“龙虾”出现后，大模型时代的共识被推翻了

来源：市场资讯

（来源：虎嗅APP）

出品｜虎嗅科技组

作者｜宋思杭

编辑｜苗正卿

头图｜中关村论坛现场

上一次智谱AI与月之暗面同台，还是在1月10日。那天是智谱通过港交所聆讯后的第三天，一个周六，在中关村国际创新中心举行了一场名为AGI-Next的前言峰会。

两个半月后，故事推进得更快了。

市场消息显示，月之暗面正考虑在香港进行首次公司募股（IPO），目前已与中金公司及高盛展开磋商，相关事件仍处于初期阶段，具体时间尚未确定。对此，虎嗅向月之暗面方面求证，对方不予置评。

几乎在同一时间，两家公司再次同台，还是中关村国际创新中心，在中关村论坛的现场。

台上坐着的，是这一轮大模型浪潮中最核心的一批玩家：月之暗面创始人杨植麟、智谱CEO张鹏、无问芯穹创始人夏立雪、小米MiMo负责人罗福莉，以及香港大学助理教授黄超。

他们讨论的，是最近一个月，让整个行业“重新忙起来”的那只龙虾OpenClaw。

过去一个月，这只“龙虾”几乎把大模型的调用曲线重新拉了一遍。包括智谱、Kimi，以及小米MiMo在内的多家模型厂商，都在这一波中吃到了最直接的红利。

3月下旬，在全球最大的模型API聚合平台OpenRouter上，一款代号为 Hunter Alpha 的模型调用量迅速冲上榜首。随后小米认领，这一模型正是MiMo-V2-Pro。

更重要的是，龙虾带来的，并不只是调用量的暴涨。它让行业清晰地看到：大模型开始“干活”之后，一整套新的技术与商业逻辑，正在被同时改写。

这场讨论，指向的是推理阶段正在出现的几条新分水岭。

1、模型开始承担“完整任务链路”

首先，在这场对话中，点出了这只龙虾的价值，首先是几位模型玩家对它的定义，以及它能带来什么。

过去，用户是给大模型提问题，大模型还无法帮用户做任务，或者说过去的那条链路是断的。

而现在，OpenClaw带来的最大变化，是把模型拉进了任务执行环节。用户给出的不再是问题，而是目标；系统需要完成拆解、尝试、修正和交付。

在张鹏的定义里，它更像一个“脚手架”——普通人可以在其上调用顶级模型，完成完整任务链路。用户与模型的关系，也从“提问—回答”，转向“目标—执行—迭代”。

这直接改变了评价方式。单轮回答已经不重要，关键在于复杂任务能否稳定收敛。模型第一次被放进交付结果的语境里。随之出现的，是“慢”的感知。系统在做规划、调度和试错，这些都在消耗时间，也在堆叠能力。

2、继“水电煤”之后，Token开始具备生产力属性

一个被反复提及的信号是：Token正在失控式增长。

夏立雪提到，公司Token用量从1月底开始，每两周翻一倍；而在Agent场景下，单个任务的Token消耗，是传统问答的10倍甚至100倍。

过去，在大模型对话问答时代，Token消耗量低，普通用户免费就能用得AI。但龙虾出现之后，这个共识被推翻了。Token用量在短时间内呈指数增长，已经成为新的共识。Agent任务的消耗量，远高于传统对话。

但Token不再只是成本指标。它对应的是规划、执行、调用工具的全过程，接近一种“机器工时”。这会重塑价格体系。成本上升不再是单纯压力，而是和任务价值绑定，成为新的定价基础。

3、从训练时代，快进到推理时代

简单来说，在智谱、MiniMax等大模型公司还未上市的时间段里，“训练”依然是主流。但龙虾的出现，一下加速了推理时代的到来。

而具体来解释，随着任务复杂度上升，Context长度正在迅速拉长到1M甚至10M级别。这迫使厂商开始在推理侧做结构创新，例如：Hybrid架构、Linear Attention、Long Context Efficient设计。

这些创新架构的核心目的只有一个，就是如何在更长Context下，把成本打下来、把稳定性提上去。

这也意味着竞争维度在下沉：从模型参数规模，转向推理效率、系统调度，甚至能源成本。

4、系统能力开始抵消模型差距

在Agent框架下，模型之间的能力差距被部分压缩。通过Skill和工具组合，次顶级模型也能完成复杂任务。

在这个时候，用户关注点随之变化，更看重任务结果，而非模型本身的指标。

参与门槛也在降低。构建能力逐渐向系统工程倾斜，而不再局限于算法本身。

以下是月之暗面创始人杨植麟、智谱CEO张鹏、无问芯穹创始人夏立雪、小米MiMo负责人罗福莉，以及香港大学助理教授黄超的精选部分对话：

杨植麟：现在最火的无疑就是openclaw，大家在日常使用或者类似产品时，觉得什么最有想象力或印象深刻？我们从技术角度，先请张鹏谈谈对openclaw和相关Agent的看法。

张鹏：我把它称作一个“脚手架”。它提供了在模型基础上搭建非常牢固、方便且灵活的可能性。普通人可以极低门槛地使用顶尖模型，尤其是编程和整体能力。以前想法受限于不会编程等技能，现在通过简单交流就能完成，这是一个非常大的突破。

夏立雪：我最开始用不太适应，习惯了聊天式交互，感觉openclaw很慢。后来发现它其实是能帮我完成大型任务的。从按Token聊天到现在能完成任务的Agent，想象力空间提升了，但对系统能力要求也变大了，这就是为什么一开始会觉得卡。

作为基础设施厂商，我看到的是机遇和挑战。我们的资源要支撑起这个快速增长的时代。比如我们公司从1月底开始，每两周Token量翻一番。现在的Token用量就像当年100兆手机流量的时代。我们需要更好的优化和整合，让每一个鲜活的人都能用起来。这对整个社区是巨大的优化空间。

罗福莉：我认为openclaw是一个非常革命性和颠覆性的事件。虽然深度Coding的人首选可能还是Code，但用过openclaw的人会感受到它在Agent框架设计上是领先于Code的，Code的最新更新其实都在向openclaw靠近。

它给我的最大价值在于“开源”：这有利于社区深入参与。它把国内次顶级闭源模型的上限拉得非常高，在绝大部分场景下任务完成度已非常接近最新模型，同时又靠Skill体系保证了下限。

此外，它点燃了大家的想象力。大家发现大模型外的Agent层有巨大空间，更多人，不仅是研究员，开始参与AGI变革，这在一定程度上替代了重复工作，释放了时间去做更有想象力的事。

黄超：首先是从交互模式上，openclaw给了大家一种“更有活人感”的体验。之前的Agent工具感更强，而openclaw以“软件切入”的方式，更接近大家想象中的个人贾维斯（J.A.R.V.I.S.）。

其次，它证明了架构Agent的框架可以既简单又高效。它让我们重新思考：是否需要一个All in one的超级智能体，还是需要一个轻量级操作系统或脚手架式的小管家？它让大家更有“玩起来”的心态，撬动生态里的所有工具，通过Skills或Tool的设计，赋能各行各业。

杨植麟：顺着刚才大家一直在讨论 OpenClaw，我也想接着问张鹏一个问题。智谱最近发布了新的GLM Turbo模型，这个模型在相关能力上也做了很大的增强。能否介绍一下新旧模型的不同？以及观察到的提价策略反映了什么市场情况？

张鹏：发布Turbo主要是为了从“简单的对话”转向“干活”。openclaw让大家看到大模型能干活，但干活背后的Token消耗非常高，需要规划、尝试、Debug、处理模糊需求。Turbo在这些方面做了优化，本质上是多智能体协同架构，但在能力上有偏向性加强。

关于提价，因为干活消耗的Token量是简单问答的10倍甚至100倍，成本大幅提高。长期低价竞争不利于行业发展，调整价格是为了回归正常的商业价值，让我们能持续优化模型，提供更好的服务。

杨植麟：小米最近通过发布新模型和开源技术对社区做出了贡献，小米做大模型有什么独特优势？

罗福莉：我想先不谈小米的独特优势，而是谈谈中国大模型团队的优势。

两年前，中国团队在算力受限，尤其是互联带宽受限的情况下，做出了突破：在低端算力限制下，通过模型结构创新（如DPCV3、M1、MA等）去追求最高效率。这给了我们勇气和信心。

虽然现在国产芯片不再受限，但这种对高效率、低推理成本的探索依然重要。例如，现在的Hybrid、SPA、Linear attention结构等。

为什么结构创新重要？因为openclaw越用越聪明的前提是推理Context。现在的难题是：怎么在1M或10M的长上下文下，做到成本够低、速度够快？只有这样，才能激发高生产力任务，实现模型自迭代，在复杂环境中依靠超长Context完成自我进化。

我们现在正在探索Long Context Efficient架构，以及如何在真实长距离任务上做到稳定和高上限。

更长期看，随着推理需求爆发，今年可能增长100倍，竞争维度将下探到算力、推理芯片甚至能源层面。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4846022.html?f=wyxwapp