罗福莉谈 Agent 范式：模型、算力与组织正在被重新定义
过去几年，大模型能力的进步往往被理解为参数、数据和算力的共同扩张。但在这场约 3.5 小时的访谈中，罗福莉反复强调，2026 年出现的变化已经不只是“模型又变强了”。以 OpenClaw 为代表的新一代智能体框架，正在把模型能力、上下文管理、工具调用、记忆系统、任务环境和人类经验组织成一个整体。
这意味着，竞争不再局限于谁能训练出更好的基座模型。模型如何适配复杂的智能体框架，框架如何弥补模型短板，后训练如何覆盖真实的长程任务，算力怎样在研究、预训练和后训练之间重新分配，团队又该如何适应更快的研究节奏，都成了同一个问题的不同侧面。
罗福莉把这种变化概括为一场生产力范式的迁移。它尚未走完，很多结论也仍然处在快速变化中，但方向已经足够清晰：模型与框架开始共同进化，人的经验开始以 Skills 等形式进入系统，研究和组织的速度则被智能体进一步放大。
OpenClaw 的意义，不只是给模型加了一个“壳”
罗福莉最初并不看好 OpenClaw。站在严肃编程的角度，她认为 Claude Code 配合顶尖模型依然拥有更好的体验，OpenClaw 看起来更像一次产品和交互创新：本地运行、消息入口、全天候在线，再加上一些颇具传播力的运营设计。
真正改变她判断的，是亲自使用之后连续三天出现的体验跃迁。
第一天，她感受到的是产品层面的“温度”。系统会感知时间，在深夜对话时提醒用户休息；它会通过记忆和上下文安排，让交互显得连续而有个性。拆开来看，这些机制并不神秘，可能只是当前时间、长期记忆和系统提示的组合，但它们被精细地编排在一起之后，形成了一种过去的工具很少提供的完整体验。
第二天，她开始把团队建设、人员筛选和组织设计等问题交给它讨论。系统不只是给出零散建议，还能把长时间对话中的思路整理成一套体系，并进一步沉淀为可复用的 Skills。到这一步，OpenClaw 已经不再只是聊天工具，而更像一个能够吸收个人工作方式的“数字分身”。
第三天，她尝试把研究任务交给它。例如，在智能体训练中，多轮交互需要一个能够模拟真实用户的 User Agent。原本她认为这会是一个颇为复杂的研究课题，但在一两个小时的协作后，一个可用的初版框架已经形成，并能够用于构造更丰富的智能体场景数据，继续服务于 SFT 或强化学习。
这三天带来的认知变化是递进的：先是有温度的产品，再是能够替代一部分工作的助手，最后是可以参与研究的合作者。也正是在这个过程中，她开始把 OpenClaw 看作一个具有分界意义的智能体框架。
它的关键不在某个单独功能，而在于一整套中间层设计：持久化且分层的记忆、对不同模型的自主调度、定时和心跳任务、多种消息渠道、上下文编排，以及能够被用户直接修改的开源框架。前端界面反而变成最薄的一层，真正厚重的是人与模型之间的协调系统。
因此，把智能体框架简单理解为“产品外壳”并不准确。它既定义用户如何与系统交互，也定义系统如何把信息交给模型、如何了解模型长短板、如何调度工具和其他模型，以及如何在成本、速度和完成率之间做取舍。
好的框架，会改变模型能力的上限与下限
在罗福莉看来，OpenClaw 的一个重要启示是：复杂而完整的智能体框架，能够显著弥补模型在行动上的缺陷。
模型本身或许不擅长视频理解，但框架可以自主寻找更合适的模型处理视频；模型的单次上下文有限，框架可以通过记忆分层、压缩和跨会话管理维持连续性；模型缺少主动性，框架可以增加定时任务、心跳机制和消息触达；模型不了解具体业务，用户可以在长期协作中把内部规范沉淀成 Skills。
这对不同水平的模型有两层价值。对于中等能力的模型，框架可以提高稳定性，让它在更多日常任务中表现得更接近顶尖模型。对于顶尖模型，框架则更像一个上限放大器，让它能够处理更长、更复杂、更贴近真实工作的任务。
罗福莉在使用顶尖模型改造 OpenClaw 时感受得尤其明显。更强的模型可以帮助她重写记忆系统、调整多智能体逻辑、改造整个 Agent Workflow。框架一旦被完善，再切换到成本更低的模型，后者也能继承这套系统带来的能力增益。换句话说，顶尖模型不只是完成任务，也在改造承载任务的框架；被改造后的框架，又反过来提升其他模型。
这让“自学习”有了一个更具体的解释。未来的进化对象可能不只是模型参数，还包括框架向模型提供的静态信息、动态工作流、记忆机制、调度策略和评估方法。模型变强时，它可以改进框架；框架变强后，又能给模型提供更好的训练环境和任务反馈。
罗福莉因此认为，模型与智能体框架需要同步向前走。只训练模型而忽略框架，或者只做一个漂亮产品却不理解模型边界，都不足以支撑复杂任务的持续突破。
Skills 是组织经验进入智能体的一条新通道
在 Chat 时代，人主要通过一轮或几轮对话向模型表达需求。进入智能体时代后，人类与模型之间最重要的交流之一，开始变成对工作规范和隐性经验的传递。
很多真实任务并不缺公开知识，缺的是组织内部长期沉淀的做事方式：应该先检查什么，哪些风险不可接受，遇到异常时如何回退，怎样判断结果是否达到交付标准。这类信息通常不会出现在互联网预训练数据中，却直接决定一个复杂流程能不能稳定完成。
Skills 提供了一种把这些经验交给智能体的方式。它们既可以由人编写，也可以由智能体在与人的多轮协作中总结形成。对罗福莉来说，这不只是预训练知识的简单补丁，而是一种新的数据贡献机制：人把自己的专业经验转化为执行规范，模型和框架再把这些规范用于后续任务。
OpenClaw 的开源属性在这里格外重要。封闭框架即使很强，外部使用者也难以理解和修改它的记忆、调度与工作流；开源框架则允许开发者、研究者和普通用户共同试验。一个人的想象力有限，一群人看到彼此如何使用和改造框架之后，会不断扩展“它还能做什么”的边界。
罗福莉把团队成员放到共享群里使用和改造 OpenClaw，也是出于这个考虑。与其让每个人独自摸索，不如让尝试公开发生：一个人发现新的任务方法，其他人立刻看到；一个人改进框架，整个群体都能受益。她观察到，这种群体协作可以让框架在几个小时内完成一轮迭代，也会迅速点燃研究者的想象力。
开源的价值因此不只在降低使用门槛，更在于保留群体共同演化的可能性。智能体要走向更广泛的生产力场景，不能只依靠一家公司的模型团队，也需要使用者持续贡献环境、经验和反馈。
Agent 范式为什么格外“吃”后训练
早期所谓的 Agent，往往只是在一个特定 Benchmark 上增加更复杂的系统提示、工具调用和少量环境反馈。这样的框架通常很简洁，也只服务于单一任务。模型即使在 Benchmark 上得分很高，接入 Claude Code 或 OpenClaw 这样的复杂框架后，也未必能够稳定工作。
罗福莉认为，真正的智能体训练必须面向多样的框架和端到端的复杂任务。模型不只是生成一段文本，而要在环境中持续行动：理解上下文，调用工具，观察反馈，修正计划，与用户或其他智能体多轮协作，直到任务完成。
这让后训练的地位发生了根本变化。Chat 时代，预训练与后训练的算力投入可能是 3:1，甚至 5:1；在她的判断中，顶尖团队如今很可能已经走向 1:1。原因在于，智能体能力并不会在基座训练完成后自然稳定地出现，它需要大量真实或高质量合成的长程任务、环境交互、奖励设计和框架适配来激活。
代码之所以始终是重要训练场景，也与此有关。代码数据拥有密集的长上下文关联，软件开发天然是一个需要规划、执行、调试和验证的长程任务，同时又有相对清晰的环境反馈。数学和代码在推理时代提供了可验证信号，代码在智能体时代又进一步提供了可交互的环境和长程任务，因此连续命中了多次范式变化中的关键条件。
但代码并不等于全部。它可以拉高模型处理长程任务的上限，更多真实领域的数据和环境则决定下限是否稳定。要让模型从编程泛化到金融分析、组织管理或其他复杂工作，仍需要覆盖更多场景，并尽量还原使用者完成任务时所处的环境。
环境之所以关键，是因为只有在环境中，系统才能获得多轮交互，也才能定义更准确的奖励。仅靠一组静态问答，很难训练出真正能够长期行动的智能体。
算力瓶颈没有消失，只是重新分配了
智能体大幅缩短了从想法到代码的距离。过去一个研究想法从提出、实现到形成评估，可能需要一两周；现在，在智能体辅助下，初步验证有时可以压缩到一两个小时。多个想法还可以交给不同的子智能体并行推进和交叉验证。
研究效率提高之后，新的瓶颈反而更直接地落在 GPU 上。想法和代码生成得更快，实验却仍然需要真实算力运行。研究团队会同时提出更多假设、启动更多实验，也需要更快淘汰错误路线。
罗福莉给出的一个算力配置参考是：研究、预训练和后训练约为 3:1:1。这里的“研究”不是正式训练本身，而是结构实验、数据实验、算法验证和训练过程中的问题排查。她认为，研究算力至少应该超过正式预训练或后训练中的任何一项。
这也解释了为什么“有几千张卡能启动一次训练”并不等于拥有足够的模型研发资源。真正的投入还包括正式训练前后的大量并行实验，以及上线后快速增长的推理需求。随着智能体处理的任务变长、调用次数增加，推理侧对算力、存储和成本的压力甚至可能远高于训练。
在基座模型规模上，罗福莉提出了一个带有明确限定的个人判断：如果目标是接近 Claude Opus 4.6 这一档模型在 Agent 场景中的水平，总参数规模至少要达到 1T，才更像拥有一张入场券。她同时强调，真正影响推理成本的是激活参数，模型规模、激活规模、效果和价格之间始终存在权衡。这不是一个已经被普遍证明的定律，而是她基于当前训练和使用体验形成的判断。
长上下文的竞争，最终是效果、速度与成本的共同竞争
Agent 任务天然需要更长的上下文。模型要记住多轮交互、工具结果、用户偏好、业务规范和前序计划，还要在任务中不断加入新信息。上下文越长，系统可以容纳的状态越丰富，但训练和推理成本也会迅速上升。
MiMo V2 系列的架构选择，正是围绕这一矛盾展开。罗福莉介绍，团队在设计 Flash 和 Pro 时，核心目标不是预先押注某个具体 Benchmark，而是提升长上下文场景中的建模效果、推理速度和成本效率。
团队选择了 Hybrid Attention，把全局注意力与滑动窗口注意力结合起来。随着模型规模扩大，全局注意力层的绝对数量不必同步增加，可以通过更多滑动窗口层控制 KV Cache 和长文本成本。在 Pro 上，两类注意力层的比例进一步走向约 7:1，以便在模型智能水平提升的同时，尽量保持长上下文效率。
MTP 则利用了架构中剩余的计算空间。它在预训练阶段帮助提升基座能力，在推理阶段通过一次预测多个后续 Token 并进行验证，提高 GPU 利用率和生成速度。因为预测结果仍需验证，罗福莉认为它不会额外引入幻觉；真正的价值在于降低单 Token 成本并提升响应速度。
这套选择并不是在所有场景下都必然最优。她把模型结构设计概括为两种思路：一种是在预训练前尽可能明确未来使用的芯片、并行方式和推理场景，为固定条件设计高度精细的结构；另一种是保留结构的简洁性和余量，让后训练能够在未来不断变化的 Agent 场景中继续调整。
Agent 时代让第二种思路显得更有吸引力，因为后训练周期正在拉长，使用场景和上下文长度也变化得很快。半年前对芯片和任务长度的判断，可能在模型完成长期后训练时已经失效。架构不仅要高效，还要给未来留出调整空间。
多模态不一定直接产生智能，但它扩展了行动边界
MiMo V2 Pro、Omni 和 TTS 分别承担理解与调度、感知和声音表达等不同角色。没有把所有能力强行合并到一个超大模型中，一个重要原因仍然是成本和速度：语音生成未必需要调用 1T 级模型，视频理解也未必在每一步都值得使用最大的模型。
在智能体框架中，更现实的做法是根据任务阶段选择合适的模型。语言模型负责主要推理和调度，当任务需要视频、图像或音频感知时，再调用更专门的模型。多个模型如果共享相近的预训练知识和生态，彼此移交任务时也更容易保持背景一致。
罗福莉对“多模态是否必然促进智能”保持了克制。她观察到，原生多模态训练可能让模型拥有更丰富的世界知识，对细微信息的感知也更强；但这些变化很难在现有 Benchmark 中清晰体现。仅仅扩大感知输入，未必自动提高抽象智能。未来如果感知与生成能够在同一系统中更深地结合，也许会出现新的能力，但目前仍然是需要继续验证的研究问题。
她更确定的一点是：智能体要真正行动，就必须拥有多种感知和表达渠道。当前很多框架最终仍把视频回退成图像或文本描述，说明模型能力与框架能力还没有充分融合。只有感知模型、生成模型与智能体协调层一起演进，类人的多模态协作才可能出现。
研究方式改变之后，组织也必须改变
罗福莉介绍，MiMo 团队整体约有 100 人，覆盖数据、预训练、后训练、训练与推理基础设施、多模态、语音、开发和产品等环节，其中真正集中参与一代模型迭代的人可能只有二三十到三四十人。团队不按预训练组、后训练组设置固定边界，也不强调层级和职级。
她反对用清晰的组织框线过早定义一个人能做什么。预训练研究者往往拥有更强的数据多样性意识，这种能力进入后训练后反而很有价值；做数据的人也可能随着训练阶段自然迁移到算法；理解模型体验的人，可以从失败案例反推数据和训练方法。如果岗位被固定得太早，组织会损失这些跨领域迁移。
项目依然需要推动者，但推动者不拥有对参与者的绝对控制权。平权的价值，是让每个人都可以贡献判断，而不是默认层级更高的人一定更聪明。对探索性研究来说，规范和约束虽然能提高可管理性，也可能压缩原创空间。
这套组织方式依靠的不是完全没有秩序，而是共同目标、技术基础和热爱。罗福莉更看重一个人是否对研究有真实兴趣、是否具备好奇心、是否能把想法做出来，以及是否愿意在高标准环境中快速学习。她认为，大模型研发中的很多具体能力可以在一两个月、慢一些三四个月内习得，因此环境有时比既有经验更重要。
环境的作用，是让成员彼此“蒸馏”：一个人的长处被其他人快速吸收，不同背景的人不断暴露彼此原本看不到的问题。为了避免集体盲区，团队还需要保持多样性。过于同质的成员容易把某些信号当作噪音，而不同经验和思考方式，可能让研究方向更早显现。
智能体进一步加速了这种组织。团队可以用它并行验证想法、编写研究基础设施、复原实验路径，也可以让不同子智能体维护独立上下文，再通过协作完成复杂任务。罗福莉目前并不认为多智能体已经稳定提高了任务能力上限，但它在节省时间和成本方面的价值已经明确。
竞争的下一幕，是模型、框架与生态位的合力
回看大模型的发展，罗福莉把 ChatGPT 视为让大众感知预训练智能的一次交互突破；随后，开源团队围绕大规模预训练、模型结构和生态展开追赶；O1 与 R1 证明强化学习能够在代码和数学之外表现出更强的泛化；而现在，竞争正在从 Chat 与单次推理转向复杂智能体。
新阶段的入场条件不只是一套大模型。基座模型必须有足够潜力，特别是在代码和长上下文方面；后训练团队要能迅速适配不断变化的智能体框架；推理系统要从“只服务模型生成”转向管理模型、工具、环境、CPU、GPU 与存储的复杂系统；公司还要把操作系统、硬件、流量、社交或其他既有资源接入智能体，让框架能够理解和调度自己的生态位。
在罗福莉看来，国内外模型在预训练基座上的差距已经不像过去那样明显。她推测，拥有 1T 级基座、研究反应足够快的国内团队，距离当代顶尖模型可能只有两三个月的代差。但这仍是她根据当前模型表现作出的个人估计，并不意味着两三个月后一定能够追上届时仍在进步的海外模型。
接下来真正拉开差距的，是技术敏捷性：谁能更快理解新的框架，谁能把 Agent 后训练扩展到更大规模，谁能降低长程推理成本，谁能让框架、模型和人形成更高效的反馈循环。
这也是为什么她把 2026 年的主旋律定义为“高价值生产力场景的持续突破”。端侧小模型、端云协作和多智能体都会发展，但核心仍是让智能体完成更复杂、更长、更有经济价值的任务，同时把成本压到足以替代现有工作方式的程度。
写在最后
在这场访谈中，罗福莉多次提醒，她的许多判断仍然会随着研究进展而变化。她把 AGI 的时间预期从“两年以上”提前到“两年以内”，认为 AI 训练 AI 可能成为自我提升的重要节点；但她也不愿意给 AGI 下一个过于清晰的定义，更不把具体时间当作已经确定的路线图。
比时间预测更值得关注的，是她对变化机制的解释：长上下文让模型获得更多状态，智能体框架把模型接入真实环境，Skills 让人的隐性经验进入系统，后训练把这些复杂交互转化为能力，群体协作又同时推动模型与框架进化。
当这些环节连在一起，模型竞争就不再是单点能力的比较，而变成一整套系统的竞争。技术范式一旦改变，算力结构、研究方法和组织方式都要随之调整。OpenClaw 引发的真正冲击，也许正是在这里：它让越来越多人第一次看到，智能不只存在于模型参数中，也存在于模型、工具、环境和人类经验如何被组织起来的方式里。