底层判断
OpenClaw moment 更长也更深远
它没有 o1 那种「数学代码可量化」的清晰界定，而是能量慢慢溢出到更多人能感知的场景。前序章节太久，所以大家不觉得它新，但它会持续加速。
核心心法与宏观判断
先把整期最关键的范式判断压成可复述的几句话。
1. OpenClaw 是范式分界点。 罗福莉把 OpenClaw 定义为「划时代的 agent 框架」：它不是 Claude Code 套壳，而是用整套 agent 编排去弥补模型短板，让一个中层模型也能在 85% 的场景逼近 Claude Opus 4.6 的表现。
2. Agent 范式很吃 Post-train。 过去预训练比后训练是 33:1、15:1，今年顶尖团队已经到 1:1；后训练周期从「一个月」拉长到「半年到一年」，很多预训练期定死的假定都会失效。
3. 卡的分配比例变了。 她给出的合理比例是研究:预训练:后训练 = 3:1:1，研究卡要比正式训练卡还多。在 agent 范式下，卡（尤其推理卡）反而成了最关键的瓶颈。
4. 组织要用新方式重建。 无职级、无分组、扁平、靠热爱驱动；她认为环境比经验更重要，预训练的人会自然流向后训练，招大二大三的本科生要的正是「未被污染」的想象力。
章节深度交互地图
左侧点选章节，中间看主线拆解，右侧切换概念工具箱。
关键概念卡片
每张卡都对应访谈里的一个判断，可直接跳回原音频。
智能体框架
框架是「中间层」，UI 是最薄的一层
agent 框架同时定义人机交互层和与模型沟通那一层，能感知模型长短板并做成本调度。这个中间层可以做得非常厚重，前端 UI 反而不再关键。
群体智能
用一群人的智慧去改框架
近百人在一个飞书群里疯狂改 OpenClaw，几小时叠一轮，没人把它改坏，反而越来越智能。她认为这是 AGI 到来前必须出现的前兆。
后训练
Agent 范式很吃 Post-train
后训练算力已经与预训练相当，周期拉长到半年一年。这意味着你在预训练期定死的卡型、上下文长度等假定，做着做着就会失效。
卡的分配
研究:预训练:后训练 = 3:1:1
研究卡是正式训练卡的 3-5 倍。idea 诞生和写代码都很快，真正卡住你的是 GPU——卡反而成了最关键的制约项。
模型结构
Hybrid Attention + MTP，放弃 MLA
为 long context 效率而设计：滑动窗口层与全局注意力层做到 7:1，省 KV cache；再用 MTP 吃掉富余算力、加速推理，而且因为会被 verify，所以不引入幻觉。
入场券
ET（1T+）基座是 agent 时代入场券
要做到接近 Claude Opus 4.6 的 agent 水平，至少需要一 T 以上参数规模，再加上后训练的敏捷性，二者缺一不可。国内目前只有少数团队同时具备。
全模态
把音频离散化塞进 LLM
用多层 RVQ 做近乎无损的离散音频建模，统一到 next-token 范式；图片还在进行中。原生全模态让 Omni 的世界感知和情商更强，但 benchmark 上纹丝不动。
优先必听精彩时刻
时间有限时，先听这十段。
- 春节通宵初体验：凌晨两点装好，聊到六点天亮，第一次感到 OpenClaw「有灵魂、有温度」。
- 框架是中间层：agent 框架同时定义交互层和模型沟通层，UI 是最薄的一层。
- 不用就落后：给团队下指令——第二天对话没超 100 轮的可以直接辞职，目的只是逼大家去体验。
- 研究节奏被改变：以前两周的研究流程，现在一两小时做完，十个 idea 可以并行验证、交叉检验。
- Reward 设计保密：长任务的 correward 设计是当前的秘密，做到很大量级后会开源告诉大家。
- 很吃 post-train：预训练比后训练从 33:1、15:1 走到 1:1，周期拉长到半年一年。
- 卡的分配 3:1:1：研究卡是训练卡的 3-5 倍，卡成为最关键瓶颈。
- AGI 时间线提前：从 flash 的 20%，今年到 60-70%，她认为两年内可能实现。
- R1 的真正启示：外界看到的是 R1，她在内部感知到的是模型开训前对团队与组织的调整。
- 环境比经验重要：能力一两个月就能习得，她只在乎初始化和上限，招大二大三「未被污染」的人。
术语与概念索引
适合复盘、做笔记或快速给别人讲这一期。
OpenClaw
开源的智能体框架，脱胎于 Claude Code，但更强调端到端完成日常任务、分层记忆、多模型自主调度、定时/心跳任务与远程操控。社区迭代极快，后被 OpenAI 收购，但仍保持开源属性。
智能体框架
介于人与模型之间的「中间层」，既定义人机交互，又定义与模型的沟通与调度。可以做得很厚重，而前端 UI 是最薄的一层。
Post-train（后训练）
Agent 范式下极度依赖的环节，算力投入已与预训练相当（1:1），周期拉长到半年至一年，倒逼预训练期的很多假定重估。
卡的分配比例
研究:预训练:后训练约为 3:1:1；研究卡通常是正式训练卡的 3-5 倍。推理卡的需求量比训练还高很多。
群体智能
用一大群人（乃至全人类）共同改进 agent 框架与数据，让框架和模型快速自迭代。OpenClaw 开源社区是典型样本。
自学习 / 自迭代
模型与 agent 框架同步进化：框架吸收人的智慧，人的经验先进框架、最终沉淀进模型参数。
Hybrid Attention
滑动窗口注意力层 + 全局注意力层按比例混合（Pro 做到 7:1），为长上下文效率与更小的 KV cache 而设计。
MTP
Multi-Token Prediction，多 token 预测。吃掉 hybrid 结构的富余算力、加速推理；因为预测结果会被 verify 校验，所以不引入幻觉。
MLA / MA
DeepSeek 系列为 H 卡访存/计算比设计的高效注意力，长文省 KV，但结构「太满」、难叠 MTP，被认为不那么适配 agent 范式。
ET / 一T 基座
一万亿参数以上的基础模型，被视为 agent 时代对标 Claude Opus 4.6 的「入场券」，需再叠加后训练敏捷性。
全模态（Omni）
原生联合理解视频/音频/图片/文本；把音频用多层 RVQ 离散化统一进 LLM。世界感知与情商更强，但难在 benchmark 体现。
Code 的泛化性
软件工程是长上下文、可验证、长程任务，在预训练、RL、agent 三次范式转变中都「戳中那个点」，天然易 scaling 到通用领域。
转写注意事项
本页原始 ASR 已按 OpenClaw、Claude Code、Claude Opus、MLA、Omni、DeepSeek、Qwen、Llama、MiMo 等术语校正。末尾精读区改为章节级解构，不再直接展示逐字稿；时间戳用于回听定位，API 价格和模型命名等细节仍以官方口径为准。
十分钟切片精读（12 段覆盖全片 3 小时 35 分）
用已精修的章节地图重排最后一部分：每段约 10-20 分钟，聚焦 OpenClaw、后训练、全模态和组织判断。