“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?！?/p>

回答月之暗面CEO楊植麟“為什么漲價”的問題時，智譜CEO張鵬這樣說道。

上文這組問答，發(fā)生在今天舉行的2026中關村論壇年會開源主題圓桌上。和三個月前清華主導的AGI-Next開源論壇不同，今天的開源主題圓桌上多了一些新面孔。

年初的AGI-Next上，演講嘉賓除了智譜創(chuàng)始人唐杰和楊植麟外，還有彼時的Qwen技術負責人林俊旸。

幾個月時間過去，林俊旸以一種戲劇性的方式從阿里迅速離職。而在這場圓桌上，除了楊植麟和張鵬，基模界的另一位代表是小米MiMo大模型負責人羅福莉，以及無問芯穹聯(lián)合創(chuàng)始人兼CEO夏立雪、香港大學助理教授、博士生導師、Nanobot團隊負責人黃超。

和羅福莉現(xiàn)身同步的是MiMo-V2-Pro近期在模型市場的火熱表現(xiàn)。OpenRouter最新周榜數(shù)據(jù)顯示，小米MiMo-V2-Pro模型拿下周榜第一，成為OpenRouter史上首個周Token消耗量超3萬億的模型。

小米也憑借MiMo-V2-Pro的出色表現(xiàn)，與智譜、MiniMax、階躍星辰、DeepSeek等一眾國產大模型廠商包攬周榜前六名。

和AGI-Next不同，今天的圓桌會談并不僅僅聚焦模型。除了月之暗面、智譜、小米三大基模廠商代表之外，無問芯穹是清華系孵化的AI Infra企業(yè)， Nanobot是港科大在今年初發(fā)布的開源Agent框架。

換句話說，這場論壇從Agent生態(tài)出發(fā)，實際上涵蓋了整個AI行業(yè)的產業(yè)鏈。

值得關注的是，幾個月前AGI-Next舉行時，智譜剛剛上市3天，創(chuàng)始人唐杰主導了那一場論壇。而在今天的開源主題圓桌上，主導對話的楊植麟和月之暗面，剛剛在昨日傳出了考慮赴港IPO的消息。

特殊的時間節(jié)點，加上中關村論壇的“舞臺”，這一場圓桌論壇被迅速推到行業(yè)的聚光燈下。

01

談OpenClaw時代機遇｜夏立雪：每兩周Token翻一倍

楊植麟：現(xiàn)在最流行的就是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。普通人可以以極低門檻使用頂尖模型，尤其是在編程和整體能力方面。以前想法受限于不會編程等技能，現(xiàn)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(xiàn)它其實是能幫我完成大型任務的。從按Token聊天到現(xiàn)在能完成任務的Agent，想象力空間提升了，但對系統(tǒng)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?，F(xiàn)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?yún)⑴c。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(xiàn)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：首先是在交互模式上，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(tǒng)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)。

02

楊植麟問張鵬：為什么漲價？

楊植麟：張鵬，智譜最近發(fā)布了新的GLM Turbo模型，對Agent做了增強，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(xié)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：隨著開源模型和推理算力形成生態(tài)，Token量爆發(fā)，逐漸從訓練時代變成推理時代。請教夏立雪，這對無問來說意味著什么？

夏立雪：我們一直在思考AGI時代的基礎設施是什么樣子，以及如何一步步實現(xiàn)它。

當前腳下的問題在于AI帶來的暴增需求，對系統(tǒng)效率提出了更高的優(yōu)化要求。我們通過軟硬件打通來解決，接入了幾乎所有種類的計算芯片，連接國內幾十種芯片和算力集群，讓資源用在刀刃上，提升轉換效率。我們打造了一個標準化的Token工廠。

但這還不夠，Agent更像人，能以秒/毫秒級思考和發(fā)起任務。而現(xiàn)有的云計算基礎設施是為“人”設計的（分鐘級操作），限制了Agent。我們需要打造更智慧化的工程，讓基礎設施能適應AI的高頻需求。

基礎設施本身也應該是一個智能體，能夠自我進化、自我迭代，形成自主組織。Agent之間能更好地通信和協(xié)作?；A設施和AI的發(fā)展不應隔離，而應產生化學反應，實現(xiàn)真正的軟硬協(xié)同和算法與基礎設施的協(xié)同。

03

談國產模型｜羅福莉：推理需求爆發(fā)，今年可能增長100倍

楊植麟：羅福莉，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(lián)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(xiàn)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(xiàn)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?，F(xiàn)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(xiàn)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(xiàn)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。

04

談Agent迭代｜黃超：Memory應該走向分層設計

楊植麟：黃超，你開發(fā)了Nanobot等有影響力的Agent項目，從研發(fā)或應用層面，接下來哪些技術方向值得關注？

黃超：關于Planning：現(xiàn)在的問題在于，面對長程任務和非常復雜的上下文（比如500步甚至更長），很多模型不一定能做好規(guī)劃。這本質上是因為模型可能不具備這樣的隱性知識，特別是在復雜垂直領域。我覺得未來的Planning需要把很多已有的復雜任務知識固化到模型里。

當然，Skill和Harness本質上也是為了緩解Planning帶來的錯誤，因為提供了高質量的Skill，可以幫助模型去完成比較難的任務。這是針對Planning的解決方案。

然后是Memory：現(xiàn)在Memory永遠存在信息壓縮不準確、記不準的問題。在長線任務和復雜場景下，Memory會暴增，帶來很大的壓力?，F(xiàn)在各類LLM和Agent都采用最簡單的文件系統(tǒng)、Markdown格式的Memory，通過共享文件來做。我覺得未來的Memory應該走向分層設計，讓Memory更通用。

因為現(xiàn)在的整個Memory機制很難通用，比如Coding場景、深度學習、多媒體領域，模態(tài)差別很大。如何對這些Memory做很好的檢索索引、做到更高效，永遠是一個權衡。

另外一點是，OpenCode讓大家創(chuàng)建Agent的門檻大幅降低之后，未來可能不止一個Agent。我看到Kimi也有Agent Swarm（智能體群）機制，相當于未來每個人會擁有一群Agent。一群Agent相比于單個Agent，上下文會暴增，現(xiàn)在還沒有一套很好的機制去管理，尤其對復雜Coding、科研發(fā)現(xiàn)來說，不管對模型還是對Agent架構，壓力都很大。

對于Tool Use這塊：現(xiàn)在Skill還是存在MCP當年的問題，就是質量不保障、有安全問題?，F(xiàn)在Skill確實很多，但高質量Skill比較少，低質量Skill會很影響任務完成度。另外，Skill也很難避免惡意問題。

所以Tool Use這塊可能需要靠社區(qū)，把Skill發(fā)展得更好，升級到在執(zhí)行過程中進化出新Skill的能力。

這就是我覺得當下Agent存在的一些痛點和未來潛在的方向。

05

“在模型行業(yè)，12個月已經(jīng)很遙遠。”

楊植麟：最后我們來做一個開放式展望。想請各位用一個詞來描述接下來十二個月大模型發(fā)展的趨勢，以及你的期望。這次我們先從黃超開始。

黃超：我覺得，在AI領域談十二個月，其實已經(jīng)是一個很遙遠的時間了，很難判斷十二個月之后會發(fā)展成什么樣。原來這里面寫的是五年，但我覺得把時間縮短到一年，反而更真實。

如果讓我用一個詞來概括，我會選“生態(tài)”。

現(xiàn)在“龍蝦”讓大家變得非?；钴S，但我認為，未來Agent真正重要的方向，是從一個“個人助手”進一步轉變成一個真正的“打工人”角色。也就是說，它不能只是因為新鮮、好玩而被大家使用，而是要真正沉淀下來，成為大家日常工作的工具，甚至成為一個真正的coworker。

所以我覺得，這件事一定需要整個生態(tài)共同努力。尤其是開源非常重要——當相關技術探索，包括模型層面的很多技術，都開源出來之后，整個生態(tài)才有機會一起共建。不管是模型迭代、Skills平臺迭代，還是各種工具的發(fā)展，我覺得都需要更好地圍繞Agent來構建，創(chuàng)造一個更適合它生長的生態(tài)。

從我個人的感受來看，一個比較明顯的趨勢是：未來很多軟件，可能未必還是主要給人用的。過去的軟件默認是面向人的，而人需要GUI；但未來很多軟件，可能會越來越面向Agent原生使用，也就是Agent Native。這樣的話，可能會出現(xiàn)一種很有意思的狀態(tài)：人最終只使用那些能讓自己感到快樂的GUI。

所以我們也看到，整個生態(tài)正在從GUI、MCP，逐漸轉向CLI這樣的模式。我覺得這背后說明，整個軟件系統(tǒng)、數(shù)據(jù)體系，以及各種技術能力，都需要逐步變成Agent Native的模式。只有這樣，Agent的發(fā)展才會真正豐富起來。

羅福莉：我覺得，把這個問題縮小到一年，其實非常有意義。因為如果放到五年，從我自己對AGI的定義來看，我甚至會覺得它已經(jīng)實現(xiàn)了。

如果要用一個詞來描述接下來一年里，AGI進程中最關鍵的一件事，我認為會是“自進化”。

雖然這個詞聽起來有點玄，過去一年大家也提過很多次，但我最近才真正對它有了更深的體會。更重要的是，我開始看到“自進化”這件事，已經(jīng)出現(xiàn)了一個更務實、可落地、可實操的路徑。

原因在于，借助于足夠強大的模型，我們之前在chat這個范式下，其實并沒有真正發(fā)揮出預訓練模型的上限。而這個上限，現(xiàn)在正在被Agent框架激活。尤其是當模型開始執(zhí)行更長時間任務的時候，我們會發(fā)現(xiàn)，它是可以自己學習、自己進化的。

一個很簡單的嘗試就是：在現(xiàn)有的Agent框架里，給它疊加一個可驗證的約束條件，再給它設置一個loop，讓模型不停下來，持續(xù)地圍繞目標迭代優(yōu)化。這樣我們就會發(fā)現(xiàn)，它能夠不斷拿出更好的方案。

如果這種自進化持續(xù)下去，現(xiàn)在其實已經(jīng)可以跑一兩天了，國內很多模型基本都能做到，當然這也和任務難度有關。比如在一些科學研究任務里，像探索更好的模型結構，因為模型結構本身有明確的評估標準，比如更低的perplexity，這類任務就比較適合驗證。我們已經(jīng)發(fā)現(xiàn)，在這種確定性較高的任務上，模型能夠自主運行和演化兩三天。

所以從我的角度看，自進化是目前唯一一個真正有機會創(chuàng)造“新東西”的方向。它不是簡單替代現(xiàn)有人的生產力，而是像頂尖科學家一樣，去探索這個世界上原本還不存在的東西。

其實一年前，我還覺得這個進程可能需要三到五年；但就在最近，我開始覺得這個時間尺度應該縮短到一到兩年。也就是說，我們很可能在近期就能看到：大模型疊加一個很強的自進化Agent框架后，對科學研究帶來至少指數(shù)級的加速。

因為我最近已經(jīng)觀察到，我們組內做大模型研究的同學，他們的workflow本身就高度不確定、依賴創(chuàng)造力。而借助Claude Code，再加上頂尖模型，基本已經(jīng)能夠把我們自己的研究效率提升接近十倍。

所以我非常期待，這樣的范式能夠輻射到更廣泛的學科和領域。我覺得這是接下來非常重要的一件事。

夏立雪：我的關鍵詞是“可持續(xù)Token”。因為我看到，現(xiàn)在整個AI的發(fā)展仍然處在一個長期持續(xù)推進的過程中。我們也希望，它能夠真正具備長期的生命力。

從基礎設施的角度來看，一個非?，F(xiàn)實的問題是：資源終究是有限的。就像我們當年講“可持續(xù)發(fā)展”一樣，現(xiàn)在站在“Token工廠”的視角，我們能不能持續(xù)、穩(wěn)定、大規(guī)模地提供Token，讓頂尖模型真正長期地服務更多下游場景，我覺得這是一個非常關鍵的問題。

所以現(xiàn)在我們也需要把視角放寬到整個生態(tài)。從最早的能源，到轉化為算力，再到轉化為Token，最終轉化成實際的經(jīng)濟價值和GDP，這里面應該形成一個可持續(xù)的、經(jīng)濟化的迭代鏈路。我們不僅要把國內的各種算力資源用起來，也在努力把這些能力輸出到海外，讓全球資源能夠被打通和整合。

所以我認為，“可持續(xù)”還有一層含義，就是希望把具有中國特色的Token經(jīng)濟學真正建立起來。

過去我們講的是Made in China。我們看到，中國能夠把低成本、高效率的制造能力轉化成優(yōu)質商品，再輸出到全球。那今天我們想做的，某種程度上可以理解為AI Made in China：把中國在能源等方面的優(yōu)勢，通過Token工廠，可持續(xù)地轉化成優(yōu)質Token，并輸出到全球。

如果能夠做到這一點，中國就有機會成為世界的“Token工廠”。這也是我今年非常期待看到的——中國為全球人工智能發(fā)展所帶來的獨特價值。

張鵬：大家可能都在仰望星空，那我就稍微落地一點。如果讓我講未來十二個月里最關鍵、也最大的問題，我覺得關鍵詞就是“算力”。

因為剛才大家提到的這些技術進展，包括智能體框架，確實讓很多人的創(chuàng)造力得到釋放，效率也可能提升十倍。但前提是，大家得用得起、也用得上。如果因為算力不夠，一個問題提出來以后，要等很久都得不到答案，那肯定是不行的。

也正因為這個原因，我們現(xiàn)在很多研究進展，包括很多原本想做的事情，其實都在一定程度上受到了限制。

我記得前兩年，亞勤院士（ 編者注：張亞勤，中國工程院外籍院士、清華大學智能產業(yè)研究院院長）好像也在中關村論壇說過一句話，大意是：“沒卡沒感情，談卡傷感情?！蔽矣X得今天其實又有點回到了這個狀態(tài)，只不過這次情況又不太一樣。就像剛才提到的，我們現(xiàn)在已經(jīng)進入了推理階段，而之所以會轉向推理階段，是因為需求真的在爆發(fā)，而且是十倍、百倍地爆發(fā)。

剛才也提到，效率可能提升了十倍，但需求可能是一百倍，甚至還有大量需求根本沒有被滿足。那怎么辦？這就需要我們大家一起來想辦法了。