一场由名为OpenClaw的Agent框架引发的行业震动，正在重塑大模型领域的竞争格局。这只被业界称为“龙虾”的技术突破，不仅打破了持续多年的行业共识，更推动大模型从“问答工具”向“任务执行者”转型。在近日中关村国际创新中心举办的一场行业论坛上，月之暗面、智谱AI、小米等头部企业的核心负责人齐聚一堂，共同探讨这场变革背后的技术逻辑与商业逻辑。
过去一年，大模型行业陷入“参数竞赛”的怪圈：厂商们通过堆砌算力、扩大参数规模、优化单轮回答质量来争夺市场，低价竞争成为常态。然而，OpenClaw的出现彻底颠覆了这一逻辑。该框架首次将大模型的应用场景从“提问-回答”扩展到“目标拆解-任务执行-结果交付”的完整链路，使模型能够处理复杂需求、自动纠错并迭代优化。智谱AI CEO张鹏将其比喻为“脚手架”——普通用户无需编程技能，仅通过自然语言交互即可调用顶级模型完成专业任务。
这种交互模式的转变直接改写了行业评价标准。无问芯穹创始人夏立雪指出，过去衡量模型优劣的核心指标是单轮回答的精准度，而现在，复杂任务的稳定收敛能力成为关键。例如，在医疗诊断场景中，模型需要自动分析患者病史、调用医学知识库、生成诊断建议并持续修正，而非简单回答某个症状对应哪种疾病。这种转变也解释了用户对OpenClaw“响应迟缓”的反馈——系统正在后台进行规划、调度和试错，而非传统问答的即时反馈。
伴随任务复杂度提升，Token的属性从“成本指标”跃升为“生产力指标”。夏立雪透露，无问芯穹的Token用量自1月底以来每两周翻一倍，Agent场景下的单任务消耗量更是传统问答的10至100倍。这一现象迫使厂商重新审视定价策略：智谱近期调整了GLM Turbo模型的价格，张鹏明确表示，低价竞争不利于行业健康发展，价格应与任务价值深度绑定。小米MiMo负责人罗福莉也强调，随着推理需求爆发，今年行业推理需求可能增长百倍，未来竞争将聚焦于推理效率、系统调度和能源成本等全链路能力。
系统能力的提升正在缩小模型间的差距。罗福莉提到，通过Skill和工具的组合，次顶级模型也能在复杂任务中达到接近顶级模型的表现。例如，在法律文书审核场景中，结合知识图谱和逻辑推理工具的次顶级模型，其任务完成度已与最新顶级模型相差无几。这种变化降低了行业参与门槛——构建AI系统的重心从算法创新转向系统工程，即使不具备顶尖算法团队的厂商，也能通过工具链整合实现差异化竞争。
中国团队的推理侧创新优势在此轮变革中尤为突出。罗福莉回顾，两年前在算力受限的情况下，国内团队通过模型结构创新（如DPCV3、M1架构）追求极致效率，这种基因在当下推理时代持续发挥作用。例如，小米探索的Long Context Efficient架构，旨在解决长上下文场景下的成本与速度平衡问题；智谱的GLM Turbo模型则通过动态推理优化，将复杂任务的执行效率提升30%以上。
行业变革的紧迫性也反映在资本动态中。市场消息显示，月之暗面正推进香港IPO计划，已与中金公司、高盛展开磋商。分析人士指出，若能在推理时代实现技术突破，将为其上市估值增添重要筹码。与此同时，智谱、小米等厂商已提前布局推理侧创新，试图在新赛道中建立优势。例如，智谱通过调整模型价格体系，引导市场从“参数竞争”转向“价值竞争”；小米则联合高校研发新型注意力机制，降低长文本推理成本。
然而，变革也带来新挑战：Token用量的指数级增长对基础设施提出更高要求，推理侧架构创新需要大量技术投入，行业价格体系重塑需避免恶性竞争。香港大学助理教授黄超从学术视角补充，OpenClaw的开源特性促进了社区协作，但如何平衡“超级智能体”与“轻量级工具”的发展路径，仍是未解之题。他强调，行业应避免重复造轮子，而是通过Skill生态的开放共享，释放更大创造力。
在这场由“龙虾”引发的变革中，大模型行业正从“实验室阶段”加速迈向“生产力阶段”。当技术竞争从参数规模转向任务价值，当系统能力成为核心壁垒，一个更注重生态协同与商业闭环的新时代已然来临。
