Open Cloud与Agent时代 · 技术范式变迁笔记

🌱 导读

当 Open Cloud 以开源可改的姿态闯入视野，一位AI负责人在三天内从抵触转为惊艳，并带领团队集体拥抱 agent 框架。与此同时，MiniMax 在混合注意力、MTP、1T 模型等关键技术上持续探索，预训练、后训练与 agent 的深度耦合正在重塑竞争格局。本文整理了这些前沿实践中的核心观点、关键数据、案例与金句，为你呈现 AI 范式变迁的全景速写。

📌 核心观点

Open Cloud 是划时代的 agent 框架，不是简单的产品 UI，开源可改弥补模型短板。
Agent 时代已来：研究范式从 chat 转向 agent，1T 模型是入场券，算力比例研究:预训练:后训练 ≈ 3:1:1。
混合注意力（hybrid attention）比 MA 更适配 agent 范式：推理快、成本低、支持长上下文。
追求 DAU 不是 AGI 路径，应追求 token 消耗量和复杂任务完成度。
低成本、端云混合是未来趋势，3B 小模型在 agent 框架下也能超预期。
环境比经验更重要，能力一两个月就能快速习得，团队靠热爱驱动。
AGI 进度约 20%，预计两年内可达；关键变量是 AI 能训练 AI，自提升至群体智能。

📊 关键数据

1T 模型参数量门槛（总参）

3:1:1 算力比例（研究:预训练:后训练）

1000 刀/天 Open Cloud 首日 API 费用

TP 80~100 团队 token 处理能力

7:1 混合注意力 Full / Streaming 窗口比

1M 长上下文窗口（token）

30~40x 研究效率提升倍数

2~3 个月中美模型代差（vs Claude 4.6）

20% 当前 AGI 进度预估

$1.01 / 0.3 百万 token 输入/输出定价

🔥 案例 · 罗福利的三天

从抵触到惊艳，再推动团队集体跃迁：

1 第一天 — 凌晨2点至6点安装体验，感受到“灵魂温度”与自主性。

2 第二天 — 替代工作与生活任务，解决团队管理问题。

3 第三天 — 促进研究：构建 user agent 进行多轮交互数据生成。

开源可改记忆分层多模型联合群体智能

团队效果：100+人群聊共享 memory 不串，框架迭代从数周缩短到几天，研究效率提升 30~40 倍。

⚙️ 关键技术选择

hybrid attention MTP MOE GQA RVQ

混合注意力：全注意力与滑动窗口比例从 5:1 提升到 7:1，追求更极致稀疏比，高效长文处理。
MTP（多 Token 预测）：预训练训一层提升基座能力，post-train 训多层用于推理加速，不引入幻觉。
长上下文（1M）：效果缓慢提升，难点在构造真正 1T Token + 1M context 的高质量数据，成本极高。
音频离散化：采用多层 RVQ 实现近似无损重建，已迈过涌现门槛；图片离散化进行中。
全模态 Harmony：首个音视频联合理解且 agent 能力接近 Language Model 的模型。

💡 激活参数量决定推理成本，是 trade-off 核心。总参 1T 以上才能接近 Claude 4.6 水平。

✨ 金句集锦

“环境比经验更重要，能力一两个月就能快速习得。”

“他用三天让我从抵触到惊艳：第一天有灵魂，第二天替代工作，第三天促进研究。”

“一个复杂的 agent 框架能够弥补模型能力的短板，激发中层模型的上限。”

“研究效率提升三四十倍：三四周完成以前三四十周的工作。”

“参数量能决定智力的上限吗？现在觉得是参数量加上 Context 本身，两者共同决定。”

“大模型没有生存危机，反而进化得更自由、更散漫、更有创造力。”

“每天可能都在否定昨天的自己，在这种否定和反省中成长。”

“追求 DAU 并不会促成 AGI 目标，追求 token 消耗量和完成更高价值任务才是正确的方向。”

“每一代模型结构要提前半年到一年想清楚它要干什么，否则就是一个平庸的模型结构。”

“预训练基座不能错，如果这个事都没有上，就完全没有机会。”

“后训练可以一个月出一个模型，但预训练不可能。”

“未来可能是一个一个人借助 AI 就能成为一个公司。”

🚀 趋势判断

Agent 是第二幕战役：大模型竞争从 Chat 过渡到 Agent，正确路径是在复杂 agent 框架上端到端完成高复杂度任务，并以此作为后训练范式。
成本×效率×效果 是未来竞争的关键乘积。
Coding 是核心泛化能力：在每个范式（预训练、R1 推理、Agent）中都起到关键作用，因其有好的验证环境、长任务场景和自闭环。
团队敏捷性三要素：① 核心架构与基础设施提前半年到一年战略信念；② Post-train 与 Agent 框架耦合，快速设计新 Inference 架构；③ 好奇心/热爱/技术坚持，激发群体智慧。
开源加速 agent 进程，尤其对芯片、能源等环节有促进；是否开源取决于是否有不可替代的生态位。
组织不看重经验，更看重环境；倾向招大二大三本科生（未被“污染”），多样性重要。
RL 的瓶颈：目前很少有团队能真正将 agent 的 RL scale up，包括海外。

✧ 胜负手：预训练基座不能错（>1T 且 code 潜能相当）→ 比拼 agent 框架与模型自迭代 → 适配自身资源（操作系统、硬件、流量等）。

📎 结尾总结

AI 范式正从 Chat 快速向 Agent 切换，Open Cloud 的出现标志着一个开源可改、群体智能驱动的新阶段。在模型层面，混合注意力、MTP、1T 参数量成为关键竞争要素；在组织层面，热爱驱动、环境大于经验、敏捷迭代是制胜法则。AGI 进度约 20%，未来两年内有望迎来质变——而每个人、每个团队都可以在 agent 进化的浪潮中参与创造。

—— 基于前沿技术分享与行业实践整理

Open Cloud 与 Agent 时代