OpenClaw 三周超越linux登顶github,Claude携手微软增势超越OpenAI,杨立坤携手谢赛宁拿下10亿美元seed round打造AMI Labs押注世界模型
- 2026-03-26 21:21:22
或许我们热爱 AI，
正是因为它总在变化，总在翻涌，总有新的东西把旧的判断推翻。
它永远动荡，永远新鲜，永远不会一成不变。
而这种鲜活本身，就足够让人兴奋。
hey 吾友😊，欢迎来到由JoinAI｜卓印智能算法团队出品的：「太阳底下AI有新鲜事儿」周刊。
我们将以「AI构建者」独有的技术视角和克制，为你精心筛选出每周Top 3：论文、项目与动态，这里不关心热点流量的幻觉，只追踪真正值得关注的技术与趋势，这里不会只宣扬AI的好，同样也会揭露AI的问题。
全文字数：13033｜阅读时长：5-7分钟｜推荐阅读方式：收听
[本周导读]
🔬 前沿论文
Moonshot AI｜Attention Residuals：把残差连接从“固定加法”改写成“跨层注意力读取”
这篇最值得注意的地方，不是又给 Transformer 加了什么局部技巧，而是它回头重审了一个大家几乎默认不动的基础结构：残差连接。过去模型在 token 维度上已经高度动态化了，但在深度维度上，层间信息传递仍然是近乎固定的累加。Attention Residuals 的关键突破，就是把这种固定残差升级成可学习的跨层 attention，让当前层能够按输入动态读取历史层表示。 更重要的是，它不是只停留在“概念很美”的阶段，而是进一步做出了可扩展的 Block AttnRes，真正接进了 48B 级 Kimi Linear，并完成了超大规模预训练。这篇论文真正释放出的信号是：Transformer 下一轮值得被重写的基础模块，可能不是 token attention，而是 residual 本身。
清华 & Galbot｜LATENT：用不完美人类动作数据，教会人形机器人打网球
人形机器人最难的往往不是静态动作，而是高速、连续、全身协调的动态技能。LATENT 的价值，就在于它没有执着于“必须先拿到完美 mocap 数据”，而是证明了：哪怕只有碎片化、并不完整的人类网球动作先验，也依然能学出很强的真实技能。 它的思路很有代表性：先把不完美动作蒸馏成可用的 latent skill prior，再让高层策略去做纠偏和组合。这种路线非常现实，因为真实世界的大多数高动态任务，本来就拿不到完整、干净、可直接模仿的数据。LATENT 不是单纯展示“机器人会打球”这么简单，而是在回答一个更重要的问题：当高质量示范数据天然稀缺时，具身智能到底该怎么学。
OpenClaw-RL｜把 agent 的真实使用过程，重新定义成训练数据流
OpenClaw-RL 最重要的，不是“又一个 agent 强化学习框架”，而是它抓住了一个很多系统一直在浪费的东西：next-state feedback。用户纠错、工具报错、GUI 变化、测试失败，这些过去通常只是被塞回上下文里继续对话，但并没有真正进入训练闭环。 这篇工作的价值，在于把这些异构反馈统一建模成在线学习信号：既有“你做得好不好”的评估性奖励，也有“你应该怎么改”的方向性监督。换句话说，它在推动 agent 从“部署后静态使用”走向“部署中持续进化”。这可能不是终点方案，但它很像是把 agent 真正做成活系统所必须补上的一块拼图。
MetaClaw｜让 agent 在真实对话里边服务、边积累经验、边慢速进化
MetaClaw 的吸引力，在于它把“训练”和“使用”这两件事尽量接到了一起。前端用 OpenAI-compatible proxy 接住对话和工具调用，后端把会话自动总结成经验，再逐步转成 skills、reward 和权重更新。用户表面上只是正常在用 agent，系统底层却在持续长技能、长记忆、长能力。 这个方向真正有想象力的地方，是它不再把 agent 看成一次性部署的软件，而更像一个会随着使用逐步变强的系统。它现在当然还受限于 reward 质量、总结质量和训练稳定性，但产品方向已经很清楚了：个人 agent 的竞争，未来很可能不只是“第一次有多聪明”，而是“越用会不会越懂你”。
CLI-Anything｜把传统软件批量改造成 agent 可调用接口的通用施工框架
很多 agent 落不了地，并不是因为模型不够强，而是因为大量旧软件根本没有 agent-native 接口。CLI-Anything 的价值，就在于它试图把“给软件做 agent 化改造”这件事做成一条流水线，而不是一堆手工插件。 它真正值得关注的点，不是能不能给某一个软件生成 CLI，而是它在尝试建立一种更通用的中间层：把历史软件世界重新包装成 LLM 可理解、可调用、可组合的接口层。这个方向一旦成熟，影响的就不只是 OpenClaw 生态，而会是更广义的软件 agent 化基础设施。
Fish S2 Pro｜开源语音模型开始从“能说话”走向“可控、低延迟、可部署”
S2 Pro 值得看的，不是“又一个 TTS 模型”，而是它把细粒度控制、流式推理和多语言覆盖一起做进了一个相对完整的开源底座里。尤其是文本中直接插入自然语言控制标签这一点，很适合角色语音、内容生产和互动式语音场景。 这背后的信号很明确：开源语音这条线正在从“demo 型模型”往“能被拼进产品栈”的基础组件演进。对开发者来说，这比单纯刷一两个音质 benchmark 更重要，因为真正有价值的不是一段好听样音，而是一个可控、可接、可二次开发的生产级底座。
Anthropic｜Claude 正在从强模型，变成企业工作系统里的能力层
这一轮 Claude 最值得注意的，不是某一个单点功能，而是它同时在三个层级向工作流渗透：工程治理层、多文件知识协作层，以及长上下文成本层。无论是多智能体代码审查、Excel / PowerPoint 的跨文件上下文，还是 1M token 长上下文取消溢价，本质上都在服务同一个方向：让 Claude 更深地嵌进真实企业系统。 这说明 Anthropic 的竞争重点，已经不只是“模型够不够强”，而是“能不能成为企业流程里最难替换的那一层能力”。在企业软件世界里，真正有壁垒的从来不只是模型本身，而是它被放进了多少实际流程里。
OpenClaw｜从“养龙虾”热潮走向基础设施化，agent 生态开始长出标准层
OpenClaw 这一周真正重要的，不是继续涨星，而是目录站、benchmark、技能市场、一键封装、大厂本地化几乎同时出现。这意味着它已经不再只是一个爆款开源仓库，而是在被组织成一套可比较、可分发、可接入的 agent 基础设施。 当一个开源项目同时开始拥有榜单、目录、工具层、部署层和平台封装，它的性质就变了。它不再只是“社区很热闹”，而是开始具备某种事实上的标准层地位。热闹当然还在，但更值得盯住的，是谁会借它定义下一代 agent 生态的分发规则、接口规范和安全边界。
AMI Labs｜世界模型路线，正在从学术主张变成高规格资本叙事
LeCun 的 AMI Labs 拿下超大种子轮融资，这条新闻真正重要的，并不是融资数字本身，而是它说明“后 LLM 路线”已经不再只是演讲里的替代愿景，而是被正式装进了顶级公司和资本配置里。再叠加此前 World Labs 的连续融资，可以明显看到：世界模型路线正在被持续、系统性地押注。 更关键的是，这条路线已经开始分化。一边是偏 spatial intelligence / 3D 世界生成，一边是更明确强调抽象预测、记忆、规划与真实世界理解。也就是说，世界模型不再只是一个模糊口号，而开始变成多个足够有分量的产业方向。对整个行业来说，这意味着主流 LLM 路线之外，真正有组织形态、研究班底和资本耐心的替代叙事，已经开始成形了。
怎么做：
遇到长文档、长视频、长流程任务时，先别一次性全丢给模型。更稳的做法是：先按阶段拆开，逐段处理；再保留两类记忆——一类记全局目标和关键结论，一类记最近几步的局部细节。 也就是：分块处理 + 全局记忆 + 局部窗口。
为什么好用：
LoGeR 的启发是，长任务不能只靠拉长上下文窗口，还要靠 chunk 化处理 + 混合记忆，同时保住全局一致性和局部精度。 对普通用户来说，重点就是：长任务先拆再串，比一口气全喂进去更稳。
推荐指数： 🌟🌟🌟🌟🌟
一句话导读：
Attention Residuals 把固定残差累加升级为“跨层注意力读取”，让每一层都能按当前输入动态选择历史层信息，从而缓解 PreNorm Transformer 中随深度加深而不断加重的表示稀释问题。
⚽️ 推荐理由：这篇工作的价值在于，它盯上的不是注意力、MoE 或上下文长度，而是一个几乎所有大模型都默认接受的基础结构：残差连接本身。标准 PreNorm 残差会把所有历史层输出用固定权重一路相加，层数一深，隐藏状态幅度就不断累积，早期层信息被埋没，后面层为了“发出声音”只能学更大的输出。Attention Residuals 的思路很直接：把这种固定加法改成沿“深度维度”的 softmax attention，让当前层从历史各层里动态挑选有用表示。更关键的是，作者没有停留在概念层，而是进一步提出可扩展的 Block AttnRes，把跨层访问压缩到 block 级别，让它真正接进 48B 级 Kimi Linear，并完成 1.4T token 预训练。这不是小修小补，而是在重写 Transformer 的基础信息流机制。
固定残差长期未被重审： 现代 LLM 在序列维度已经用可学习注意力和专家路由做动态选择，但在“深度维度”上，层间信息聚合依然是固定 unit weight 的残差相加，几乎没有选择机制。
PreNorm 会带来稀释问题： 在 PreNorm 结构中，隐藏状态幅度会随层数近似线性增长，导致单层输出相对贡献被不断稀释，早层信息难以被后层有选择地重新调用。
现有改进仍受递归范式限制： 无论是缩放残差、Highway 还是多流递归，本质上都仍让每层只能看到上一个聚合状态，而不能直接访问所有历史层输出。
跨层注意力替代固定累加： Full AttnRes 让每一层对所有先前层输出做 softmax attention，用可学习伪查询向量决定读哪些层、读多少，从“固定累加”变成“内容相关的深度检索”。
Block 版本解决工程开销： 为了避免全量跨层 attention 带来的显存与跨 stage 通信开销，论文提出 Block AttnRes，把多层压成 block 表示，再只对 block 级历史做 attention，把复杂度从 O(Ld) 降到 O(Nd)。
训练动态与下游结果都更好： 在 scaling law、1.4T token 预训练和多项 benchmark 上，AttnRes 都优于基线；同时它还让输出幅度在深度上更受控、梯度分布更均匀，直接缓解了 PreNorm dilution。
Attention Residuals 最有意思的地方，在于它把一个很强的直觉真正写成了可训练、可扩展的结构：注意力不仅能沿 token 维工作，也可以“旋转 90 度”沿深度维工作，从而自然概括残差连接。 传统 residual 本质上是在 layer 维度做固定权重的信息累加，而 AttnRes 则把这种固定聚合升级为可学习的 depth-wise attention，让当前层能够动态选择该读取哪些历史层、读取多少。换句话说，残差连接可以被理解成一种退化版的跨层注意力。这个视角非常强，因为它把 ResNet、Highway、mHC 等结构统一进了“深度维信息混合”框架里，也说明 Transformer 下一个值得重写的基础模块，可能不是 token attention，而是 residual 本身。论文真正的价值，不只是效果提升，而是把“固定残差”升级成了“动态跨层路由”。
推荐指数： 🌟🌟🌟🌟🌟
一句话导读：
LATENT 提出一种“从不完美人类网球动作片段中学习”的框架，让人形机器人在保留自然运动风格的同时，学会稳定回击高速来球，并在真实世界实现多人连续对打
⚽️ 推荐理由：这篇论文最有意思的地方，不是单纯让机器人“会打网球”，而是证明了即使没有完整、精确、可直接模仿的人类网球数据，也能学出很强的人形体育技能。作者并没有去采集完整比赛级 mocap，而是只收集前后手击球、横移、交叉步等 primitive motion fragments，再通过 LATENT 把这些“不精确、不完整”的动作先蒸馏成可用的 latent action space，再让高层策略去做“纠正 + 组合”。这极大降低了数据采集门槛，也更符合现实中很多高动态任务的数据条件。更重要的是，它不是停留在仿真里，而是部署到 Unitree G1 上，真实实现与人类稳定多拍对拉，来球峰值速度还能超过 15 m/s，说明这套路线对未来人形体育、动态操作和高机动技能学习都很有参考价值。
完整网球数据难采： 网球涉及大范围跑动、多拍连续交互，以及极短时间内的精细击球接触，导致通过遥操作或完整动作捕捉来收集高质量 humanoid tennis 数据几乎不可行。
人类动作先验仍有价值： 虽然采集不到完整比赛动作，但前后手挥拍、横移、交叉步这类 primitive skills 相对容易采集，这些碎片仍然包含了有用的人类运动先验。
高动态技能更难迁移： 人形机器人不仅要学会击球，还要解决高速来球、全身协调、动作自然性以及 sim-to-real transfer 等一整套问题，远比静态 manipulation 更难。
不完美数据也能学： LATENT 不依赖完整比赛动作序列，而是从五小时 primitive motion fragments 中学习，数据只覆盖常见网球基础技能，大幅降低采集成本。
纠正+组合 latent 技能：方法先训练 motion tracker，再蒸馏出可纠正的 latent action space；高层策略一边调用 latent primitive，一边直接修正持拍手腕动作，以弥补击球精度不足。
LAB抑制动作空间被滥用： 作者提出 Latent Action Barrier，用基于 Mahalanobis 距离的方式限制高层策略偏离 prior 的范围，避免 RL 训练中为了完成任务而产生抖动、不自然、低质量动作。
LATENT 的真正突破，在于它回答了一个很现实的问题：当高质量人形动作数据根本拿不到时，怎么仍然学出强技能？它没有执着于“完美 imitation”，而是转向“先拿到足够好的 primitive prior，再允许策略在任务中纠偏和重组”。这种思路非常适合体育、动态 locomotion、甚至很多真实工业任务，因为现实数据往往天然就是碎片化和不完美的。从结果看，LATENT 在仿真里相对 PPO、AMP、ASE、PULSE 都明显更强，真实机上也显著优于去掉 dynamics randomization 或 observation noise 的版本，说明其方法链条是闭环成立的。当然，它仍依赖 mocap 和外部光学系统，离真正“自主感知 + 自主对打”的通用人形网球选手还有距离，但已经是非常扎实的一步。
推荐指数： 🌟🌟🌟🌟🌟
一句话导读：
OpenClaw-RL 提出一种统一的在线 agent 强化学习框架，把用户回复、工具输出、GUI/终端状态变化等“下一状态信号”直接转成可训练监督，让 agent 在被使用的过程中持续自我优化。
⚽️ 推荐理由：这篇论文最有意思的点，是它抓住了一个很多 agent 系统都在浪费的资源：每一次交互后的 next-state，本身就是免费反馈。用户追问、纠错、工具报错、测试结果、GUI 变化，这些过去大多只被当作上下文继续喂给模型，却没有真正变成在线学习信号。OpenClaw-RL 的贡献，是把这些异构反馈统一建模成两类监督：一类是“你做得好不好”的 evaluative signal，用 PRM 转成标量奖励；另一类是“你应该怎么改”的 directive signal，用 Hindsight-Guided OPD 提取成 token-level 方向性监督。更关键的是，它不是单一环境里的 RL，而是想打通 personal conversation、terminal、GUI、SWE、tool-call 五类 agent 场景，让同一套基础设施支持“边服务边学习”。这对个人 agent 和通用 agent 都很有启发性。
交互反馈长期被浪费： 大多数 agent 系统在每次动作之后，都会收到用户回复、工具结果、测试 verdict 或界面变化，但这些信息通常只被当作后续上下文，而没有变成在线训练信号。
现有 agent RL 场景割裂： 终端 agent、GUI agent、SWE agent、tool-call agent 和 personal assistant 往往各有各的训练管线，缺少一个统一框架去处理异构环境中的强化学习。
标量奖励信息不够丰富： 传统 RL 更擅长利用“对/错”式奖励，但很多真实反馈其实包含更细的纠错方向，例如“你应该先检查文件再编辑”，这类信息如果只压成一个分数会损失大量监督价值。
统一 next-state 学习范式：OpenClaw-RL 把用户回复、工具输出、GUI 状态变化、SWE 测试结果等都视作 next-state signal，并认为这些信号可以在同一训练循环里共同优化同一个策略。
二元奖励 + OPD 联合训练： 框架同时支持 Binary RL 和 Hindsight-Guided OPD，前者把下一状态转成 process reward，后者从反馈中抽取 textual hints，再构造 teacher context，为 student 提供 token-level 方向性优势监督。
异步解耦基础设施：系统将 policy serving、environment hosting、PRM judging 和 policy training 四部分完全异步解耦，实现服务不中断、训练不中断、评估不中断，支持 personal agent 和 general agent 并行扩展。
OpenClaw-RL 的真正价值，在于它把“agent 使用过程”本身重新定义成训练数据流，而不是部署后的静态消费过程。这个视角非常强，因为现实世界里最丰富、最持续、最便宜的监督，往往就来自用户和环境的即时反应。相比只做离线轨迹蒸馏或单一环境 RL，这篇工作更像是在补 agent 学习闭环里的最后一块拼图：如何在真实使用中持续更新策略。它最亮眼的地方不是某个单一算法，而是把 Binary RL、OPD、PRM 和异步 infra 组合成一个完整系统，并且同时覆盖 personal 与 general agents。不过，它的上限也依赖 judge 质量、hint 抽取质量以及在线训练稳定性，一旦反馈噪声很大，错误监督也可能被放大。即便如此，这仍然是 agent 走向“持续在线进化”的一个非常关键方向。
🦄 推荐理由：MetaClaw 最吸引人的地方，是它把“和 agent 的每次真实对话”都变成学习信号，而不是把训练和使用割裂开。它的核心产品思路很清晰：前面用一个 OpenAI-compatible proxy 接住 OpenClaw 的所有请求，在线注入相关 skills；后面把会话自动总结、积累成经验，再通过 RL 或 teacher distillation 做慢速权重更新。这样用户平时只是正常聊天、提需求、跑工具，但系统会在后台持续“长技能、长经验、长权重”。更重要的是，它不要求你自建 GPU 集群，README 直接强调可接 Kimi、Qwen、Claude、MiniMax、OpenAI、Gemini 等 API，训练后端则接 Tinker 或 MinT，部署门槛明显低很多。对于想做“会越用越懂你”的个人 agent 或通用 agent，这个方向非常有想象力
MetaClaw 的完成度其实比很多“Agent 会进化”口号型项目高不少，主要体现在四点。第一，模式分层明确：skills_only、rl、madmax 三种模式覆盖从轻量技能注入到完整异步进化，用户可按成本和风险逐步启用。第二，异步架构清楚：serving、reward、training 解耦，避免训练打断在线服务。第三，调度设计很产品化：README 里明确写到慢速 RL 更新可以只在睡眠、空闲或 Google Calendar 会议时间运行，这很像真正面向日常使用的 agent 运维逻辑。第四，一键化做得不错：metaclaw setup + metaclaw start 两条命令就能起系统，降低了尝鲜门槛。当然，它现在的真实上限仍取决于 reward 质量、skill summary 质量和云端 LoRA 训练的稳定性；但就产品方向看，它已经不只是“AutoResearch for agents”，而是一个更接近在线进化型 agent OS 的雏形。
链接：https://github.com/HKUDS/CLI-Anything
🦄 推荐理由：CLI-Anything 的核心吸引力在于，它不是再做一个“给某个软件写插件”的小工具，而是试图把这件事抽象成一条可复制流水线：用一条命令，把任意现有软件改造成 agent 可调用的 CLI 接口。项目首页把目标写得很明确——“Making ALL Software Agent-Native”，并强调可面向 OpenClaw、nanobot、Cursor、Claude Code 等平台使用；其生成流程也不是只吐出几个命令，而是覆盖分析、设计、实现、测试、文档和发布等完整 7 个阶段。README 里还给出了 GIMP、Blender、LibreOffice、Zoom 等多类软件的 harness 或插件支持，说明它的野心不是单点适配，而是想成为“软件 agent 化”的通用施工框架。这个方向对 Agent 生态很重要，因为真正限制 agent 落地的，往往不是模型本身，而是老软件没有 agent-native 接口。
CLI-Anything 最强的地方在于“工程闭环完整”和“平台兼容意识强”。第一，它不是只生成命令封装，而是明确包含 JSON 输出、REPL、undo/redo、测试规划、测试实现和安装发布，这意味着它想交付的是“可上线、可维护的 CLI 产品层”，而不只是 demo。第二，它把平台接入做成多入口形态：README 明确列出 Claude Code、OpenClaw、OpenCode、Codex、Qodercli 等支持方向，还持续通过社区更新补 Windows 兼容、OpenClaw 支持和新的应用 harness，说明它很重视真实使用链路。第三，它选择 CLI 作为 agent 接口，是一个很聪明的产品判断：结构化、可组合、自描述、天然适合 LLM。它的潜在难点在于，不同软件内部 API 质量差异极大，自动生成 CLI 的上限会受目标软件可脚本化程度影响；但如果这条流水线继续成熟，它很可能会成为“软件 agent 化基础设施”而不是单个仓库项目。
链接：https://huggingface.co/fishaudio/s2-pro
🦄 推荐理由：fishaudio/s2-pro 值得关注，核心不是“又一个 TTS 模型”，而是它把细粒度可控性、流式低延迟和多语言覆盖放进了同一个产品定位里。模型卡显示，它支持 80 多种语言，并强调可在文本中直接插入自然语言风格标签进行控制，例如停顿、强调、耳语、情绪和音量变化等，这种“inline control”比传统只调几个固定参数更适合做内容生产、角色配音和互动式语音应用。架构上它采用 Dual-AR：4B 的 Slow AR 负责主语义码本，400M 的 Fast AR 补足剩余残差码本，既兼顾音质也考虑推理效率。官方还同时提供模型权重、微调代码和基于 SGLang 的流式推理引擎，说明它更偏“可部署的语音底座”而不是单点 demo。
从产品功能角度看，S2 Pro 的亮点主要有四个。第一，控制粒度很细，支持把自然语言控制直接写进文本，且模型卡声称可识别 15,000+ 唯一标签表达，这对剧情配音、播客、情绪化 TTS 很有吸引力。第二，流式能力明确，官方给出单张 H200 上约 100ms 首音时间、RTF 0.195 的指标，说明它不是只追求离线效果，也在面向实时交互。第三，多语言覆盖广，模型页写明支持 80+ 语言，适合跨语种内容场景。第四，开发者友好，发布内容不仅有权重，还有微调代码和推理引擎。它的不足也很直接：采用研究许可，免费范围限研究与非商用，商业化需要单独授权；另外，真正的落地体验还取决于不同语言上的稳定性是否均衡。整体看，它更像一个“高可控、可部署、偏生产级”的开源语音生成底座。
从代码审查到 Office 协作，再到长上下文成本下探，Anthropic 的重点已不再只是“模型更强”，而是让 Claude 更深地嵌入真实工作流。
若说你之前对 Claude 的理解依然偏向于一台高性能模型/编程机器的话，那么这一轮更新释放给你的信号已经非常明确：Anthropic 正在把它推进为 企业工作系统中的基础能力层。
一边，Claude Code 引入多智能体代码审查，把 AI 从“写代码”推进到“管代码”，另一边，微软发布 Copilot Cowork，并被多家媒体指向与 Claude 的更深整合，说明 Claude 正在进入更大的办公与企业软件体系，与此同时，Claude for Excel / PowerPoint 的跨文件上下文与 Skills，以及 Claude 4.6 取消长文本溢价，也都在同步降低它进入复杂工作流的门槛。
Claude 现阶段的竞争重点似乎悄然偏向于“如何最佳全面入侵工作流”。
🧩 相关重要信息
Anthropic 已正式发布Claude Code 的多智能体代码审查系统。官方表示，这套系统会在每次 PR 上自动调度一组 agents，结合完整代码库上下文并行寻找缺陷，面向 Team 与 Enterprise 用户提供研究预览。根据 Anthropic 公布的数据，部署后获得实质性审查意见的 PR 比例从约 16% 提升至 54%，而单次审查平均成本约为 15–25 美元。
微软也已发布Copilot Cowork，并确认其进入有限客户研究预览。微软官方将其描述为一种可在后台持续推进多步任务的工作方式，并计划通过 Frontier 计划扩大测试。虽然微软官方博客并未直接写明“由 Claude 驱动”，但包括《金融时报》在内的多家媒体都指出，微软正把 Anthropic Claude 纳入 Copilot 更广的模型体系中。
在知识工作侧，Claude for Excel 和 PowerPoint 也迎来更新。根据 VentureBeat 等媒体报道，新版支持 跨文件共享上下文，可在一个会话中同时理解和操作多个工作簿与幻灯片，并通过 Skills 把复杂业务流程保存成可复用操作。
同时，Anthropic 也已确认 Claude Opus 4.6 与 Sonnet 4.6 的 1M token 上下文能力进入更广泛可用阶段，并取消此前长文本的额外溢价，统一采用标准计费。
⚙️ 核心解读
这一轮 Claude 的变化，最值得注意的不是单一功能，而是它正在同时向三个层级渗透。
第一层，是工程治理层。
Claude Code 的多智能体代码审查说明，Anthropic 已不满足于让 AI 帮开发者“写点东西”，而是开始让 AI 进入真正的工程流程——做 review、找风险、参与治理。
第二层，是企业协作层。
无论是微软 Copilot Cowork 的推出，还是 Claude for Excel / PowerPoint 的跨文件上下文和 Skills，都指向同一个方向：Claude 正在从一个问答式模型，变成一个可以介入 Excel、PPT、会议准备、文档处理等具体知识工作的协作者。
第三层，是成本与门槛层。
取消 1M 上下文溢价的意义非常大。它意味着长上下文不再只是“高价实验能力”，而开始成为复杂工作负载中的默认能力。
把这三层放在一起看，Claude 的战略重点已经很清楚： 不是单纯追求“最强模型”标签，而是努力成为 企业工作流里最难被替代的那一层能力。
🧭 行业影响分析
简单说说
Claude 正从高性能模型，向企业工作系统中的基础能力层推进。
多智能体代码审查意味着 Anthropic 开始进入工程治理，而不只是 coding 辅助。
与微软办公体系的结合，以及 Excel / PPT 更新，显示 Claude 正更深地嵌入知识工作软件。
取消长文本溢价，则显著降低了复杂工作流采用 Claude 的成本门槛。（很好，终于干了件人事啊！）
展开说说
如果把这条新闻放进更大的行业结构里看，它其实和 OpenAI 的路径形成了很清晰的对照。
OpenAI 更像是在做一套“默认入口 + 专业工作台 + agent 生态”的产品栈，重点是让不同用户层级都留在 ChatGPT 体系里。 Anthropic 的走法则更聚焦：不急着做最大众的入口，而是持续把 Claude 往 高价值、低容错、强协作 的工作场景里推进。
这也是为什么这轮更新看上去分散，实际却非常一致：
代码审查、Office 协作、跨文件上下文、Skills、长上下文降价——它们共同服务的都是一件事：
让 Claude 不只是一个聪明的模型，而是一个能真正被放进工作系统里的能力层。
在企业软件语境里，最有价值的并不一定是“最强模型”，而是 最容易进入现有流程、最容易复用、最不容易被替换 的模型。Claude 现在明显在朝这个方向走。
一周之内，评测、目录、技能市场、一键部署与大厂封装同时出现。OpenClaw 不再只是一个爆款开源项目，而正在被组织成一套可比较、可分发、可接入的 agent 基础设施。
如果说上周我们判断，OpenClaw 的爆发已经不只是一次开源项目出圈，而是在把 AI Agent 从概念验证推向生态化、入口化与标准化阶段，那么这一周的新信息几乎给出了连续验证。
一面，OpenClaw 自身进入高频迭代，版本更新开始明显转向长期部署、安全修复与生态扩展，同时，PinchBench 这类 benchmark 开始给出榜单，OpenClaw Directory 这类目录站与腾讯 SkillHub 这类技能平台相继出现，更重要的是，腾讯、智谱、小米等中国厂商已经不再停留在围观层面，而是在直接做本地化封装、技能分发与端侧入口接入。
这意味着，OpenClaw 正在从“养龙虾”的社区热潮，走向真正的基础设施化阶段。
🧩 相关重要信息
OpenClaw 近期在 GitHub 上继续快速增长，目前公开星标已突破 30 万，并连续发布多个新版本，进入非常明显的高频迭代节奏。GitHub Releases 显示，3 月中旬版本更新不仅包含功能增强，也集中修复了高危安全问题，并开始围绕 provider-plugin、Kubernetes starter、sessions_yield 等能力做长期部署准备。
与此同时，第三方目录站 OpenClaw Directory 已上线，首页按 Deployers、Hosting、Plugins、Skills、AI Agent Teams 等类别组织工具，当前目录中收录工具数已达 43 个。
在评测层，PinchBench 已经开始作为 OpenClaw 生态中的一个重要 benchmark 出现。它以标准化 coding / agent 任务对不同模型进行横向比较。当前公开榜单中，Gemini 3 Flash Preview 领跑，而 MiniMax、Kimi 等中国模型也进入前列。
中国厂商的动作则更加直接。腾讯已推出面向 OpenClaw 生态的WorkBuddy和 SkillHub，后者提供面向中文场景与国内节点优化的技能市场能力；智谱也上线了面向 OpenClaw 场景的一键封装版本 AutoClaw（澳龙）；小米此前已启动 miclaw小范围封测，把 system-level agent 的入口争夺推进到手机端。
⚙️ 核心解读
这一周 OpenClaw 真正值得关注的，不是“又更火了”，而是它开始同时具备了三种过去没有同时出现的属性。
第一，是生态化被验证。
上周我们提到，围绕 OpenClaw 很快会出现“卖铲子”的工具层与服务层。现在这种判断已经在被验证：目录站开始聚合工具，一键部署、浏览器沙箱、本地运行、托管服务等形态都在快速出现。OpenClaw 不再只是一个仓库，而是正在长出自己的分发结构。
第二，是标准化正在发生。
PinchBench 的出现意味着，OpenClaw 生态开始从“热度讨论”转向“可比较、可评测、可排序”。一旦 benchmark 出现，模型、部署方式和 agent 表现就不再只是社交媒体上的体验分享，而会变成更接近工程选型的问题。
第三，是大厂下场让它进入共识层。
腾讯的 WorkBuddy / SkillHub、智谱的 AutoClaw、小米的 miclaw，说明 OpenClaw 已经从海外开源现象，进入了中国大厂公开吸收、封装和本地化的阶段。
这里最重要的不是“谁复制了谁”，而是：当大厂开始下场时，OpenClaw 已经不再只是项目，而是在被承认成一种值得争夺的产品形态。
🧭 行业影响分析
简单说说
OpenClaw 正在从爆款项目走向生态标准化阶段。
目录站、benchmark、技能市场、一键封装等基础设施同时出现，验证了其生态化趋势。
中国大厂下场意味着 OpenClaw 已进入本地化入口与产品化争夺阶段。
展开说说
在上期的内容里我们判断过，OpenClaw 的爆发不只是一次开源项目出圈，而是 AI Agent 正从概念验证走向生态化、入口化和标准化的早期信号。本周的新变化，几乎都在朝同一个方向收敛。
评测榜单说明它开始被拿来做工程选型；
目录站与技能平台说明“工具层”和“卖铲子”的生意正在长出来；
大厂本地化封装则说明它已经进入更正式的产品与入口竞争。
这其实非常关键。因为一旦一个开源项目同时具备：
可比较的 benchmark
可聚合的工具分发层
可接入的大厂支持
可部署的本地化方案
它就不再只是“现象级项目”，而是开始具备一种 事实上的标准层 地位。
这也让我们上周提到的另一个判断变得更迫切： 当 Agent 生态真正进入规模化阶段，标准化与治理问题会比能力本身更快到来。腾讯 SkillHub 引发的技能镜像争议、OpenClaw 持续修补的安全漏洞、以及不同平台对本地/云端接入方式的重新设计，都说明这件事已经不只是“谁更酷”，而是“谁来定义生态规则”。
换句话说，OpenClaw 在过去一周的变化和迭代，或许正在清晰的印证一个划时代变化的事实：
它正在从“养龙虾”的流行文化，变成一套正在被市场、平台与大厂共同接住的基础设施。
继李飞飞的 World Labs 之后，Yann LeCun 也把“后 LLM 路线”做成了一家顶级配置的新公司。区别不在于谁先谁后，而在于这条路线正在从学术主张，走向资本与组织的正面竞争。
如果说本期前两条新闻分别对应的是 企业工作系统 与 开源 agent 生态的加速成形，那么 Yann LeCun 新公司的出现，则把视角拉到了更长远的一层：
当主流模型公司还在争夺入口、工作流和生态时，另一条更底层的替代路线，正在被资本连续高规格押注。
LeCun 创办的 AMI Labs（Advanced Machine Intelligence）近日宣布完成 10.3 亿美元种子轮融资，投前估值约 35 亿美元。
而就在几周前，李飞飞创办的 World Labs也刚刚宣布完成 10 亿美元融资，继续推进其“spatial intelligence / world models”方向。
这意味着，“世界模型”已经不再只是论文与演讲中的替代性愿景，而开始以连续的资本事件和公司组织形式，进入主流竞争视野。
🧩 相关重要信息
AMI Labs 由 Yann LeCun 创办并担任核心领导角色，公司 CEO 为前 Nabla 联合创始人Alexandre LeBrun，团队分布在巴黎、纽约、蒙特利尔和新加坡。
AMI 的核心目标是构建基于 JEPA（Joint Embedding Predictive Architecture） 的世界模型：不是逐像素生成未来，而是在抽象表示空间中做预测、记忆与推演。LeCun 一直认为，单纯依赖文本或像素预测的主流 generative AI 路线，并不适合真正走向现实世界理解、规划与自主智能。
在团队层面，谢赛宁（Saining Xie） 已加入 AMI 并担任首席科学官。其个人主页也已更新为 AMI Labs CSO。
AMI 官方和多家媒体都提到，其首个合作伙伴为医疗 AI 公司 Nabla，更长远的应用方向包括工业控制、机器人、可穿戴设备、医疗等高可靠性场景。
另一方面，World Labs 的路线则更聚焦于 spatial intelligence / 3D world generation，即让系统能够从文本或图像中生成和理解三维环境，并服务于创作、AR/VR、机器人等方向。其 2024 年已完成 2.3 亿美元融资并估值过十亿美元，2026 年 2 月又完成 10 亿美元新一轮融资。
⚙️ 核心解读
这条新闻真正重要的，不是“融资很多”，而是：
世界模型路线正在被连续、大规模地资本化，而且开始分化出不同技术方向。
如果说 World Labs 代表的是一种更偏 空间智能 / 3D 世界生成 的路线，那么 AMI Labs 则更明确地把自己放在主流 LLM 路线的对面：它强调真实世界理解、抽象预测、记忆、规划和可控性，而不是继续沿着语言模型规模化路径往前推。
所以，AMI Labs 的特别之处不在于它是“第一家”世界模型公司——这显然不成立，World Labs 已经是一个明确先例——而在于：
它把这条路线更直接、更鲜明地推到了“后 LLM 替代方案”的位置。
换句话说：
World Labs证明了：世界模型 / spatial intelligence 已经足以获得顶级资本支持
AMI Labs 则进一步说明：这条路线不只是应用补充，而可能被组织成对主流范式的正面对抗
这使得“世界模型”开始从一个模糊的概念，变成两种不同但都足够有分量的产业叙事。
🧭 行业影响分析
简单说说
世界模型路线已连续获得高规格资本押注，不再只是学术愿景。
World Labs 与 AMI Labs 说明，这条路线正在分化为“空间智能”与“后 LLM 世界理解”两类不同方向。
谢赛宁加入 AMI，也让这条路线不仅有思想旗帜，还有强研究与工程执行能力。
展开说说
过去，杨老师一直是主流大模型路线最有影响力的批评者之一。他反复强调，语言模型可以很强，但不等于真正理解世界；如果 AI 想进入机器人、工业控制、可穿戴设备、医疗等场景，单纯依赖 token 预测远远不够。
在AI圈，他似乎一直是一个争议和名声几乎一样洪亮的标杆人物，作为「世界模型」的先驱提出者，也同时作为反当下LLM路径的第一人，反对他的声音虽然时常诟病其“只会叫叫”但只要不是真蠢，也绝对从来不会轻视任何一次杨老师及其团队的工作发布。当杨老师离开meta的时候，又有不少质疑甚至嘲笑的声音来diss杨老师终究是只会搞搞科研，不适合企业。
但是现在，这种“反对主流路线”的思想，不再只是演讲和论文中的立场，而被装进了一家：
资金充足
团队完整
角色分工明确
有首批应用方向
有资本长期下注的公司里。
还有大神谢赛宁的加盟，似乎又传递出了硅谷科技圈的一种久违的浪漫，即资本依然可以支持在前沿科技上的理想主义尝试，但其背后，应该也未必能离开World Labs的先行尝试。
大家心里其中都清楚，但凡执着于世界模型路线的公司中有一家拿出真正落地的工作，那今天主流模型公司争夺的入口、工作流与生态，很可能就只是某个更大范式转移之前的阶段性最优解。
从这个角度看，AMI Labs 的意义不是“第一次”，而是：
世界模型路线，已经进入需要被认真当作产业竞争来看的阶段。
1.1 https://x.com/Kimi_Moonshot/status/2033378587878072424
1.2 https://arxiv.org/abs/2603.12686
1.3 https://arxiv.org/abs/2603.10165
2.1 https://github.com/aiming-lab/MetaClaw
2.2 https://github.com/HKUDS/CLI-Anything
2.3 https://huggingface.co/fishaudio/s2-pro
3.1.1 https://claude.com/blog/code-review
3.1.2 https://www.microsoft.com/en-us/microsoft-365/blog/2026/03/09/copilot-cowork-a-new-way-of-getting-work-done
3.2.1 https://github.com/openclaw/openclaw
3.2.2. https://pinchbench.com/
3.3 https://amilabs.xyz/
