8 月 20 日，OpenRouter 上出现了一个新的匿名模型。代号 stealth/ox-alpha，江湖人称牛来。免费，能写代码，能看图，还能看视频。
就是不知道来自哪个厂商。「牛来」模型的系统提示也只允许它管自己叫 ox-alpha，再问就闭嘴。
和《牛来》电影的抽象不同，「牛来」模型的能力强到离谱。它多模态、百万上下文、速度快到屏幕都闪眼。
消息传开，AI 圈沸腾了。
正在推进收购 OpenRouter 的 Stripe 创始人 Patrick Collison，深夜发了一条帖子说：「非常惊艳。」
硅谷投资人 Sriram Krishnan 也忍不住说：这种匿名宣发非常有有意思，比花大钱开发布会、发博客、贴跑分图管用得多。
这一刻全世界都是狄仁杰，全世界都是福尔摩斯。
有人拿它断句习惯，对照 418 个已知道身份的模型。五十组刁钻的对比，Ox Alpha 和 GLM-5.3 五十组全中。Gemini 只中十一组，DeepSeek 中九组。
有人故意发错请求，看它报错时会怎么样。结果和智谱的接口一样。
还有人给它喂视频，计算每段视频多少画面。又和智谱的 GLM-V 系列完美对上。但谁也不敢包说这就是智谱的模型。
猜的人很多。有人赌小米，小米之前用过同一套匿名手法。有人赌月之暗面，因为文风像。有人赌微软。
后来 Google DeepMind 的员工发了一条充满暗示的帖子说：「要是这个 Ox Alpha 是我们早就认识的朋友呢？」。他又发了个「Gemini」来继续引导舆论。
马上被网友回怼：可悲，你们要靠炒作养活 Gemini。
OpenCode 上，DeepSeek 连坐五十六天的头把交椅，当天被这「牛」给掀翻了。
一个能装下整个世界的模型，却奈何不了一张 PNG。
过去一年，用 DeepSeek 或 GLM 写代码的人，经常在同一个地方被拦住：模型写完页面，你贴张截图让它检查，它只回一句，暂不支持图片。
业内把同时理解文字、图片和视频的能力叫作「多模态」。不懂这个词也没关系，它只意味着模型能直接看见截图，不用你先把画面翻译成一段话。
DeepSeek-V4-Flash 很聪明，也很便宜。智谱的主系列也擅长处理复杂的长任务。可这些模型都只接受文字。
GLM-5.2 发布当天，就有人在官方帖子下面问：为什么不支持图片。半个月后，Abacus 的创始人写，GLM-5.2 在真实工作里很难单独使用，因为它看不见图片。到了 GLM-5.3，官方仍然不支持多模态。
这不只是聊天少了一个功能。
有人把 GLM-5.2 接进 OpenCode。模型在工作途中找到一个需要查看截图的工具，图片一进入会话，整个对话便卡死。之后用户每发一句，它都重复同一条错误：这个模型不支持图片输入。
DeepSeek 还有一种更麻烦的情况。
DeepSeek 接进 Codex 后，图片没有进入模型，系统也没有明确报错。四十八秒后，它交来一份「Dify 核心功能全景」。那张截图和 Dify 没有关系。模型只是从对话里残留的几个词，编出了一张自己觉得应该存在的图。
GLM 看不见至少会停下来。看不见还继续说，用户就得先猜它到底看到了多少。
大模型会读几十万字，会改完整项目，会自己调用十几个工具。
可屏幕上的按钮歪了两厘米，它不知道。
DeepSeek-V4-Flash 看不见图片，但它不肯就这么停下。
有个用户让它从画面里找一艘飞船。它写了段小程序，把图片切成格子，再统计每一格有多少绿色。第二行有一格绿色占了 54%，它便认定飞船在那里，把那块区域裁了下来。
它从头到尾都没看见飞船。它看到的是一张绿色统计表。
还有一个办法更直接，也更贵。
我当时在测一个给客户做的 PPT 助手。品牌图、参考版式，Flash 一张不认。差不多同时，有人发现它会自己调用电脑上的 Fable 5 看图。没人教它这么做。Fable 5 是 Claude 家最贵的那档。
我回了一句：这属实是太奢侈了。
因为这个缘故，我也给这些纯文本模型做过识图工具。高峰期一周被下载八万八千次，GitHub 上也有三千七百多颗星。
同一时期，社区里到处都在给纯文本模型加视觉。有人调用千问，有人调用 GLM-V，也有人给 Flash 配了一只很小的视觉模型。
办法很多，需求只有一个：让正在干活的那只模型，能看见图片。
智谱早有 GLM-V 系列，DeepSeek 也做过 OCR 和视觉尝试。可这些能力都在旁边的产品线上。Qwen、Kimi、MiniMax 和字节的旗舰早已支持图片，小米也有能看图的 MiMo-V2.5。大家日常拿来写代码、改项目的 GLM-5.2、GLM-5.3、DeepSeek-V4-Flash 和 V4-Pro，却仍然只接受文字。
是 DeepSeek 先开的第一枪。
8 月 21 日，DeepSeek 毫无症状的上线了带有视觉能力的 deepseek-v4-flash-vision-exp 模型。这是 DeepSeek 第一次给核心模型内置视觉传感器。DeepSeek OCR 系列不算。
DeepSeek 一如既往本色演出了价格屠夫的角色，对外宣传，deepseek-v4-flash-vision-exp 会把每一张图片统统压缩折算为最多 384 个 token 的价格。
而不久前，网络上还在流传着多模态对 DeepSeek 到底重不重要，会影不影响 AGI 的争论。
一个时代的落幕，也只是普通人平凡的一天。
8 月 26 的晚上，没有彩排，没有发布会。智谱在社交媒体贴了张图，然后发布了 GLM-5.3-Flash。
旧的纯文本模型 GLM-5.3 依旧提供服务，各大技术社区照常刷着评测跑着分，程序员们依然在屏幕前表演着敲代码（划掉，也有人真的在写）。
可在大模型演进的历史进程里，DeepSeek V4 和 GLM-5 两条主力系列都没有视觉型号的时代，画上了句号。
陶杰在《杀鹌鹑的少女》里写过一段话。
当你老了，回顾一生，就会发觉：什么时候出国读书、什么时候决定做第一份职业、何时选定了对象而恋爱、什么时候结婚，其实都是命运的巨变。只是当时站在三岔路口，眼见风云千樯，你作出抉择的那一日，在日记上，相当的沉闷和平凡，当时还以为是生命中普通的一天。