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。 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。 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。 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。 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。 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、测验考试、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。 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。 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。 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的超等智能体，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、测验考试、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。持久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。 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。 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。
