欧美91精品国产自产I国产精品免费麻豆入口I国产99久久久国产精品免费看I国产一区网I黄色在线成人I2019天天干夜夜操I久草91视频I91福利专区

在近日舉行的分析師分享會上，圍繞 Mano-P 的模型定位、技術路徑及其背后的 Personalized AI 思考，明略科技副總裁，多模態首席科學家 Cyrus 進行了系統分享。

隨著大模型發展進入新階段，行業競爭的焦點正在從單純追求更大參數規模，逐步轉向對真實任務執行能力、持續學習能力以及個性化適配能力的深入探索。Mano-P 正是在這一背景下提出的一項重要嘗試。

以下為分析師分享會紀要。

Cyrus：今天我主要匯報的題目是 Personalized AI。這既是我們推動 Mano-P 這項工作的核心出發點，也是我們決定將模型推向個性化方向背后最重要的思考。

首先，我想分享一個判斷：我們正再次處在新舊 AI 時代的交界點。有人可能會問，之前大模型時代到來時，我們已經說過行業進入了一個新的分界點，那么這一次所謂的新舊 AI 交界點，指的又是什么？我們目前的結論是，AGI 和 Personal AI 是兩條完全不同的路線。接下來，我想展開講講我們為什么會得出這樣的結論，以及這一判斷背后究竟發生了什么。

今年春節期間，行業非常熱鬧，既有 OpenClaw，也有各家廠商發布的新模型。但在這場看似激烈的 AI 軍備競賽背后，大家也會產生一個疑問：春節期間，諸如 Claude 4.6、GPT 5.2 等模型相繼發布，為什么卻沒有出現像此前 DeepSeek GRPO 那樣具有標志性的方法創新或重量級技術報告？

答案其實很直接：大家現在都在為數據所困。互聯網上的知識，基本已經被消耗殆盡，越來越像“化石”。誰的 Agentic 類 App 用戶量更大、流量更高，誰就能獲得更多新數據，也就更有機會讓模型學到真正新的知識。

我們已經可以看到，一般的對話類智能體很難繼續為模型訓練提供有效數據。比如用戶每天詢問天氣如何、感冒該吃什么藥，這類信息對于模型來說已經不再屬于高價值語料。用戶反復提出同類問題，對模型訓練的增益已經非常有限。真正能夠持續提供新數據的，只有 Agentic 類 智能體。

最近 Anthropic 一直在強調，不要再等下一代模型，而是立刻去做 Harness。現在大家普遍認為，Agent 等于 LLM 加上 Harness。這句話背后的意思其實很清楚：如果不盡快做 Harness，就沒有足夠的數據去訓練下一代模型。

眼下真正有價值的新數據，只有一種，就是完整的 Agent 工作流，而且這個工作流必須是真正替代人類完成了具體任務。只有這樣的數據，才會對下一代模型產生實質性幫助。

Claude 作為 OpenClaw 背后的大腦，大家可能會覺得它很好用，但其實這些模型本身早就已經出現了。為什么 OpenClaw 看起來更智能、能做的事情更多？關鍵原因在于 CUA 的使用場景。一個 CUA 場景意味著更高的權限，也意味著一個長期存在的工作平臺。

你在電腦上留存的歷史文檔，都可以被 OpenClaw 調用，這和在沙箱中運行的 Agent 有本質區別。沙箱中的任務結束后即被銷毀，灌輸進去的上下文也隨之消失；但 OpenClaw 會持續存在于你的電腦上，隨著時間推移，它會逐步了解你近期在做什么工作，并把這些內容積累下來。因此，這類智能體會給人一種“伴隨你一起成長”的感覺。

但這件事本身也會帶來新的問題。隨著使用時間拉長，你會發現 OpenClaw 反而可能慢慢變笨。原因在于，電腦里的文件系統可以無限擴展，而大語言模型的上下文通常只有 100 萬到 200 萬 Tokens。

剛開始使用時，文件量可能不到 1G，壓縮進 100 萬 Tokens 后，壓縮率還相對可控，因此 OpenClaw 還能夠較完整地看到上下文。但如果用上幾個月，記憶增長到 1T 甚至 100T，再把這些內容壓縮進去，就必然會丟失大量信息，最終導致它記不住很多過去發生的事情。與此同時，每次請求都要重新傳入已經占滿的上下文，哪怕只是一次簡單交互，成本都可能高得驚人。

OpenClaw 背后的大腦，也未必像大家想象中那樣聰明。比如你問大模型，距離 50 米去洗車，應該開車還是走路，大多數模型仍然會回答走路。這說明大模型本身存在明顯問題。如果把它類比成人類，它更像一個患有順行性遺忘癥、也就是海馬體受損的患者。它能夠記住今天之前發生的事情，但對于今天之后發生的事情，往往只能形成短期記憶，很難形成長期記憶。

在 CL-Bench 這類設定了虛構物理規則的測試中，模型的表現并不理想，最好的模型準確率也只有 23.7%。原因在于，在強化學習過程中，我們要求模型不能違背事實進行推理，因此它面對新知識時，仍然傾向于基于原有記憶展開推理。也正因此，今天的 AI 更像是記憶大師，而不是學習專家。那些依靠死記硬背就能刷高分的榜單，評測意義其實并不大。真正有價值的，是測試模型學習新知識的能力，也就是持續學習和終身學習的能力。

那么，怎樣解決“上下文不變，但記憶持續增長”的問題？如果有一種技術，能夠把新的常識和新的客觀事實直接更新到模型的參數或權重中，這個問題就有可能被解決。比如一個月之內發生的事情被壓縮進參數里，模型從 4.2B 變成 4.5B，知識真正進入參數之后，就不需要每次都重復攜帶在上下文中，不僅更節省成本，準確率也會更高。

再看另一個問題。人類是已知神經元最多的生物嗎？并不是。短肢領航鯨和非洲象的神經元數量都比人更多。在模型訓練中，Scaling Law 和 Overfitting 是并存的。舉例來說，在辨別人臉時，參數量更大的模型有時會過度擬合一些無關特征，比如衣服，導致特征稍有變化就無法識別；相反，參數更小的模型如果抓住了更核心的特征，反而能夠識別出來。所以，參數更多并不必然意味著模型更聰明。

綜合前面這些問題，我們認為，當前 AI 真正的瓶頸，不是參數不夠多，不是數據不夠大，也不是算力不夠強，而是缺乏持續學習能力。而具備參數化持續學習能力的模型，必然發生在端側，因為用戶不可能去修改商業模型的參數。

基于以上判斷，接下來我介紹一下 Mano-P 本身。它是 Personal AI 的第一步，目標是在端側持續打造真正屬于你的模型。它將分三個階段開源。

第一階段已經開源，主要面向現有 OpenClaw 用戶的 Agent Skill。很多工具雖然已經實現 API 化，但在實際工作流中，一旦遇到需要 GUI 操作的軟件，仍然離不開人工介入，這也成為整個流程中的瓶頸。我們要做的，就是替代人工去操作 GUI 軟件，把這段工作流徹底打通。我們這次開源的 Skill 叫 Mano CUA。用戶下載安裝之后，就相當于擁有了一只“虛擬手”來操作電腦。目前開源的是云端版本。

第二階段將開源端側模型和本地版本，主要面向安全性要求更高的用戶。它可以在本地斷網運行，直接使用 Mac，尤其是 M4 芯片以上設備上的 GPU 與 ANE 混合算力，或者接入 USB 算力棒，即可完成本地推理，不需要英偉達顯卡，也不需要本地服務器。

第三階段，我們會開源整個模型的訓練方法。到那個時候，開發者就可以基于這套方法，打造屬于自己的端側模型。

Mano P 目前已經在全球多模態 13 個榜單上達到 SOTA。在 100B 以內的小尺寸模型中，基本處于領先位置；在不限尺寸的情況下，也基本能夠穩定進入前三。在 9 個主要榜單上，全部排名第一。

而剛才提到的參數化持久記憶，到底如何實現？我們把這套方法稱為嵌套學習。現有大語言模型建立在 Deep Learning 基礎之上，但在這一范式形成之初，并沒有真正把持續學習的問題納入核心設計，因此它更像是“海馬體受損”的狀態。人類之所以能夠形成長期記憶，是因為會不斷經歷在線鞏固和離線鞏固。而我們現在采用的這套學習方式，就像齒輪結構一樣，每一層的更新頻率都不相同。

在 Mano-P 的訓練過程中，我們設計了三個 Agent，分別是執行者、教授和哲學家，它們的更新頻率各不相同。其中，哲學家的更新頻率最低，相當于長期穩定的準則。借助這套技術，我們在 CL Bench 上取得了僅次于 GPT 5.1 的成績。

所以，最后的結論是，基于 Deep Learning 和 Transformer 的大模型，本質上是記憶大師，而不是學習天才，它缺乏持續學習能力。現有路線更多依靠擴大上下文來彌補這一點，但這種方式意味著極高的成本。

嵌套學習的理念，將使 AI 真正具備終身學習能力。新時代的 AI 將運行在端側，成為輔助個體的最強模型。未來，追求通用智能的 AGI 和追求個性化智能的 Personal AI 會長期共存。沒有人真正需要一個萬億參數的通用模型，你真正需要的，可能是一個懂你、了解你、能夠陪伴你一起成長的個性化 AI 模型。

分析師：Mano-P 對比 Mano 模型來說，主要提升體現在哪些方面？

Cyrus：Mano-P 在 GUI 操作能力上有了明顯提升，不僅頁面操作的準確率更高，更重要的是，我們開始能夠處理越來越多的長尾問題。因為 Mano-P 具備持續學習能力，所以只要你告訴它你的卡點在哪里，它就有可能把這個問題學會。

分析師：公司當前主要推進的 AI 研發方向是什么？

Cyrus：和那些做通用大模型的公司不同，我們更關注個性化 AI 能力的建設，這就需要很多不同方向的技術支持，比如嵌套學習、持續學習等。接下來，我們會把更多研發精力投入到這些方向上。通用模型廠商走的基本是 Scaling up 路線，而我們提出的是 Scaling out。

對于可信智能的構建來說，Scaling out 的優勢在于，它可以讓學習過程更透明。因為它運行在你的客戶端上，本質上是一個白盒，安全風險會更低，你也會更愿意信任它，把自己的資料交給它學習。

分析師：Mano-P 在榜單上的成績提升非常明顯，但如果從客戶實際應用體感來看，它和測評分數之間是什么關系？

Cyrus：Mano-P 究竟能幫我們做什么？以全自動化軟件開發場景為例，現在大家可以借助各種工具編寫代碼，但軟件最終仍然是給人使用的，因此界面功能和交互體驗仍然需要人來測試。也就是說，在測試這個環節中，人反而成為自動化的瓶頸。我們的這套技術，可以通過 GUI 操作替代人工測試，從而實現從需求拆解、編碼到測試的全流程自動化。

相似的，在視頻剪輯的工作流中，從一句話生成TVC粗剪，到智能分析視頻問題，再到剪映自動精修，全程不用人工操縱，Mano-P 同樣可以直接幫你點鼠標、改字幕、傳文件，實現工作流的自動化運行。

而我們之所以堅持自研模型，是因為我們需要它去適配更多真實產品。在 Agent 時代，模型在后臺需要完成任務拆解、意圖理解、步驟規劃，再進一步調用工具。在這個過程中，哪怕底層模型能力只差 10%，最終呈現出來的結果也可能是 0 和 1 的區別，要么任務完成，要么整個流程失效。我們真正想做的，是一個更適配 Agent 的底層大模型，它對人類意圖的識別更敏銳，也更有能力幫助我們真正完成任務。

后面我們也會更關注一些更硬核的榜單，重點考察上下文學習能力和持續學習能力，因為這些榜單上的表現，與真實應用水平之間的偏差會更小。

分析師：關于剛才提到的，OpenClaw 在過度壓縮記憶文件之后會丟失很多信息，這個問題如果從技術角度來解決，應該怎樣提升整體效果？

Cyrus：這個問題其實已經困擾很多人很久了。無論是把知識壓縮到上下文里，還是壓縮到向量空間里，本質上都還是壓縮，而壓縮的上限又受限于商業模型的上下文窗口。擴大上下文，只能寄希望于模型廠商。但參數化這條路徑不一樣。因為模型運行在端側，是你自己的模型，所以參數量增加到什么程度，其實由你自己決定，你可以持續擴展。我們認為，這是一條更可靠、也更科學的方式。