Ox Alpha: Mysteriöses neues KI-Modell soll KI-Entwickler scharf machen
Trending Topics auf Google als bevorzugte Nachrichtenquelle festlegen.
Seit vergangenem Donnerstag rätselt die KI-Szene über ein Modell, das es offiziell gar nicht gibt. Unter dem Namen Ox Alpha (in manchen Postings auch als „0x Alpha“ geschrieben) tauchte auf der Modell-Plattform OpenRouter und im Coding-Werkzeug OpenCode ein sogenanntes Stealth-Modell auf: leistungsfähig, multimodal, für eine Woche gratis nutzbar, und ohne jede Angabe, welches Labor dahintersteckt. Der Eintrag verweist lediglich auf einen „Drittanbieter, der sich während der Preview-Phase anonym halten möchte“.
Die Spezifikationen, die der anonyme Anbieter selbst nennt, sind ambitioniert: ein Kontextfenster von 1.048.576 Token, also rund einer Million, eine maximale Ausgabe von 131.072 Token, Text-, Bild- und Video-Input sowie eine angebliche Kapazität von 100 Billionen Token pro Tag. Beschrieben wird Ox Alpha als Reasoning-Modell für Programmieraufgaben, langlaufende Agenten-Jobs und Produktions-Workloads.
Wichtig dabei: Diese Zahlen beschreiben Kapazität, nicht belegte Qualität. Ein Modell kann einen riesigen Prompt entgegennehmen und trotzdem den Überblick verlieren. Unabhängig überprüft wurde bisher nichts davon.
Was OpenCode ist
OpenCode ist ein Open-Source-Coding-Agent für das Terminal, entwickelt vom Team rund um das Infrastruktur-Framework SST. Statt in einer eigenen IDE zu laufen, arbeitet das Werkzeug direkt in der Kommandozeile am jeweiligen Repository: Es liest Dateien, schlägt Änderungen vor, führt Befehle aus und arbeitet mehrstufige Aufgaben ab. Der zentrale Unterschied zu Konkurrenzprodukten wie Claude Code oder Cursor ist die Modell-Neutralität. Entwickler:innen können aus einer langen Liste von Anbietern wählen, statt an ein Haus-Modell gebunden zu sein.
Genau das macht OpenCode für stille Produktveröffentlichungen attraktiv. Wer ein Modell hier einstellt, erreicht direkt jene Zielgruppe, die es am härtesten testen wird, nämlich Entwickler:innen. Zugänglich ist Ox Alpha derzeit über zwei Routen: OpenCode Zen, wo die Token gratis sind, aber Zahlungsdaten hinterlegt werden müssen, und das Abo OpenCode Go, das monatlich kostet, das Modell selbst aber ebenfalls gratis anbietet.
Die Spurensuche: Zhipu, Google, Microsoft oder Cursor?
Weil das Labor schweigt, hat die Community mit forensischen Methoden begonnen. Analysiert werden Tokenizer-Verhalten, Fehlermeldungen, Video-Token-Zählungen und Formulierungsmuster. Vier Hypothesen dominieren:
Zhipu AI beziehungsweise Z.ai gilt vielen als heißester Kandidat. Tokenizer-Fingerprinting soll bei mehreren Testreihen konsistent auf die GLM-Familie gedeutet haben, außerdem sollen Fehlercodes jenen der dokumentierten Z.ai-API entsprechen. Das chinesische Unternehmen hat seine bisherigen Modelle bereits unter Alpha-Codenamen live getestet und betreibt mehrere Cluster mit zehntausenden GPUs. Gegen die These spricht die schiere Menge an verschenkter Rechenleistung.
Microsoft kam ins Spiel, weil Ox Alpha den Tokenizer cl100k_base verwenden soll, eine von OpenAI entwickelte Kodierung. Sie findet sich sonst in der Phi- und MAI-Linie von Microsoft, was chinesische Modelle nach dieser Lesart ausschließen würde. Spekuliert wird über eine unveröffentlichte Version des Frontier-Modells MAI 2.
Google wird gehandelt, weil der Konzern zuletzt mit Gemini 3.7 Flash nachgelegt hat und einzelne Mitarbeiter:innen kryptische Andeutungen über eine kommende Veröffentlichung gemacht haben. Ein lang erwartetes Gemini 3.5 Pro fehlt noch. Dagegen spricht ein Vision-Test, den Gemini-Modelle üblicherweise bestehen, Ox Alpha aber nicht.
Die vierte Spur führt zu Cursor und SpaceX. Ein Analyst brachte Composer 3 ins Spiel, das nächste Coding-Modell von Cursor, das Berichten zufolge auf der Supercomputer-Infrastruktur aus dem SpaceX-Umfeld trainiert wurde. Das Argument ist vor allem eines der Kapazität: Wenige Player können hunderte Billionen Token pro Tag verschenken.
Keine dieser Theorien ist bestätigt. Und auch die Leistungsfrage bleibt vorerst offen: Unabhängige Benchmarks, etwa von Artificial Analysis, oder Bewertungen in der Arena.ai stehen bislang aus. Was kursiert, stammt aus Community-Tests ohne offengelegte Methodik.
Anonyme Veröffentlichungen sind längst Methode
Ox Alpha ist kein Einzelfall, sondern der vorläufig letzte Eintrag in einer wachsenden Liste. Das bekannteste Beispiel ist Nano Banana: Der Bildgenerator wurde zunächst unter dem albernen Codenamen anonym zum Testen freigegeben, kletterte in den Community-Rankings nach oben und wurde erst danach als Google-Produkt für Gemini enthüllt. Der Name blieb hängen und wurde vom Codenamen zur Marke, bis hin zu Nano Banana Pro und Nano Banana 2.
Auf OpenRouter selbst gab es zuvor rund ein Dutzend solcher Tarnkappen-Einträge. Quasar Alpha und Optimus Alpha entpuppten sich als Vorabversionen von GPT-4.1, Horizon Alpha und Horizon Beta als frühe GPT-5-Checkpoints. Hunter Alpha und Healer Alpha wurden später Xiaomi zugeordnet, Owl Alpha dem chinesischen Konzern Meituan. Bei anderen Codenamen wie Sonoma Dusk, Polaris Alpha oder Aurora Alpha blieb die Zuordnung dauerhaft offen.
Der Nutzen für die Labore liegt auf der Hand. Sie bekommen echtes Nutzungsverhalten unter Last, sie sammeln Feedback ohne Reputationsrisiko, und falls das Modell überzeugt, ist die Aufmerksamkeit zum Zeitpunkt der offiziellen Ankündigung bereits aufgebaut. Ein enttäuschendes Ergebnis lässt sich dagegen still versenken.
Der eigentliche Coup ist das Preisschild
Der interessanteste Teil an Ox Alpha ist womöglich nicht die Technik, sondern die Vermarktung. Token kosten während der Preview-Phase null, und zwar sowohl beim Input als auch beim Output. Für eine Modellklasse, in der ausgedehnte Agenten-Läufe mit sechsstelligen Token-Zahlen schnell dreistellige Beträge erzeugen, ist das ein starkes Argument, es zumindest einmal zu probieren.
Die Kombination aus Gratis-Zugang, riesigem Kontextfenster und knapper Frist erzeugt genau jene Dringlichkeit, die klassische Produktankündigungen kaum mehr herstellen. Wer testen will, muss jetzt testen. Und wer testet, postet Ergebnisse, was wiederum die nächsten Tester:innen anzieht. Nach Angaben aus der Community verarbeitete das Modell in der ersten Woche rund 7,1 Billionen Token bei etwa 134.000 individuellen Nutzer:innen.
Der Effekt ist doppelt: Das Labor kauft sich Trainings- und Testdaten aus der Praxis, und es kauft sich Reichweite. Die Rätselraterei um die Herkunft verstärkt beides, weil jeder Erklärungsversuch neue Beiträge, Videos und Artikel produziert. Eine bezahlte Kampagne mit vergleichbarer Wirkung wäre deutlich teurer.
