Kurze Antwort: Für Ox Alpha gibt es keine offiziellen Benchmark-Scores. Die OpenRouter-Modellseite für stealth/ox-alpha führt weder Intelligenz- noch Coding- oder Agentic-Benchmarks auf, und der unabhängige Tracker Artificial Analysis listet das Modell nicht (geprüft am 22. August 2026). Die kursierenden Zahlen — rund 80 % auf einem 10-Aufgaben-Ausschnitt von DeepSWE und 87,5 % auf „Kingbench" — stammen aus der Community, beruhen auf winzigen Stichproben und sind nicht unabhängig verifiziert. Wenn du Ox Alpha bewertest, erklärt dieser Artikel, was diese Werte tatsächlich bedeuten und auf welche Signale du stattdessen achten solltest.
Wer nach Ox Alpha Benchmarks sucht, stößt vermutlich auf dieselbe Wand: Am 20. August 2026 taucht ein neues Modell auf, auf X und in der OpenCode-Ankündigung wird darüber geredet — aber sobald man harte Zahlen sucht, schweigen die offiziellen Seiten und die Community-Posts widersprechen sich in der Methodik. Bei einem Stealth-Modell, dessen Anbieter während der Preview anonym bleibt, wird dieses Schweigen leicht als Schwäche missdeutet oder mit Leaderboard-Screenshots überdeckt. Dieser Leitfaden stützt sich auf das OpenRouter-Listing, öffentliche API-Daten und öffentliche Ankündigungen, Stand 22. August 2026. Wir haben selbst keine formalen Benchmarks durchgeführt; das Ziel ist ein Raster zum Lesen fremder Behauptungen — plus die offiziellen Daten, die tatsächlich existieren.
Die offizielle Anzeigetafel ist leer — mit Absicht
Ox Alpha erschien am 20. August 2026 auf OpenRouter. Das offizielle Listing ist überall dort detailliert, wo es für die Integration zählt: ein Kontextfenster von 1.048.576 Token (1M), bis zu 131.072 Token Ausgabe, Text-/Bild-/Video-Eingabe mit Textausgabe, ein Preview-Preis von 0 $ pro Million Token auf beiden Seiten, obligatorisches Reasoning mit maximaler Voreinstellung sowie Unterstützung für Tools, Tool Choice und strukturierte Ausgabe. Die Positionierung ist explizit: „ein Reasoning-Modell für Coding, dauerhafte agentische Arbeit und Produktionslasten", geeignet für „langfristige Softwareentwicklung, komplexes Reasoning und Workflows, die Text mit visuellem Kontext verbinden".
Was das Listing nicht enthält, sind Benchmark-Scores. Kein Intelligenz-Index, keine Coding-Leaderboard-Zahl, kein Agentic-Score im Performance-Bereich. Artificial Analysis — der unabhängige Tracker, den die meisten zuerst prüfen — führt dieses Modell nicht (geprüft am 22. August 2026). Und die Angaben, die man üblicherweise zur Einordnung braucht — Anbieteridentität, Architektur, Parameterzahl und Preise nach der Preview — werden während dieser Preview nicht offengelegt.
Das sollte man klar aussprechen: Das Fehlen offizieller Scores ist eine Tatsache über das Listing, kein Beleg über die Leistungsfähigkeit. Stealth-Modelle verzichten häufig auf Benchmarks, auch um sich vor einem vollständigen Release nicht festlegen zu lassen. Die richtige Frage lautet nicht „Warum keine Scores?", sondern „Welchem Signal kann ich stattdessen trauen?" — und genau das beantwortet der Rest dieses Artikels.
Was die Community berichtet
Zwei Zahlen machen die Runde:
1. Rund 80 % auf einem DeepSWE-Ausschnitt mit 10 Aufgaben. Ein Community-Test nennt für Ox Alpha etwa 80 % auf einem 10-Aufgaben-Ausschnitt von DeepSWE (Community-Angabe, nicht unabhängig verifiziert). Dieselbe Kleinstichprobe setzt Fable auf 65 % und GPT-5.6 Sol auf 52 %. Achte auf die Methodik: Es handelt sich um einen Ausschnitt des Benchmarks — zehn Aufgaben, nicht die vollständige Suite — der Abstand zwischen 80 % und 65 % ist also buchstäblich eine Handvoll Aufgaben in die eine oder andere Richtung.
2. 87,5 % auf Kingbench. Ein Community-Artikel nennt für Ox Alpha 87,5 % auf Kingbench und damit Platz zwei hinter GLM-5.3 mit 91,25 % (Community-Angabe, nicht unabhängig verifiziert). Kingbench ist kein Standard-Benchmark: Es gibt keine veröffentlichte, prüfbare Methodik, und kein unabhängiges Labor führt ihn durch. Behandle die Zahl bestenfalls als Richtungsangabe.
Außerdem kursiert die Spekulation, gestützt auf Vergleiche von Fingerprint, Tokenizer und Video-Encoder, Ox Alpha könnte eine verborgene multimodale Variante eines Modells der GLM-Reihe sein (unbestätigt, reine Spekulation). Wir schließen uns dieser Vermutung nicht an, und sie sollte deine Entscheidung nicht beeinflussen — sie erklärt aber, warum manche Threads das Modell als „erwartbar gut im Coding" statt als „nachweislich gut im Coding" behandeln.
Community-Benchmarks richtig lesen: ein praktisches Raster
Die meisten Beiträge wiederholen nur die Zahlen. Hier ist, was dabei meist fehlt — vier Fragen, bevor ein Community-Score dein Vertrauen verdient.
Frage 1: Wie groß ist die Stichprobe? Ein Ergebnis aus 10 Aufgaben bewegt sich um rund 10 Punkte pro Aufgabe. Ein einziger glücklicher oder unglücklicher Lauf kippt die gesamte Schlagzeile. Faustregel: Behandle jeden Score aus weniger als 50 Aufgaben als Signal, nicht als Schlussfolgerung. Er sagt dir, dass ein Modell einen Test wert ist; er sagt dir nicht, wo es rangiert.
Frage 2: Was misst der Benchmark überhaupt? DeepSWE ist ein Benchmark für langfristige Softwareentwicklung — das Modell muss sich über viele Züge durch ein echtes Repository arbeiten, um ein Issue zu lösen. Das ähnelt agentischer Produktionsarbeit. Die Methodik von Kingbench ist unklar (nicht standardisiert), man kann also nicht einmal sagen, was gemessen wird. Ein Single-Turn-QA-Score würde über ein agentisches Coding-Modell fast nichts aussagen — und umgekehrt. Gleiche die Arbeitslast des Benchmarks mit deiner ab, bevor du die Zahl gewichtest.
Frage 3: Wer hat ihn durchgeführt, und wurde er unabhängig verifiziert? Community-Tests sind kein Peer-Review. Wenn die testende Person ein Interesse am Ergebnis hat — Anbieter, Affiliate, Hype-Account — ziehe es ab. Der Test des Tests ist Reproduzierbarkeit: Kannst du das exakte Aufgabenset, das Harness und die Modellkonfiguration einsehen? Wenn nicht, ist die Zahl eine Behauptung, keine Messung.
Frage 4: Sind die Vergleiche wirklich vergleichbar? Wurde für jedes Modell derselbe Aufgabenausschnitt verwendet? Gleiche Temperatur, gleiches Tooling, gleiche Anzahl Versuche? Der 80-%-DeepSWE-Vergleich wirkt in sich konsistent, bleibt aber ein selbst gewählter Ausschnitt, durchgeführt von einer Partei. Lief auch nur ein Modell der Tabelle unter anderen Bedingungen, ist die ganze Tabelle hinfällig.
Die Zusammenfassung in einem Satz: Community-Scores taugen für genau eine Sache — eine Shortlist zu bilden. Für ein Ranking von Ox Alpha gegen andere Modelle taugen sie nicht, und bei einem Stealth-Modell, das niemand auditieren konnte, sind sie besonders schwach.
Bessere Signale: Was die echte Nutzung zeigt
Hier kommt der Teil der offiziellen Daten, den die meisten Benchmark-Jagd-Posts überspringen. Die Apps/Activity-Ansicht von OpenRouter zeigt echten Produktionstraffic — und in den rund zwei Tagen nach dem Start verbrauchte Ox Alpha etwa 657 Milliarden Prompt-Token und 7,95 Milliarden Completion-Token. Die fünf Anwendungen mit dem meisten Traffic sind allesamt agentische Coding-Tools: Hermes Agent (120 Mrd. Token), Claude Code (108 Mrd.), Oh-My-Pi (93,5 Mrd.), DeepSeek Harness mit Multimodal-Bridge (84,8 Mrd.) und ZCode (51,5 Mrd.).
Warum schlägt das einen unbestätigten Screenshot aus 10 Aufgaben? Weil es über Tausende Nutzer aggregiert ist, die reale, langfristige Workloads dauerhaft fahren. Agentische Tools sind der härteste Stresstest überhaupt: Sie halten Kontext über viele Züge, rufen Tools auf, erholen sich von Fehlern und machen weiter. Wenn Teams in zwei Tagen 657 Milliarden Prompt-Token durch ein Modell leiten, ist das ein Beleg für Nützlichkeit unter realistischer Last — kein Beweis für eine Leaderboard-Position, aber ein weit stärkeres Signal als eine 10-Aufgaben-Behauptung.
Operativ meldet das offizielle Monitoring (P50 über rund drei Tage) einen Durchsatz von 24 Token pro Sekunde, eine Latenz von 5,81 Sekunden, eine Uptime von 99,99 % und eine Verfügbarkeit von 99,14 %. Die Adoption im Ökosystem bestätigt den Trend: Ox Alpha („Ox Alpha Free") steht auf OpenCode Go mit einem begrenzten Gratis-Fenster für die kommende Woche, nahezu unbegrenzter Nutzung, die nicht auf das Go-Kontingent angerechnet wird, ohne Datenspeicherung und mit demselben 1M-Kontext. Das ist eine öffentliche Zusage eines Tool-Anbieters, kein Gerücht.
Wenn deine Arbeit aus langfristigem Coding und agentischen Aufgaben besteht — genau das Profil, das die Nutzungsdaten zeigen — kannst du Ox Alpha kostenlos auf glm5.app testen.
Ox Alpha selbst benchmarken
Angesichts der öffentlichen Datenlage ist der verlässlichste Benchmark für deinen Anwendungsfall der, den du selbst durchführst. Konkret:
- Wähle 3–5 Aufgaben aus deiner echten Arbeit. Ein Refactoring in einem Repo, das du kennst, eine mehrstufige Debugging-Sitzung, ein langer agentischer Lauf mit Tool-Aufrufen oder eine Aufgabe, die einen Screenshot oder ein Dokument mit Anweisungen kombiniert — das Modell akzeptiert Bild- und Videoeingaben.
- Schicke denselben Prompt durch Ox Alpha und dein aktuelles Modell. Gleiche Anweisungen, gleiche Tools, gleiche Temperatur. Ändere zwischen den Läufen nichts am Setup.
- Bewerte Abschluss und Qualität, nicht Bauchgefühl. Hat es die Aufgabe beendet? War die Ausgabe im ersten Anlauf korrekt? Wie viel Nachsteuern war nötig?
- Belaste den langen Horizont. Mit einem 1M-Token-Kontextfenster und standardmäßig maximalem Reasoning ist Ox Alpha für dauerhafte Arbeit gebaut. Eine Single-Turn-Frage zeigt dir nicht, was es kann; ein agentischer Lauf über 20 Züge schon.
- Stelle fair ein. Die API unterstützt Reasoning-Effort (max/high/low), Tools und Tool Choice, strukturierte Ausgabe, Temperature sowie top_p/top_k — du kannst also unter identischen, reproduzierbaren Bedingungen vergleichen.
Ein paar Vorbehalte zur Kalibrierung: Der Anbieter ist während dieser Preview anonym, das Gratis-Preisfenster auf OpenRouter und die freie OpenCode-Woche können sich ändern, und nichts in diesem Artikel ersetzt die offiziellen Seiten. Du testest das Modell, wie es heute existiert — das ist der ehrliche Weg, einen Stealth-Release zu bewerten.
Wenn du für den Start keinen API-Key verdrahten willst, chatte mit Ox Alpha im Browser auf glm5.app — der kostenlose Web-Einstieg — und erledige deine erste Aufgabe in den nächsten fünf Minuten.
FAQ
Hat Ox Alpha offizielle Benchmarks? Nein. Das OpenRouter-Listing enthält Spezifikationen, Preise und Performance-Monitoring, aber keine Intelligenz-, Coding- oder Agentic-Benchmark-Scores. Artificial Analysis führt das Modell nicht (geprüft am 22. August 2026).
Wie hat Ox Alpha bei DeepSWE und Kingbench abgeschnitten? Laut Community-Tests: rund 80 % auf einem 10-Aufgaben-Ausschnitt von DeepSWE (mit Fable bei 65 % und GPT-5.6 Sol bei 52 % im selben Kleinstichproben-Lauf) und 87,5 % auf Kingbench, hinter GLM-5.3 mit 91,25 %. Beide Ergebnisse stammen aus der Community und sind nicht unabhängig verifiziert; Kingbench ist kein Standard-Benchmark.
Kann ich den Community-Scores trauen? Als Signale ja, als Schlussfolgerungen nein. Sie stammen aus winzigen Stichproben ohne unabhängige Verifikation. Schicke sie durch das obige Vier-Fragen-Raster — Stichprobengröße, was gemessen wird, wer getestet hat, vergleichbare Methodik — bevor du eine Zahl gewichtest.
Ist Ox Alpha schnell? Das Monitoring von OpenRouter (P50, rund drei Tage) meldet 24 Token pro Sekunde Durchsatz und 5,81 Sekunden Latenz, bei 99,99 % Uptime und 99,14 % Verfügbarkeit. Beachte: Reasoning ist obligatorisch und steht standardmäßig auf maximalem Aufwand — rechne bei schweren Aufgaben mit Denkzeit.
Wie kann ich Ox Alpha selbst benchmarken? Führe deine eigenen realen Aufgaben im direkten Vergleich mit deinem aktuellen Modell aus — gleiche Prompts, gleiche Tools, gleiche Einstellungen. Am schnellsten startest du über den kostenlosen Web-Chat auf glm5.app; die API über OpenRouter (während der Preview kostenlos) erlaubt programmatische Tests mit Tools und strukturierter Ausgabe.
Sources
- OpenRouter: Ox Alpha model page
- OpenRouter API: models endpoint
- OpenRouter: Stealth Model Terms
- OpenRouter Docs
- OpenCode Docs: models
Zuletzt aktualisiert: 22. August 2026
