“龍蝦”出現后，大模型時代的共識被推翻了

出品｜虎嗅科技組

作者｜宋思杭

編輯｜苗正卿

頭圖｜中關村論壇現場

上一次智譜AI與月之暗面同臺，還是在1月10日。那天是智譜通過港交所聆訊后的第三天，一個周六，在中關村國際創(chuàng)新中心舉行了一場名為AGI-Next的前言峰會。

兩個半月后，故事推進得更快了。

市場消息顯示，月之暗面正考慮在香港進行首次公司募股（IPO），目前已與中金公司及高盛展開磋商，相關事件仍處于初期階段，具體時間尚未確定。對此，虎嗅向月之暗面方面求證，對方不予置評。

幾乎在同一時間，兩家公司再次同臺，還是中關村國際創(chuàng)新中心，在中關村論壇的現場。

臺上坐著的，是這一輪大模型浪潮中最核心的一批玩家：月之暗面創(chuàng)始人楊植麟、智譜CEO張鵬、無問芯穹創(chuàng)始人夏立雪、小米MiMo負責人羅福莉，以及香港大學助理教授黃超。

他們討論的，是最近一個月，讓整個行業(yè)“重新忙起來”的那只龍蝦OpenClaw。

過去一個月，這只“龍蝦”幾乎把大模型的調用曲線重新拉了一遍。包括智譜、Kimi，以及小米MiMo在內的多家模型廠商，都在這一波中吃到了最直接的紅利。

3月下旬，在全球最大的模型API聚合平臺OpenRouter上，一款代號為 Hunter Alpha 的模型調用量迅速沖上榜首。隨后小米認領，這一模型正是MiMo-V2-Pro。

更重要的是，龍蝦帶來的，并不只是調用量的暴漲。它讓行業(yè)清晰地看到：大模型開始“干活”之后，一整套新的技術與商業(yè)邏輯，正在被同時改寫。

這場討論，指向的是推理階段正在出現的幾條新分水嶺。

1、模型開始承擔“完整任務鏈路”

首先，在這場對話中，點出了這只龍蝦的價值，首先是幾位模型玩家對它的定義，以及它能帶來什么。

過去，用戶是給大模型提問題，大模型還無法幫用戶做任務，或者說過去的那條鏈路是斷的。

而現在，OpenClaw帶來的最大變化，是把模型拉進了任務執(zhí)行環(huán)節(jié)。用戶給出的不再是問題，而是目標；系統需要完成拆解、嘗試、修正和交付。

在張鵬的定義里，它更像一個“腳手架”——普通人可以在其上調用頂級模型，完成完整任務鏈路。用戶與模型的關系，也從“提問—回答”，轉向“目標—執(zhí)行—迭代”。

這直接改變了評價方式。單輪回答已經不重要，關鍵在于復雜任務能否穩(wěn)定收斂。模型第一次被放進交付結果的語境里。隨之出現的，是“慢”的感知。系統在做規(guī)劃、調度和試錯，這些都在消耗時間，也在堆疊能力。

2、繼“水電煤”之后，Token開始具備生產力屬性

一個被反復提及的信號是：Token正在失控式增長。

夏立雪提到，公司Token用量從1月底開始，每兩周翻一倍；而在Agent場景下，單個任務的Token消耗，是傳統問答的10倍甚至100倍。

過去，在大模型對話問答時代，Token消耗量低，普通用戶免費就能用得AI。但龍蝦出現之后，這個共識被推翻了。Token用量在短時間內呈指數增長，已經成為新的共識。Agent任務的消耗量，遠高于傳統對話。

但Token不再只是成本指標。它對應的是規(guī)劃、執(zhí)行、調用工具的全過程，接近一種“機器工時”。這會重塑價格體系。成本上升不再是單純壓力，而是和任務價值綁定，成為新的定價基礎。

3、從訓練時代，快進到推理時代

簡單來說，在智譜、MiniMax等大模型公司還未上市的時間段里，“訓練”依然是主流。但龍蝦的出現，一下加速了推理時代的到來。

而具體來解釋，隨著任務復雜度上升，Context長度正在迅速拉長到1M甚至10M級別。這迫使廠商開始在推理側做結構創(chuàng)新，例如：Hybrid架構、Linear Attention、Long Context Efficient設計。

這些創(chuàng)新架構的核心目的只有一個，就是如何在更長Context下，把成本打下來、把穩(wěn)定性提上去。

這也意味著競爭維度在下沉：從模型參數規(guī)模，轉向推理效率、系統調度，甚至能源成本。

4、系統能力開始抵消模型差距

在Agent框架下，模型之間的能力差距被部分壓縮。通過Skill和工具組合，次頂級模型也能完成復雜任務。

在這個時候，用戶關注點隨之變化，更看重任務結果，而非模型本身的指標。

參與門檻也在降低。構建能力逐漸向系統工程傾斜，而不再局限于算法本身。

以下是月之暗面創(chuàng)始人楊植麟、智譜CEO張鵬、無問芯穹創(chuàng)始人夏立雪、小米MiMo負責人羅福莉，以及香港大學助理教授黃超的精選部分對話：

楊植麟：現在最火的無疑就是openclaw，大家在日常使用或者類似產品時，覺得什么最有想象力或印象深刻？我們從技術角度，先請張鵬談談對openclaw和相關Agent的看法。

張鵬：我把它稱作一個“腳手架”。它提供了在模型基礎上搭建非常牢固、方便且靈活的可能性。普通人可以極低門檻地使用頂尖模型，尤其是編程和整體能力。以前想法受限于不會編程等技能，現在通過簡單交流就能完成，這是一個非常大的突破。

夏立雪：我最開始用不太適應，習慣了聊天式交互，感覺openclaw很慢。后來發(fā)現它其實是能幫我完成大型任務的。從按Token聊天到現在能完成任務的Agent，想象力空間提升了，但對系統能力要求也變大了，這就是為什么一開始會覺得卡。

作為基礎設施廠商，我看到的是機遇和挑戰(zhàn)。我們的資源要支撐起這個快速增長的時代。比如我們公司從1月底開始，每兩周Token量翻一番。現在的Token用量就像當年100兆手機流量的時代。我們需要更好的優(yōu)化和整合，讓每一個鮮活的人都能用起來。這對整個社區(qū)是巨大的優(yōu)化空間。

羅福莉：我認為openclaw是一個非常革命性和顛覆性的事件。雖然深度Coding的人首選可能還是Code，但用過openclaw的人會感受到它在Agent框架設計上是領先于Code的，Code的最新更新其實都在向openclaw靠近。

它給我的最大價值在于“開源”：這有利于社區(qū)深入參與。它把國內次頂級閉源模型的上限拉得非常高，在絕大部分場景下任務完成度已非常接近最新模型，同時又靠Skill體系保證了下限。

此外，它點燃了大家的想象力。大家發(fā)現大模型外的Agent層有巨大空間，更多人，不僅是研究員，開始參與AGI變革，這在一定程度上替代了重復工作，釋放了時間去做更有想象力的事。

黃超：首先是從交互模式上，openclaw給了大家一種“更有活人感”的體驗。之前的Agent工具感更強，而openclaw以“軟件切入”的方式，更接近大家想象中的個人賈維斯（J.A.R.V.I.S.）。

其次，它證明了架構Agent的框架可以既簡單又高效。它讓我們重新思考：是否需要一個All in one的超級智能體，還是需要一個輕量級操作系統或腳手架式的小管家？它讓大家更有“玩起來”的心態(tài)，撬動生態(tài)里的所有工具，通過Skills或Tool的設計，賦能各行各業(yè)。

楊植麟：順著剛才大家一直在討論 OpenClaw，我也想接著問張鵬一個問題。智譜最近發(fā)布了新的GLM Turbo模型，這個模型在相關能力上也做了很大的增強。能否介紹一下新舊模型的不同？以及觀察到的提價策略反映了什么市場情況？

張鵬：發(fā)布Turbo主要是為了從“簡單的對話”轉向“干活”。openclaw讓大家看到大模型能干活，但干活背后的Token消耗非常高，需要規(guī)劃、嘗試、Debug、處理模糊需求。Turbo在這些方面做了優(yōu)化，本質上是多智能體協同架構，但在能力上有偏向性加強。

關于提價，因為干活消耗的Token量是簡單問答的10倍甚至100倍，成本大幅提高。長期低價競爭不利于行業(yè)發(fā)展，調整價格是為了回歸正常的商業(yè)價值，讓我們能持續(xù)優(yōu)化模型，提供更好的服務。

楊植麟：小米最近通過發(fā)布新模型和開源技術對社區(qū)做出了貢獻，小米做大模型有什么獨特優(yōu)勢？

羅福莉：我想先不談小米的獨特優(yōu)勢，而是談談中國大模型團隊的優(yōu)勢。

兩年前，中國團隊在算力受限，尤其是互聯帶寬受限的情況下，做出了突破：在低端算力限制下，通過模型結構創(chuàng)新（如DPCV3、M1、MA等）去追求最高效率。這給了我們勇氣和信心。

雖然現在國產芯片不再受限，但這種對高效率、低推理成本的探索依然重要。例如，現在的Hybrid、SPA、Linear attention結構等。

為什么結構創(chuàng)新重要？因為openclaw越用越聰明的前提是推理Context。現在的難題是：怎么在1M或10M的長上下文下，做到成本夠低、速度夠快？只有這樣，才能激發(fā)高生產力任務，實現模型自迭代，在復雜環(huán)境中依靠超長Context完成自我進化。

我們現在正在探索Long Context Efficient架構，以及如何在真實長距離任務上做到穩(wěn)定和高上限。

更長期看，隨著推理需求爆發(fā)，今年可能增長100倍，競爭維度將下探到算力、推理芯片甚至能源層面。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4846022.html?f=wyxwapp