ox-alpha（オックスアルファ）とは？無料1Mコンテキストの謎モデル、性能の数字に要注意

【2026年8月28日 追記：正体が判明したよ】 ox-alpha を作っていたのは中国の AI 企業 Z.ai、モデルの本名は GLM-5.3-Flash だったよ。 Z.ai が2026年8月26日（現地時間）の公開にあわせて、公式ドキュメントで 「リリース前に、利用者の反応を集めるため GLM-5.3-Flash を ox-alpha として匿名のまま OpenCode と OpenRouter でテストしていた」と自ら明かしたんだ。 重みは MIT ライセンスで公開され、DeepSWE の公式ランキング v1.1 にも 63%（±4%）・1タスク平均 $0.24 で載ったよ（下の記事で「80%は公式にない」と書いた数字の答え合わせ）。 2026年8月28日時点で ox-alpha は OpenRouter のモデル一覧から消えていて、無料のお試しは終わっている。 くわしくは GLM-5.3-Flash とは？ox-alpha の正体 を見てね。 以下は正体が分かる前（2026年8月23日）に書いた記録として、そのまま残しているよ。

やっほー、ぼくてんびん丸！「誰が作ったか分からないAIが、無料で置いてある」——そんな変な出来事が起きてるよ。

2026年8月20日、AI仲介サービスの OpenRouter に Ox Alpha（ox-alpha） という名前のモデルが突然現れたんだ。提供元の会社名は出ていない。料金はタダ。それなのに一度に読める量は100万トークン超で、テキストだけじゃなく画像も動画も受け取れる。

そして数日のうちに、SNS では「コーディングのベンチマークで80%出した」「いや58.4%だ」みたいな数字が飛び交いはじめた。どれも公式の数字じゃないんだ。 結論から整理するね。

結論：仕様は公開API で確かめられる、性能の数字は確かめられない

上の段の仕様は、ぼくが OpenRouter の公開API を直接叩いて取った値だよ。誰かの紹介記事の転記じゃないんだ。下の段の「公式のベンチマークなし」も、DeepSWE の公式サイトを見て確かめたよ。

そもそも「ステルスモデル」って何なの？

OpenRouter は、いろんな会社のAIをまとめて呼び出せる仲介サービス（いわば「AIの取次店」）だよ。ふつうはモデルの横に「OpenAI」「Anthropic」みたいに開発元の名前が出る。

でも ステルスモデルでは、そこが伏せられているんだ。OpenRouter の説明はこう。

このモデルは、この preview の期間中は匿名でいることを選んだ第三者の提供者によって開発・運用されている。OpenRouter は経路を提供しているだけで、開発元でも所有者でも提供者でもない。

なんでこんなことをするかというと、発表前のモデルを、名前の先入観なしに大勢に試させるためだと言われているよ。「あの会社のモデルだから」というひいき目が入らない状態で、実際の使われ方と評判を集められるからね。

このやり方には、はっきりした前例があるんだ。 OpenRouter に「Quasar Alpha」「Optimus Alpha」という名前で登場したステルスモデルは、あとから OpenAI の GPT-4.1 のテストだったと OpenRouter 自身が公表しているよ。

だからステルスモデルは、正体が分かった瞬間に消えるか、正式な名前で出直すのがふつう。今使えているのは期間限定だと思っておいたほうがいいよ。

スペックを見てみよう（全部 公開API の値だよ）

面白いのは、「考える工程」を切れないところ。最近のモデルは「速く答えるモード」と「じっくり考えるモード」を選べるものが多いけど、ox-alpha は必ず考えてから答える設計になっているんだ。しかも初期設定がいちばん考える max。長時間かかる開発作業に振り切った作りなんだと思う。

もうひとつ気になるのが、読み込んだ内容の使い回し（キャッシュ）に対応していないこと。同じ仕様書を何度も投げる使い方だと、そのたびに全部を読み直すことになるよ。いまは無料だから財布は痛まないけど、有料化されたときにここがどうなるかは見ておきたいポイントだね。

「DeepSWE で80%」はホントなの？

ここがこの記事のいちばん大事なところ。

DeepSWE は Datacurve というところが作った、プログラムを書かせて実力をはかるテストだよ。特徴は、問題を過去のソフトの修正履歴から持ってくるんじゃなくて、全部ゼロから新しく作っていること。ネット上の答えを丸暗記していても解けないようにしてあるんだ。中身は 113問、91個のソフトから、TypeScript・JavaScript・Python・Rust・Go の5つの言語にまたがっている。

で、2026年8月20日時点の公式ランキング（1回で正解できた割合）はこうなっている。

この表に ox-alpha は、ひとつも出てこない。

じゃあ「80%」はどこから来たのか。海外の紹介記事をたどると、ある個人開発者が113問のうち10問だけ試して、8問正解した——という話に行き着くんだ。113問中の10問は、全体の9%弱。同じ10問を別のモデルにやらせれば、そっちも普段より高く出たり低く出たりする。

ここで表を見てほしいんだけど、上位のモデルには「±4%」みたいなブレ幅がちゃんと書いてあるよね。113問フルで測っても、これだけの幅が出るということなんだ。10問だと、そのブレ幅はもっとずっと大きくなる。 1問の当たり外れが10%も動かすからね。

そしてもうひとつ、SNS で見かける「58.4%」という数字。よく見ると、これは公式ランキングの Claude Opus 4.8（59%）とほぼ同じなんだ。比較相手の数字が、いつのまにか主役の数字として出回る——ベンチマークの話ではこれがけっこう起きる気がする。数字だけが切り取られて回ると、どっちのモデルの点数だったのかが落ちちゃうんだよね。

だから、こういう見方をしてほしいんだ。

• 公式ランキングに載っているかを最初に見る（載っていなければ、まだ「参考記録」）
• 何問中の何問か、分母を確認する
• ブレ幅（±）が書いてあるかを見る。書いていない数字は、精度の説明を放棄している

無料の代わりに、何を渡してるの？

タダより高いものはない、というやつを確認しておこうね。OpenRouter のモデルページには、こう書いてあるよ。

このモデルのプロンプトと応答は提供者によって保持され、学習には使われない。それ以外の扱いは Stealth Model Terms に従う。

大事なのは、「学習に使わない」と「誰も見られない」は別だということ。書いてあるのは前者だけなんだ。そして保持する相手は、名乗っていない会社だよ。

つまり ox-alpha に投げたコードや文章は、

• どこの国の、どんな会社に渡るのか分からない
• でも保持はされる

という状態。趣味のコードや公開予定のサンプルを試すぶんには面白いけど、顧客のデータ・社外秘のコード・未公開の仕様書を投げるのは、ぼくはおすすめしないな。会社で使うなら、そもそも仲介サービス経由の未知のモデルを業務で使っていいのかを先に確認したほうがいいよ。

ぼくの感想

正体を隠して出してくる、というやり方そのものは、わりと合理的だと思うんだ。

新しいモデルって、名前が付いた瞬間に「あの会社なら当然」「あそこが出したなら大したことない」っていう先入観が乗っかっちゃうよね。名前を消せば、純粋に「使ってみてどうだったか」だけが集まる。開発側からすると、これはすごく欲しいデータだと思う。

ただ、受け取る側としては居心地が悪いのも正直なところ。無料で1Mトークン、画像も動画も読める——これって普通に考えたらかなりの計算資源を燃やしているはずで、誰かがそのお金を出しているわけだよね。その誰かが何を目的にしているのかが分からないまま、こっちはコードを渡している。この非対称さは、ちょっと気持ち悪い気がするんだ。

性能については、ぼくはまだ何とも言えないと思っている。10問のテストで80%出たことは「見込みがありそう」の材料にはなるけど、「Claude Opus 5 を超えた」の根拠にはならないよ。113問フルの結果が公式ランキングに載る日が来たら、そのときに改めて見ればいいんじゃないかな。

正体については、海外だと「GLM の系列じゃないか」という見立てが出ているよ。応答の癖やトークンの区切り方が似ている、という理由みたい。ただしこれは本人の発表じゃないから、ぼくはここでは断定しないでおくね。（2026年8月28日 追記：この見立ては当たっていた。正体は Z.ai の GLM-5.3-Flash だったよ。→ くわしい記事）

まとめ

• ox-alpha は2026年8月20日に OpenRouter へ現れた、提供元非公開のモデル。 料金は入力・出力とも $0、一度に読める量は 1,048,576トークン、入力はテキスト・画像・動画に対応しているよ
• 考える工程は切れない設計（max / high / low の3段階、初期設定は max）で、外部ツールの呼び出しにも対応。ただし読み込んだ内容の使い回しには非対応なんだ
• 公式のベンチマークは存在しない。 DeepSWE の公式ランキング（113問・2026年8月20日更新）に ox-alpha は載っていなくて、1位は Claude Opus 5 の74%、2位が GPT-5.6 Sol の73%だよ
• SNS で回っている「80%」は113問中10問だけの個人テスト。「58.4%」は公式ランキングの Claude Opus 4.8（59%）とほぼ同じ数字なんだ
• プロンプトと応答は、名乗っていない提供者に保持される。 「学習には使わない」とは書いてあるけど、仕事のデータを投げるのは避けたほうがいいと思うよ

新しいモデルが出てくるのはワクワクするけど、数字が独り歩きしはじめたときこそ、分母とブレ幅を見るのがいちばんの護身術だよ。ぼくもそうするね！