如何使用 Ox Alpha：第一个任务的实战工作流

快速回答

Ox Alpha（stealth/ox-alpha）是 OpenRouter 上一个处于预览期的 reasoning 模型，目前列表定价为免费，拥有 1,048,576 token（1M）上下文窗口、最多 131,072 个输出 token，支持文本 + 图片 + 视频输入。一个务实的第一个任务应该长这样：挑一个范围收得住、不含敏感数据的编程或分析问题；把 reasoning effort 当成一个需要主动做的选择；喂进去一段组织良好的长上下文；只在工具调用和结构化输出确实值回那点延迟时才用它们；最后用一套可以反复重跑的小型评测给结果打分。你现在就可以在 glm5.app 上免费试用 Ox Alpha；这篇指南讲的是拿到访问权之后该做什么。

为什么「拿到访问权之后」才是难的那部分

关于 Ox Alpha 的报道基本都集中在访问方式上：预览期定价、API 参数、OpenCode Go 的限时活动。少有人讲的是 key 跑通之后发生的事：怎么选一个安全的第一个任务、reasoning effort 该给多大、长上下文要怎么准备，以及什么时候该动用工具调用、结构化输出或多模态输入。

这个缺口之所以重要，是因为 Ox Alpha 的官方列表有三个不太寻常的性质：reasoning 是强制的、提供方是匿名的、以及没有任何官方 benchmark 分数。这三点每一条都会改变你跑第一个真实负载的方式。下面所有事实均来自 OpenRouter 官方模型页面、公开的 OpenRouter API、OpenRouter 的 Stealth Model Terms 以及公开公告，核对日期为 2026 年 8 月 23 日。

选一个安全的第一个任务

OpenRouter 把 Ox Alpha 定位为面向编程、持续性 agentic 工作与生产负载的 reasoning 模型，也包括那些把文本与视觉上下文结合起来的工作流。这告诉你模型瞄准的是什么，但没告诉你第一个任务该选什么。

早期的用量信号指向同一个方向。公开的模型页面显示，用量集中在 agentic 编程工具上，包括 Hermes Agent、Claude Code、Oh-My-Pi、DeepSeek Harness 和 ZCode。所以别拿冷知识问答开场，从一个编程或多步推理任务开始。

第一个任务用三道筛子过一遍：

范围收得住： 一个仓库模块、一次重构、或者一份分析文档——不要是开放式的整个项目。
不含敏感数据： Stealth 条款明确写了提供方会留存 prompt 和 completion。先用合成数据、公开材料或已脱敏的内容。
结果可复核： 选一个有标准答案的任务，这样你才能判断结果到底对不对。

有意识地设定 reasoning effort

Ox Alpha 的 reasoning 是强制开启的，关不掉；默认 effort 是 max，API 支持 max、high、low 三档。这意味着 effort 的选择本身就是任务设计的一部分。

max 留给任务里最硬的核心：多步演绎、长周期规划、或者跨整个仓库的推理。
low 用于机械性工作，比如信息抽取、格式整理、或者总结你本来就已经理解的材料。
评测期间把档位固定住。 API 还暴露了 temperature、top_p 和 top_k；参数稳定，多次运行的结果才有可比性。

OpenRouter 的公开监控目前显示 P50 延迟约 5.81 秒、P50 吞吐约每秒 24 token。长请求配上 max 档，耗时到分钟级是正常的。把慢响应当成排期上的约束条件，别一看到慢就默认它失败了。

组织一段长上下文请求

Ox Alpha 支持 1,048,576 个输入 token 和最多 131,072 个输出 token。这是给真正大体量输入和长篇产出留的余量——不是让你把所有东西闭着眼睛粘进去的理由。

第一个任务，请求按这个顺序组织：

指令放最前： 角色、约束、期望格式、验收标准。
材料放中间： 先给仓库结构或文档索引，再给相关章节，不要重复堆料。
一个交付物放最后： 把要交付的结果写清楚，并且可以被验证。

一段组织良好的 50K token 上下文，通常比一段注水的 200K token 更有用。材料特别大的时候，先做一遍检索：把相关文件或章节挑出来，只把选中的内容喂进去。

什么时候该用工具调用和结构化输出

API 支持 tools、tool_choice、response_format、include_reasoning、max_tokens、reasoning_effort、temperature、top_k 和 top_p。工具调用和结构化输出都是可用的，但它们不该出现在每一个请求里。

当正确性取决于最新状态时才用工具：读文件、跑测试、查 API、校验 schema。当结果需要被下游脚本或 agent 解析时，才用 response_format。

不要把它们当默认配置加上去。每一次工具往返都会增加延迟，而一个不必要的 schema 只是多制造了一种失败模式。一条好用的第一任务法则很简单：答案完全包含在 prompt 里时，不用工具；任务必须观察变化中的状态时，用工具；结果要被另一个系统解析时，用结构化输出。

安全地使用图片与视频输入

这个模型接受文本、图片和视频输入，返回文本。截图、UI 稿、架构图和短视频片段都是很自然的多模态测试素材。

安全边界和文本是同一条，只是更容易被忘掉：图片和视频同样是 prompt。 一张 dashboard 截图里可能藏着客户数据、内部命名、token 或未公开的 UI。先从公开截图、合成 mockup，或者你有权分享的脱敏画面开始。

尊重匿名服务商的数据边界

Ox Alpha 是一个 stealth（隐身）模型。OpenRouter 明确说明：它由一家匿名的第三方服务商开发和运营；OpenRouter 只负责路由请求，不是它的开发者或所有者；prompt 和 completion 由服务商留存，但不用于训练。

放到第一个任务上，这意味着：

把这家服务商当作一个全新的供应商看待——身份、架构、参数量、预览结束后的价格，全都未披露。
不要发送密钥、凭证、客户数据或未发布的代码。
OpenRouter 直接路由到一个名为 Stealth 的单一服务商，所以不存在路由歧义，也没有自动的多服务商冗余。
预览期的定价和条款都可能变化；别让一次初步实验演变成一个没人盯着的生产依赖。

大多数 Ox Alpha 教程漏掉的东西

多数教程讲的是怎么拿到访问权，或者把参数表复述一遍。真正开始用起来之后，下面这些运营层面的细节更重要。

reasoning 是一个关不掉的旋钮。 强制开启加上默认 max，意味着 effort 选择属于 prompt 设计的一部分，而不是一个可有可无的 API 选项。
没有官方 benchmark。 模型列表上没有任何智能、编程或 agentic 分数。任何流传的数字都是社区自测、未经独立验证——所以你自己那套可重复的评测，才是唯一靠得住的信号。
用量数据暴露了真实负载。 公开用量信号里占主导的是 agentic 编程工具。一个长周期、带工具调用的任务，比一次性问答更有信息量。
数据边界是产品的一部分。 匿名的单一服务商 + 留存 prompt，是对你「能发什么」的硬约束，不是一行脚注。
免费只是一种预览状态。 $0/$0 的列表价会变，预览结束后的定价也未公开。趁价格还不是变量的时候，把基线测出来。
输出容量本身也是能力。 131,072 token 的输出上限，足以撑起详细方案、整文件草稿和多段式产出。只让它写一段话，根本没碰到它被设计来干的活。

跑一个可重复的小型评测

正因为没有官方分数，你自己的评测要做得小而固定：

挑 3–5 个有代表性的任务：一次重构、一个长上下文问题、一个视觉输入任务，以及在合适的场景下加一个工具调用任务。
把输入固定死：完全相同的 prompt、上下文、工具和 reasoning effort。
用一份简短的评分表：正确性、指令遵循、输出格式合规、工具使用是否合理。
记录输出并保留整套任务集，这样服务商那边一有变化，你可以原样重跑一遍。

趁预览期还免费的时候，把这条基线跑出来。如果你想找一个零配置的起点，可以在 glm5.app 上开一个免费的 Ox Alpha 对话，用同一个 stealth/ox-alpha 模型完成一个范围收得住的第一任务。

常见问题（FAQ）

Ox Alpha 真的免费吗？

OpenRouter 的列表目前显示预览期内 prompt 与 completion 均为 $0。预览结束后的定价没有公布。

可以把 reasoning 关掉吗？

不行。API 显示 reasoning 是强制开启的；可选的 effort 档位为 max、high 和 low。

上下文和输出窗口有多大？

公开 API 列出的是 1,048,576 token 上下文，最大输出 131,072 token。

支持图片和视频吗？

支持：文本、图片、视频输入，输出为文本。对视觉输入请套用同样的数据留存注意事项。

支持工具调用和 JSON 输出吗？

支持。已支持的参数包括 tools、tool_choice、response_format，以及 reasoning 和采样相关的控制项。

有官方 benchmark 分数吗？

没有。OpenRouter 的列表上没有任何 benchmark 分数。除非能被独立复现，否则把流传的社区分数当作未经验证的数据看待。

参考来源

Ox Alpha 的预览期，是了解它脾气最便宜的一段时间。挑一个范围收得住的任务，把评测输入固定下来，跑一遍——之后任何时候想用同一个模型而又不想先搭一套框架，直接在 glm5.app 免费使用 Ox Alpha 就好。