在中关村国际创新中心，一场聚焦大模型行业变革的讨论吸引了众多目光。此次论坛汇聚了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等业内核心人物，他们围绕近期行业热点“OpenClaw”展开了深入探讨。
过去一个月，OpenClaw成为行业焦点，它几乎重塑了大模型的调用格局。智谱、Kimi以及小米MiMo等多家模型厂商都从中受益。3月下旬，在全球最大的模型API聚合平台OpenRouter上，一款名为Hunter Alpha的模型调用量迅速登顶，随后小米确认该模型正是MiMo - V2 - Pro。OpenClaw带来的影响远不止调用量的增长，它让行业清晰地看到大模型进入实际应用阶段后，技术与商业逻辑正发生深刻改变。
在讨论中，模型承担“完整任务链路”成为重要话题。过去，用户向大模型提问，大模型仅作答，任务链路断裂。如今，OpenClaw将模型引入任务执行环节，用户给出目标，系统负责拆解、尝试、修正和交付。张鹏将其比作“脚手架”，普通人可借此调用顶级模型完成完整任务，用户与模型的关系从“提问—回答”转变为“目标—执行—迭代”。这一转变改变了评价方式，单轮回答不再重要，复杂任务能否稳定收敛成为关键，模型被置于交付结果的语境中，系统规划、调度和试错消耗时间，也堆叠了能力。
Token的变化也备受关注。夏立雪提到，公司Token用量从1月底开始每两周翻一倍，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，大模型对话问答时代，Token消耗量低，普通用户免费就能使用AI。但OpenClaw出现后，Token用量呈指数增长成为新共识，其消耗量远高于传统对话。不过，Token不再只是成本指标，它对应规划、执行、调用工具的全过程，接近“机器工时”，将重塑价格体系，成本上升与任务价值绑定，成为新的定价基础。
大模型行业正从训练时代快速迈向推理时代。在智谱、MiniMax等大模型公司未上市阶段，“训练”曾是主流，但OpenClaw加速了推理时代的到来。随着任务复杂度上升，Context长度迅速拉长到1M甚至10M级别，这促使厂商在推理侧进行结构创新，如Hybrid架构、Linear Attention、Long Context Efficient设计等，目的是在更长Context下降低成本、提高稳定性。这也意味着竞争维度下沉，从模型参数规模转向推理效率、系统调度甚至能源成本。
在Agent框架下，系统能力开始抵消模型差距。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。此时，用户更关注任务结果，而非模型本身指标，参与门槛降低，构建能力向系统工程倾斜，不再局限于算法。
对于OpenClaw，各位嘉宾发表了不同看法。杨植麟提出，大家在日常使用或类似产品时，觉得什么最有想象力或印象深刻，并请张鹏从技术角度谈谈对OpenClaw和相关Agent的看法。张鹏认为它是一个“脚手架”，为在模型基础上搭建提供了牢固、方便且灵活的可能性，普通人能极低门槛使用顶尖模型，尤其是编程和整体能力，这是重大突破。夏立雪起初不适应OpenClaw，觉得它慢，后来发现能完成大型任务，从按Token聊天到能完成任务的Agent，想象力空间提升，但对系统能力要求增大，作为基础设施厂商，看到机遇和挑战，资源需支撑快速增长时代。罗福莉认为OpenClaw具有革命性和颠覆性，在Agent框架设计上领先于Code，其“开源”有利于社区参与，拉高了国内次顶级闭源模型上限，保证了任务完成度下限，还点燃了大家想象力，让更多人参与AGI变革。黄超表示，OpenClaw在交互模式上给人“更有活人感”的体验，更接近个人贾维斯，还证明了架构Agent的框架可简单高效，让大家思考是否需要All in one的超级智能体，撬动生态工具赋能各行各业。
讨论中，杨植麟还询问张鹏智谱新发布的GLM Turbo模型情况。张鹏称发布Turbo是为了让大模型从“简单对话”转向“干活”，OpenClaw让大家看到大模型能干活，但背后Token消耗高，需要规划、尝试等，Turbo在这些方面优化，本质是多智能体协同架构，能力上有偏向性加强。关于提价，他解释因干活消耗的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，调整价格是为回归正常商业价值，持续优化模型提供更好服务。
当被问到小米做大模型的优势时，罗福莉先谈了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，通过模型结构创新（如DPCV3、M1、MA等）追求最高效率，这给了团队勇气和信心。如今国产芯片不再受限，但对高效率、低推理成本的探索依然重要，如现在的Hybrid、SPA、Linear attention结构等。结构创新重要是因为OpenClaw越用越聪明的前提是推理Context，难题是在1M或10M的长上下文下做到成本低、速度快，以激发高生产力任务，实现模型自迭代。小米正在探索Long Context Efficient架构，以及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。
