Token用量两周翻一倍！龙虾引发连锁反应，大模型竞争换了新赛道

大模型行业的平静，被一只“龙虾”彻底打破。

过去一年，整个大模型赛道都在遵循着一套既定共识：拼参数规模、拼训练算力、拼单轮回答质量，仿佛谁能在这些维度上拔得头筹，谁就能坐稳行业龙头的位置。各大厂商争相砸钱投入训练环节，比拼模型迭代速度，低价竞争成为常态，所有人都在沿着同一条赛道疯狂内卷。

直到OpenClaw的出现——这只代号“龙虾”的Agent框架，像一颗投入湖面的巨石，激起千层浪，不仅重新拉动了大模型的调用曲线，更彻底推翻了过去几年行业形成的固有共识。

而这场行业变革的核心战场，再次聚焦到了中关村国际创新中心。

上一次智谱AI与月之暗面同台，还是在1月10日——智谱通过港交所聆讯后的第三天，一场名为AGI-Next的前沿峰会上，两家公司的核心负责人曾共同探讨大模型的未来走向。

两个半月后，故事推进得比所有人预想的都更快。市场消息显示，月之暗面正考虑在香港进行首次公开募股（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，依旧是中关村国际创新中心，这一次是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。

他们没有再讨论模型参数、训练算力，也没有比拼单轮回答的精准度，所有人的目光，都聚焦在最近一个月让整个行业“重新忙起来”的那只“龙虾”——OpenClaw身上。

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，都在这一波浪潮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，随后小米正式认领，这一模型正是MiMo-V2-Pro。

但“龙虾”带来的，远不止是调用量的暴涨那么简单。它让整个行业清晰地看到：当大模型开始“干活”之后，一整套新的技术与商业逻辑，正在被同时改写。这场中关村论坛上的讨论，指向的正是推理阶段正在出现的几条新分水岭，而这些分水岭，正在彻底颠覆大模型时代的固有共识。

在这场行业对话中，几位核心玩家首先达成的共识的是：OpenClaw的核心价值，在于它第一次把大模型从“问答工具”拉进了“任务执行环节”，让模型真正开始“干活”。

过去，用户与大模型的交互模式始终停留在“提问—回答”的层面。用户抛出一个问题，大模型给出一个答案，链路到此为止。哪怕是看似复杂的对话，本质上也只是单轮或多轮问答的叠加，大模型无法真正帮用户完成一个完整的任务，更无法处理需要拆解、尝试、修正、交付的复杂需求——那条从“提问”到“完成任务”的链路，始终是断裂的。

而OpenClaw带来的最大变化，正是打通了这条断裂的链路。现在，用户给出的不再是简单的问题，而是明确的目标；系统需要做的，是自动完成目标拆解、步骤规划、尝试执行、错误修正，最终交付一个完整的结果。

在智谱CEO张鹏的定义里，OpenClaw更像一个“脚手架”——普通人可以在其上调用顶级模型，完成完整的任务链路，无需具备编程等专业技能，只需通过简单交流，就能让模型帮自己完成复杂工作。用户与模型的关系，也从“提问—回答”，彻底转向“目标—执行—迭代”。

这种交互模式的转变，直接改写了大模型的评价方式。过去，单轮回答的精准度、流畅度是评价一个模型好坏的核心指标；而现在，单轮回答已经不再重要，关键在于复杂任务能否稳定收敛，模型能否真正交付符合预期的结果。

随之而来的，是一种“慢”的感知。很多用户第一次使用OpenClaw时，都会觉得它“很卡”“很慢”，但这种慢，并非技术落后的表现——无问芯穹创始人夏立雪就坦言，自己最开始使用时也很不适应，习惯了聊天式交互的快速反馈，总觉得OpenClaw反应迟缓。直到后来才发现，这种“慢”，是系统在进行规划、调度和试错，这些过程都在消耗时间，也在堆叠能力。

这正是OpenClaw推翻的第一个行业共识：大模型的价值，不再是“答得快、答得准”，而是“能干活、能交付”。从“问答工具”到“任务助手”，看似只是一步之遥，却意味着整个行业的核心逻辑，已经发生了根本性的转变。

而这种转变，直接引发了第二个关键变化——Token的属性，正在从“成本指标”转向“生产力指标”。

“Token正在失控式增长”，这是夏立雪在论坛上抛出的一个核心观点，也得到了其他几位玩家的认同。她提到，无问芯穹的Token用量从1月底开始，每两周就翻一倍；而在Agent场景下，单个任务的Token消耗，更是传统问答场景的10倍甚至100倍。

这一现象，彻底推翻了过去大模型行业的另一个固有共识：Token消耗量低，普通用户免费就能轻松使用AI。在过去的对话问答时代，用户的需求相对简单，单轮对话的Token消耗有限，各大厂商为了抢占市场，纷纷推出免费额度、低价套餐，形成了“低价竞争”的行业格局，Token也仅仅被视为一个需要控制的成本指标。

但“龙虾”出现之后，这个共识被彻底打破。Token用量在短时间内呈指数增长，已经成为新的行业共识，而Agent任务的消耗量，远高于传统对话场景，这也让“低价竞争”的模式难以为继。

更重要的是，Token的属性正在发生本质变化——它不再只是一个成本指标，而是对应着模型规划、执行、调用工具的全过程，接近一种“机器工时”。这意味着，行业的价格体系将被重新塑造：成本上升不再是单纯的压力，而是和任务价值深度绑定，成为新的定价基础。

智谱CEO张鹏在论坛上的发言，恰恰印证了这一点。他提到，智谱最近发布的GLM Turbo模型，核心目的就是为了从“简单的对话”转向“干活”，而OpenClaw让大家看到大模型能干活的同时，也暴露了一个关键问题：干活背后的Token消耗非常高，需要模型进行规划、尝试、Debug、处理模糊需求，成本大幅提升。

也正是因为如此，智谱选择调整模型价格——张鹏明确表示，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，让企业能够持续优化模型，提供更好的服务。这种提价，并非单纯的成本转嫁，而是Token生产力属性的直接体现：任务价值越高，Token消耗越多，对应的定价也就越高，形成“价值与价格匹配”的健康商业逻辑。

Token属性的转变，进一步推动了行业的第三个关键变革：大模型行业，正在从“训练时代”快速迈进“推理时代”。

在智谱、月之暗面等大模型公司还未上市的时间段里，“训练”依然是行业的主流关键词。各大厂商争相投入巨资，比拼模型参数规模、训练数据量、算力投入，仿佛谁能训练出参数更大、能力更强的模型，谁就能掌握行业话语权。

但OpenClaw的出现，一下加速了推理时代的到来。随着任务复杂度的上升，Context长度正在迅速拉长到1M甚至10M级别，这对模型的推理能力提出了前所未有的要求，也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设计等。

这些创新架构的核心目的只有一个，就是如何在更长的Context下，把推理成本打下来、把稳定性提上去。小米MiMo负责人罗福莉就表示，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？只有解决这个问题，才能激发高生产力任务，实现模型自迭代，让模型在复杂环境中依靠超长Context完成自我进化。

这也意味着，大模型的竞争维度正在下沉：从过去的模型参数规模，转向推理效率、系统调度，甚至能源成本。罗福莉坦言，随着推理需求爆发，今年整个行业的推理需求可能增长100倍，未来的竞争，将不再是单一的模型能力比拼，而是全链路的综合实力较量——谁能在推理侧实现突破，谁就能在新的赛道中占据优势。

OpenClaw带来的第四个关键变化，是系统能力开始抵消模型之间的差距，让大模型行业的竞争变得更加多元。

在过去的行业共识里，模型的能力差距是决定性的——顶级模型和次顶级模型之间，似乎存在着不可逾越的鸿沟，次顶级模型很难完成复杂任务，只能在中低端场景中生存。但在OpenClaw构建的Agent框架下，这种差距被部分压缩了。

通过Skill和工具的组合，次顶级模型也能完成复杂任务。罗福莉在论坛上就提到，OpenClaw的开源特性，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，次顶级模型的任务完成度已经非常接近最新的顶级模型，同时又靠Skill体系保证了下限。

这种变化，直接改变了用户的关注点——用户不再过分看重模型本身的指标，而是更看重任务结果。只要能高效、稳定地完成目标，无论是顶级模型还是次顶级模型，都能获得用户的认可。

与此同时，行业的参与门槛也在降低。构建AI能力的重心，逐渐向系统工程倾斜，而不再局限于算法本身。过去，想要在大模型行业立足，必须拥有强大的算法团队，能够研发出高性能的模型；而现在，通过OpenClaw这样的“脚手架”，哪怕是不擅长算法的团队，也能通过Skill和工具的组合，构建出具备复杂任务执行能力的AI系统。

香港大学助理教授黄超从学术角度补充道，OpenClaw的出现，让大家重新思考一个问题：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。

这种变化，让大模型行业从“少数玩家的游戏”，变成了“全民参与的生态”。更多人，不仅是研究员，开始参与到AGI变革中来，这在一定程度上替代了重复工作，释放了人们的时间，去做更有想象力、更有创造性的事情——这也是OpenClaw带来的，超越技术本身的行业价值。

而在这场行业变革中，中国大模型团队的优势也逐渐凸显。罗福莉在论坛上提到，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。这种对高效率、低推理成本的探索，在当下的推理时代，显得尤为重要。

虽然现在国产芯片不再受限，但这种创新基因依然在发挥作用。无论是智谱的GLM Turbo模型，还是小米探索的Long Context Efficient架构，都是中国团队在推理侧持续创新的体现。而这种创新，也让中国大模型在全球推理时代的竞争中，占据了一席之地。

“龙虾”OpenClaw的出现，就像一场行业“地震”，彻底推翻了大模型时代的固有共识，也重新洗牌了行业的竞争格局。

过去，行业比拼的是训练能力、参数规模、单轮回答质量，低价竞争盛行，Token只是成本指标，少数拥有顶级算法和算力的厂商垄断了行业话语权；而现在，行业的核心转向了推理能力、任务执行能力，Token成为生产力指标，系统能力开始抵消模型差距，参与门槛降低，生态协同成为新的竞争核心。

月之暗面在IPO前夕，与智谱、小米等厂商同台论道，背后也折射出这场行业变革的紧迫性。对于月之暗面而言，若能在推理时代抓住机遇，凭借自身的技术积累在推理侧实现突破，无疑将为其IPO增添重要筹码；而对于智谱、小米等已经在推理侧布局的厂商而言，OpenClaw带来的浪潮，既是机遇也是挑战——机遇在于，他们能借助这股浪潮，扩大市场影响力，建立新的行业优势；挑战则在于，随着竞争维度的下沉，他们需要在推理效率、系统调度、成本控制等方面持续投入，才能保持领先地位。

不可否认，OpenClaw也带来了一些新的行业难题：Token用量的失控式增长，对基础设施厂商的资源支撑能力提出了更高要求；推理侧的结构创新，需要大量的技术投入和人才储备；行业价格体系的重塑，也需要所有厂商共同达成新的共识，避免恶性竞争。

但无论如何，OpenClaw的出现，都是大模型行业发展的一个重要转折点。它让大模型从“实验室”走进了“真实场景”，从“聊天工具”变成了“生产力工具”，也让整个行业意识到：大模型的终极价值，不在于拥有多么强大的参数，而在于能否真正帮用户解决问题、创造价值。

杨植麟在论坛上的提问，或许道出了所有行业玩家的心声：OpenClaw带来的想象力，远不止于当下的调用量暴涨，更在于它为行业开辟了一条全新的发展路径。未来，随着推理技术的不断突破，随着Skill和工具生态的不断完善，大模型将真正融入各行各业，成为推动社会生产力提升的核心力量。

曾经的行业共识被推翻，不代表行业的混乱，反而意味着行业的成熟。大模型行业，终于摆脱了“参数内卷”的怪圈，进入了“价值竞争”的新阶段。而那只横空出世的“龙虾”，不仅改写了行业逻辑，更开启了大模型的“干活时代”。

未来，谁能抓住推理时代的机遇，谁能真正理解Token的生产力价值，谁能构建起完善的系统与生态，谁就能在新的行业格局中，占据一席之地。而这场由“龙虾”引发的行业变革，才刚刚开始。

【特别声明】：本文非劝退，仅客观陈述行业现状和趋势分析。不构成任何投资建议，据此操作风险自担。本文所有配图均来自 AI 生成及正规素材库，若涉及网络素材，权利归原作者所有，或已确认版权归属，如有侵权请联系我们删除。

标签：#OpenClaw龙虾##大模型行业变革##智谱AI概念##月之暗面##你看好小米MiMo大模型吗##推理时代##Token生产力##Token#