示时似乎表现得更加聪明有趣了，很有意思。

好吧，让我们再试一次。“Rose Bud open Rogue City”（玫瑰芽打开流氓城）。我做了。好吧，这很有趣，一点也不坏。我认为Deepseek的结果可能胜过这个，但这绝对值得讨论。接下来我们要做一些在测试Ox Alpha时无法完成的事情。这是摔跤游戏，一款80年代中期的3D摔跤游戏。提示就在这里：基本上就是给我们一个酷炫有趣的3D摔跤游戏，风格要像80年代中期那样。

不幸的是，在使用Ox Alpha时我没有得到这个结果的结论，所以我非常期待看看它在这里会怎么做。再次强调，这些结果中我们有与Deepseek V4 Flash Vision模型及其结果的直接对比，后者在这些测试中的表现非常出色。好吧，现在是第二天了，推迟发布这个视频的原因是我知道大家有时候会对每次做完全相同的测试感到疲劳。所以我最终运行了一些更复杂的额外测试。

但即便如此，我们还是停在了摔跤游戏上。我们在这里看到了它的剧透片段之一。不过除了这个剧透外，我还没有看到任何结果。仅这一项结果就花了1小时25分钟，作为参考这耗时多久了。好的，我们有声音了。我会把音量调大，但它应该已经在播放了。所以可能我需要点击它来启用声音。

有两个实例在同时播放吗？没有。好吧，所以音乐听起来真的很奇怪。呃……也许我们会……哦好的。好了。我们有Rex Tracker、El Tormenta、Iron Ivan，或者是Rockin Randy Riot。有趣的是，不同的模型在选择摔跤手时会有非常相似的选择。[笑声] 好的。好吧。它正在做介绍。“让我们开始吧。”好了，也许有个有趣的事情。看看现在的擂台绳索。好吧，这个游戏很难玩。猛按空格键来挣脱压制。

好的，让我再试一次。“Liberty Slam”。好吧，即便如此，对于Flash模型来说这已经相当不错了。我认为这个结果比完整的GLM53生成的要好，这很有趣。这些游戏仍然不是超级可玩的。哦不。好吧，有人拿起了一把椅子。

不幸的是，它们仍然沉到了擂台下面，Quen Next模型也发生了同样的情况。好吧，我想我已经看得够多了，但我会说这实际上做得相当不错，尤其是考虑到这是一个Flash变体。所以我们的下一个测试是C++相关的。然而，这是我们从未做过的事情。我只是通过询问“你能搜索网页吗？”来开始的。模型说可以。然后我说：“我想让你找一个名为Terrup 2的早期游戏演示。我希望你使用参考照片以及概念，用C++创建一个完全一样的游戏，不使用RALI。”

它确实找到了关于这款游戏的正确信息。这款游戏也被称为1996年的“Deformers”，是一款匈牙利免费软件MS DOS越野驾驶演示，使用x86汇编语言编写渲染至VGA。它包含软件渲染的纹理高度图地形、越野车和Bronos（一种车辆）、弹簧质量物理系统，车辆在碰撞中会 visibly 破碎，因此得名Deformers（变形者），多种路面类型影响操控性、自由漫游等等。我们确实有该游戏的参考照片，所以这是实际的游戏参考照，是我告诉它我想要复制的对象，而不是它自己制作的东西。

1996年的表现令人印象深刻，尤其是考虑到其包含的软体物理效果。最终构建了一个2700行的C++脚本，复刻了名为“Retro Race”的游戏。这是一个可玩的《Terab 2》重制版，耗时53分半钟完成。测试显示音效正常，整体体验不错。虽然车辆模型不如原作精细，但游戏逻辑忠实还原了检查点机制和小地图功能。尽管美学风格略有不同，源文件中的车型更酷，但整体氛围和手感还原度很高。

测试中发现了地形对速度的影响机制：进入水域会显著降低速度，这与原作设定一致。开发者通过静态示例指导模型复刻，结果令人满意。控制方面支持多种视角切换（F9、P暂停、F10地图等）。随后应观众要求，测试了C++自包含滑板游戏。该任务需在2小时17分钟内生成约4000行单文件C++代码，复刻早期纽约街区地图。

滑板游戏测试中，NPC行走逻辑尚可，特技动作也能触发，且滑板与角色移动独立。然而存在纹理冲突（Z-fighting）和模型堆叠问题，渲染效果不够完整。虽然结果具备一定可行性，但未能达到预期高度。相比之下，之前的Qwen模型在此类任务上表现可能更优。

下一个测试旨在挑战高难度场景：在资源受限环境下优化AI模型。原计划使用Raspberry Pi 3W克隆版，但因硬件故障放弃，转而采用USB Google Coral AI加速器。任务要求利用该设备训练微型神经网络，使摩托车能在交通流中自主驾驶而不碰撞。尽管Coral本身存在兼容性问题，模型仍成功实现了游戏画面捕捉、帧分析以及神经网络训练。

最终生成的run.sh脚本能够自动启动游戏，并利用训练的微型模型控制摩托车在车流中穿梭。虽然游戏源码由Fable生成而非GLM-5.3 Flash，但后者成功实现了自主驾驶逻辑。这一过程展示了模型在复杂约束条件下整合视觉输入与决策控制的能力，尽管硬件限制带来了一定挑战。

就这样发生了。那么，现在我们就结束这一部分，进入该特定的目录。为了查看驱动器表现，我们只需输入命令。目前我这里什么也没做，我们将实际看到这是一个由模型创建的微型训练模型，它正在控制这辆旨在避开障碍物的摩托车的移动。而且这个模型完全是独立完成的。我给了它脚本和提示词，稍后在更深入地理解这一点时我们会仔细查看这些内容。

好的，就像一辆车突然在我们面前变道，这就成了一个问题。再次强调，这是一个非常微小的模型，我不指望它有超常的表现，但事实是这确实有些不同寻常。因为该模型必须在几个不同的领域展示能力。现在它似乎试图回应一个事实：看到前方交通中有一辆车，并尝试避免撞上它，但它看起来似乎没能做到这一点。

现在我们遇到了一些问题。不过我想这算是一种“黑客”手段，以确保它不会与任何东西发生碰撞，因为它现在正沿着中心线行驶，那里没有车辆。所以我认为一个好的方法是阅读这段用普通英语描述的代理行为记录。因为这是一个无限跑酷游戏，永远不会真正结束，所以代理首先发明了自己的记分卡：使用四个固定的随机种子和45秒的模拟时间，分别测量每公里的碰撞次数、平均速度以及车道占比。

所谓“车道占比”，是指摩托车实际处于车道范围内而非仅仅在路肩上的频率，正如我们在其中一个例子中看到它骑在路边一样。此外，通过固定随机数和定时按键输入到渲染帧中，它还使游戏变得确定性运行。因此，相同的策略在相同种子下几乎完全重放。这使得它能够公平地比较模型，而不是与噪声进行比较。

我们有参考模型。正如我们刚才看到的，“随机按键”在每公里撞车次数这一指标上数值较高。接着我们有“车道内百分比”以及这些运行发生的平均速度。“仅按住W键”会导致更高的碰撞次数，但我们的确拥有较高的平均速度。并且我们更频繁地保持在车道内，因为当你出生时只是按住W键，你很可能会自然处于车道中而不是在侧面。

“脚本专家”是那个基本上可以直接从实际游戏中读取车辆位置的模型。因此，它自然没有任何问题，本质上是一次完美的运行。而由此产生的最佳神经网络每公里碰撞次数为0.48次，平均速度为150（单位未明示），车道内占比为63%。所以这个平均速度表现不错，与纯粹的随机操作相比，碰撞次数显著下降，这正是我们创建这个小模型以改善表现时所希望看到的。

这里有一个随机基线作为非科学对照，它显然被大幅超越，尽管其保持在车道内的百分比并不一定是最好的。关于网络如何训练，我们有行为克隆部分。它会跟随专家驾驶，记录约12,000对160x40像素的灰度截图，以及专家按下的按键，然后训练一个拥有4.1万个参数的CNN来复制这些行为。所有九个模型都是这一想法的变体，训练数据为170MB的数据集。

接着我们有九个不同版本的模型，它们实际上就显示在右侧的文件夹中。如果我们进入“models”目录，就能看到所有这些特定的模型文件。如果打开其中一些，我们会发现这些是你可能在边缘设备上玩过类似微型模型时所熟悉的东西。这整个过程是如何进行的确实非常有趣。

并且作为提示的一部分，它还被告知要为我们提供一个自包含的HTML文件，其中报告这些信息。好的，很酷。它用与游戏相同的方式美化了这份报告。这就是我们刚才在普通英语描述中看到的内容：我们有架构、循环预算，这些只是给了我们更多的信息片段。

比如按键按下到产生效果之间有多少延迟。它必须测量这一点，特别是如果它打算使用Coral硬件的话，因为那会引入一定的延迟。数据需要在此处理，然后通过USB传输以执行按键操作等。此外，有一点值得讨论的是提到量化可能会导致问题变得棘手。所以让我们看看这里到底发生了什么。

我们可以看到模型做了什么：标准后训练量化，将训练的浮点模型输入800个真实帧，以便转换器学习每个激活值的范围，并将所有内容转换为Google Coral所需的8位整数。然后它编译了该模型，Coral编译器将所有14个操作映射到TPU（即此微型Coral内的张量处理单元），没有CPU回退。所以部署方面是正确的，这很酷。

但这里出现了问题。本质上，节流和制动幸存了下来。但这发生的情况其实挺有趣：转向成功率从74%暴跌至47%，仅有三个转向选择。这 barely 比猜测好一些。在道路上，表现为INT8版本的摩托车偏离到路肩上并停留在那里，速度高达184公里/小时。更好的碰撞数据是虚假的，因为正如我们最初运行时所看到的，骑在路肩上对于这个游戏来说就像是一个无限作弊手段。

所以在某些方面这确实挺有趣，但路肩上没有车——或者代理明确指出了这一点。以下是关于转向为何失效的分析：TL;DR（太长不看版）提到，按住与轻推左转的区别在于160x40像素图像中车道标记位置的几个像素。刹车和节流属于粗略决策：前方是否有大黑块？8位精度对此绰绰有余。转向依赖于微小的激活差异，而8位舍入将其抹平了。

这是微型网络处理微小输入时的典型模式：没有多余的容量，每一比特精度都在发挥作用。所以基本上没有被保留下来的足够细粒度的细节来确定正确的左右转向，我想可以这么说。然后我们有关于它如何尝试修复这一问题的更多信息……

简单总结一下到底出了什么问题。看到这些内容非常有趣，我知道这有点超出范围，但像这样的小型模型在相对廉价设备上可以开展大量酷炫的信息和实验。这绝对为理解我们日常使用的那些巨型AI模型中的底层概念提供了绝佳的学习机会，所以看到这些真的很酷。而且我认为这款Flash模型在应对这类任务时表现相当强劲——毕竟它不是那种“去GitHub上找代码把神经网络映射到摩托车游戏里”的东西，它是从头开始构建的。我觉得这非常酷，也许我们会把它加入后续更困难测试的项目库中。

我们还进行了Street Yeet游戏的测试，不过这次需要先在Blender中制作资产，然后在Godot引擎中构建游戏本身。我们可以看到这花了大约52分钟——我应该说是51分多钟，处理了17个不同的模型。包括Yeet、拳击蓄力打击音效以及“生命之城”。这不是那个开头有电影片段的游戏。我完全没看过，所以我很兴奋。打开文件夹并按F5或运行即可。看，这就是我们的Street Yeet游戏。有音乐、行人。哦，手臂看起来有点脱节。好吧，这里有一辆警车。嘿，它连这些模型都生成了，而且做得并不差。还有网格碰撞体[笑声]，这很好。我很喜欢这个结果，实际上相当不错。

我们可以吃掉那个消防栓吗？我得说那确实是个很棒的消防栓模型。让我们看看这座城市有多“可食用”。是的，哦看它在喷水。细节处理得很好。好吧，抱歉，我只是太激动了。看看这座城市，远处的绘制量很大。哦[笑声]好吧，我们得找点人出来。是的，就像我称之为的绿色空地一样。不，我在开玩笑[笑声]这是一个非常非常好的结果，我对眼前的景象相当满意。消失了[笑声]然后它们会跑开我们。太疯狂的Yeet了。哦，我们也获得了连击。我们可以双重Yeet吗？哦是的可以。这太离谱了。哦，那个条是连击计时器。所以如果在那个颜色耗尽之前我们没有再次Yeet，连击就会结束。

如果说有什么抱怨的话，那就是如果汽车是移动的不是静止的就更好了，但老实说这真的不是大问题。它们放置得很自然，仿佛正在移动一样。这些车给人的感觉很好……哦，双重呼啸声。好吧再来一个。快、快。哦我们的连击结束了。我们可以吃掉路灯吗？好吧，如果有人对这个感兴趣，你会在Steam上以1.99美元找到它。不我在开玩笑。我不做那种事也不会告诉别人我做了这种事。那太棒了，做得非常好。可以说它很有能力。总的来说，这就结束了我们对新发布的GLM-5.3 Flash模型的首次观察和测试。

在这次测试中，我一直通过Zcode订阅的中档套餐使用它。从我们刚才的使用情况来看，今天运行的每个测试总共消耗了我们每周用量限制的23%。所以我们还有77的周限额剩余。我认为判断这好还是坏是主观的，但具体而言，那个需要为Google Coral训练模型的任务花了我相信超过四个小时的工作时间。所以它确实做了一些工作。现在我认为我们应该做一个简短的结果概述，至少对于浏览器操作系统来说是这样。哦它已经在这里打开了。很好。

我认为因为Quen Next模型也接受了基本上相同的测试，所以更难评判这个模型。Quen模型基本实现了像素级的完美复制。而这个虽然没有做到那样，但有一些更好的元素，比如GTA游戏做得更好了，而且整体结果依然非常出色。特别是这里的悬停效果看起来很棒，还包括所有这些照片以及带有背景场景移动的精美复制品等。接下来是我们的Super Slam 86摔跤游戏。这次我们无法与Quen Next的结果进行比较，因为它使用的是3JS而不是Godot和Blender。

不过我得说，我几乎认为这个结果比完整版GLM 5.3的结果还要好。哦看那个，别完全引用我的话，但这确实相当令人印象深刻。在我频道做过的测试历史中我只运行过几次这个测试，但我会说这做得相当不错。很干净，擂台本身有一些不错的弹跳效果。还有一些很好的特效、动作和招式等。场景很好，环境也很契合，这是一个完成度很高的结果。“铁幕麻烦”部分也不错。所以我对此印象深刻。

然后是我们的C++游戏，它需要创建一个与参考照片中显示的游戏完全复制品。好吧不是那个，是这张参考照片。我认为它在这方面做得相当不错。我要扣分的一点是它没有以相同的风格正确重建这些车辆。我们收到的GLM模型中的车辆模型更好。第二张参考照片是由此生成的游戏，标题叫“Insane 1”。所以带个数字一。我们可以忽略那个部分。不过这里有一些不错的元素，小地图做得很好，地形对车辆模型的影响方式也很好。所以当我们要进入水中时车会陷进去。悬挂有一些弹跳和一些软体物理风格的效果。

但真正酷的是它在这里实现的分裂屏幕功能。我们可以从底部用WASD或顶部用上下左右方向键来驾驶这两辆车。这是一个非常不错的功能加入。两者都有小地图之类的东西，我喜欢它做了这一点，而且除此之外还给了我们一个相当酷的视觉效果。它确实保持了与参考游戏相似的风格，而关于那个参考的信息并不多。所以看到它的表现真的很酷。然后是我们的滑板游戏。不幸的是，这次结果并不理想。“摔倒”效果一方面有点令人不安另一方面又有点好笑。

这里有一些看起来不错的元素，比如行人、树木的某个角度以及路灯。这里的迷你地图也相当丰富。但不幸的是，存在大量的视觉伪影和故障现象。不过我认为，与全尺寸 GLM 5.3 这个“大兄弟”相比，这款模型的表现其实相当不错。当然，仅从这一结果来看，它确实不如那个“大兄弟”。但考虑到它的规模要小得多，我认为整体表现仍然相当得体。

接下来是 Google Coral 模型，我们花了一些时间探讨它究竟是如何完成这项任务的。因此我不再多做赘述，但看到该模型的表现确实很有趣。当面对一个没有具体步骤来实现目标的任务时，它基本上就像是接到指令：“这是个游戏。”然后训练一个微小的神经网络来实际玩这个游戏，且不能让摩托车撞上车。祝你好运，开始吧。它做得足够好，我们确实看到了模型的改进以及它的训练方式。

不幸的是，它未能成功将该模型通过 USB 部署到 Coral TPU 上。然而，我们在概述中看到实际模型确实映射到了该芯片的张量处理单元中。因此，在完成任务方面它展现了一定程度的能力，并给出了一个很好的整体报告，总结了它所做的事情。这个任务持续了超过 4 个小时（我相信是略多于 4 小时），这是一个耗时较长且技术挑战性更高的任务。

最后是我们的“Street Eat”游戏，它使用了 Godot 和 Blender 进行资产和游戏制作。这项工作完成得 exceptionally well（极好）。音乐非常契合，美学效果也很棒。整体游戏玩法也能让人感受到氛围。当你实际撞击车辆时，车辆的质感很好，它们具有游戏中预期的合理质量感。总体而言，这项工作完成得极好。

我很少进行这种必须使用 Godot 和 Blender制作游戏的测试，但随着我们越来越多地进行这项特定测试，我相信随着时间的推移，当看到其他更大的模型也执行此任务时，这款模型肯定会展现出其竞争力。好了，我甚至可能无法发布这个视频了，我会被困在这里玩这个游戏。哦哇！这大概是我们对 GLM 5.3 Flash（在内部代号中也被称为 Ox Alpha）的首次观察和测试的结论。总之，[轻笑] 如果有任何问题，请随时在评论区留言。感谢观看。再来一次 [笑声]。是的，这做得相当好。