🔥36氪•較早收集於 73m
昆侖萬維發布高性能 Agent 模型 SkyClaw
💡高性能Agent模型,百萬上下文且針對工具調用優化,提供極具性價比的API選擇。
⚡ 30-Second TL;DR
有什麼變化
支持百萬token上下文,深度適配各類Agent執行環境
為什麼重要
SkyClaw通過強化學習提升了模型在真實工具環境中的履約能力,為開發者構建複雜自動化工作流提供了高性價比的替代方案。
下一步行動
通過APIFree獲取API Key,在你的自動化工作流中測試SkyClaw-v1.0的工具調用穩定性。
誰應關注:Developers & AI Engineers
關鍵要點
- •支持百萬token上下文,深度適配各類Agent執行環境
- •在OpenClaw等基準測試中表現接近Claude Opus 4.6等頂級模型
- •採用Agentic RL訓練,重點優化錯誤恢復與多輪迭代能力
- •定價極具競爭力,API已通過APIFree開放免費試用
🧠 深度解析
Web-grounded analysis with 24 cited sources.
🔑 增強重點摘要
- •SkyClaw-v1.0已於2026年3月由昆侖萬維旗下Skywork正式推出,作為雲端AI原生助理,初期提供Skywork PPT、Document、Excel、Design、Search及Mureka Music Maker等六大官方技能。
- •該模型從設計之初即專為Agent任務打造,著重於工具調用、參數傳遞及多步驟任務的拆解與執行,而非在通用語言模型基礎上附加Agent能力。
- •SkyClaw-v1.0針對OpenClaw相關任務進行了深度優化,並與OpenClaw、Hermes、Nanobot、Claude Code及Codex等主流Agent框架高度兼容,大幅降低開發者的整合門檻。
- •昆侖萬維計劃在免費試用期結束後,逐步開源SkyClaw的各個版本模型,賦予開發者自行修改和部署模型的權限。
- •模型的訓練過程涵蓋了大規模中期訓練(mid-train)、高品質合成任務監督微調(SFT)以及端到端強化學習優化,旨在提升其在不同Agent環境中的性能與泛化能力。
📊 競品分析▸ Show
| 特性/模型 | SkyClaw-v1.0 | Claude Opus 4.6 |
|---|---|---|
| 發布日期 | 2026年5月26日 (v1.0) / 2026年3月 (產品上線) | 2026年2月5日 |
| 上下文窗口 | 百萬token | 1M token |
| Agent能力 | 專為Agent任務設計,優化複雜工具調用、多輪任務執行、錯誤恢復、代碼生成、文件編輯、交互式應用構建與研究型數據分析 | 擅長持續、自治任務執行,高精度操作複雜工具,多Agent工作流中更優決策;支援Agent Teams (多智能體協作);多模態視覺理解 |
| 基準測試表現 | 超越Minimax 2.7、DeepSeek V4 Flash、Qwen 3.6 35B A3B / 27B;在OpenClaw相關任務上接近DeepSeek V4 Pro、Claude Opus 4.6、Qwen 3.6 Plus | BigLaw Bench 90.2%;工具使用+190 Elo積分,編碼+144 Elo積分 |
| 定價 | 極具競爭力,低於Minimax 2.7與Qwen 3.6系列模型的一半;輸入成本為DeepSeek V4 Pro的1/24,輸出價格為1/6;輸入價格為Sonnet 4.6的約1/43,輸出價格為約1/27 | 未明確提及低成本,但其「Complex Plus」模式計算量為標準模式的2-4倍,暗示成本較高 |
| 兼容性 | 深度適配OpenClaw、Hermes、Nanobot等主流Agent環境,同時兼容Claude Code、Codex等代碼Agent框架 | 支援AgentX平台,與Excel等辦公工具協同 |
🛠️ 技術深入
- 訓練方法論:
- 採用Agentic RL(智能體強化學習)訓練,特別針對錯誤恢復和多輪迭代能力進行優化。
- 訓練過程包含大規模中期訓練(mid-train)、高品質合成任務監督微調(SFT)以及端到端強化學習優化。
- 訓練任務基於OpenClaw風格的工作流構建,專注於複雜工具環境中的實際智能體行為。
- 訓練模擬環境配備了常用且高品質的工具和技能供模型探索和利用。
- 團隊分析了OpenClaw類環境中的真實用戶任務,結合高頻在線技能的使用統計和反饋,構建了工具間的關係圖,並基於此圖合成複雜任務。
- Agentic RL旨在通過強化學習提升後端模型的性能,並開發了基於服務器的異步Rollout、多輪對話和工具調用等功能。
- Agentic RL通常涉及多任務並行學習,每個任務具有特定的數據集、工具、獎勵計算方法和情節終止條件。
- 強化學習的基礎思想是收集AI解決問題的「情節」,計算結果的得分(獎勵),並最大化此獎勵。
- RLVR(Reinforcement Learning with Verifiable Rewards)是Agentic RL的常見基礎,其獎勵通過與正確答案匹配來確定。
- 架構/設計理念:
- 從底層設計上即專為Agent任務而生,而非在通用LLM基礎上疊加Agent能力。
- 專注於可靠的工具調用、長週期多步驟規劃、結構化輸出以及長上下文中的穩定行為。
- 支援多種思考模式以適應不同場景、流式輸出、用於外部集成的強健函數調用、智能上下文緩存以及可插入外部MCP工具和數據源。
- SkyClaw產品基於開源的OpenClaw架構進行深度重構,支援24/7雲端運行和本地離線任務完成。
- SkyClaw所屬的Skywork Super Agent被設想為面向內容創作者的通用操作系統,具備記憶規劃、執行和協同的完整能力閉環。
- 通過自研的Sky Claw架構,深度整合技能與工具編排,實現多Agent協同調度。
🔮 前景展望AI analysis grounded in cited sources
SkyClaw的推出將加速高性能Agent模型在企業級應用中的普及。
其極具競爭力的定價和對主流Agent框架的深度適配,降低了企業部署和使用高性能Agent的門檻,使其具備規模化調用的基礎。
AI Agent市場的競爭焦點將從單一模型能力轉向模型與生態工具的組合能力及成本效率。
隨著模型能力趨於收斂,企業更關心Agent在實際工作流中的執行效率、成本消耗以及與現有系統的兼容性,而非僅僅是模型參數或基準測試分數。
昆侖萬維將通過SkyClaw系列模型進一步鞏固其在AI Agent領域的市場地位,並可能推動Agent模型開源生態的發展。
SkyClaw在性能上超越了多個主流開源模型,並計劃逐步開源,這將吸引更多開發者參與,形成良性生態,同時其低成本策略也符合市場對高效能、低成本AI解決方案的需求。
⏳ 時間線
2008
昆侖萬維集團成立
2020
昆侖萬維組建百人研發團隊,劍指GPT-3
2023-04
昆侖萬維發布自研千億級大語言模型「天工1.0」
2023-10
昆侖萬維開源百億級大語言模型「天工」Skywork-13B系列
2026-03
昆侖萬維旗下Skywork正式推出雲端AI原生助理SkyClaw,並上線首批六大官方技能
2026-05-26
昆侖萬維天工AI正式推出高性能Agent模型SkyClaw-v1.0及其輕量版
📎 來源 (24)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源: 36氪 ↗