Майнинг-компания Ant Number Science выступила на форуме в Пекинском университете: эффективность токенов станет ключевым показателем оценки ценности корпоративного ИИ

Взрывной рост автономных исполняющих агентов, представителем которых является OpenClaw, знаменует ускоренную эволюцию AI-приложений от «диалогового взаимодействия» к «выполнению задач». В то время как компании ускоренно внедряют это, они также сталкиваются с целым рядом проблем, включая потери вычислительных ресурсов и вопросы безопасности и комплаенса. Как сделать так, чтобы агенты действительно внедрялись в масштабах, оставаясь устойчивыми и долгосрочными, — стало ключевой темой, на которую в отрасли обращают общее внимание.

26 марта на форуме «В будущем промышленности» в рамках Zhongguancun Forum, заместитель руководителя департамента инноваций в технологиях больших моделей Ant Model Technology (Ant) г-н Чжан Пэн в своем выступлении заявил, что всплеск OpenClaw принесет революцию в корпоративную AI-парадигму, продвигая внедрение больших моделей в промышленные сценарии с «соревнования параметров» к «Token-эффективности как конкуренции».”

Выступление г-на Чжан Пэна, заместителя руководителя департамента инноваций в технологиях больших моделей Ant Model Technology, на Zhongguancun Forum

Быстрое распространение агентов типа OpenClaw отражает спрос рынка на автономно исполняющие агентов, но в реальной промышленной среде их внедрение сталкивается с заметными вызовами: из-за отсутствия глубокого понимания отраслевых правил и бизнес-процессов агенты при выполнении сложных задач часто многократно вызывают инструменты, из-за чего расход Token оказывается значительно выше, чем эффективная отдача. Как сообщается, в некоторых сценариях с частыми вызовами стоимость расхода Token для OpenClaw может достигать десятков раз, а иногда и сотен раз, стоимости интегрированных Agent. Такой сценарий с высокой затратностью и низкой отдачей ставит под вопрос его устойчивость при масштабном промышленном внедрении.

«Во второй половине цикла промышленного внедрения больших моделей ключевой тезис — не конкуренция за масштабы параметров, а постоянное повышение эффективности единицы Token». — считает Чжан Пэн. Он полагает, что компании должны, исходя из реальных сценариев и потребностей, выбирать AI-решения, сочетающие модели разного размера, чтобы при более низких затратах на вычислительные ресурсы получать более высокую бизнес-ценность.

Возьмем в качестве примера финансовые сценарии: в этой области ежедневно нужно обрабатывать огромные объемы задач с высокой частотой и низкой задержкой — быстро распознавать намерения, извлекать ключевую информацию, выполнять поиск и сортировку и т.д. Эти задачи предъявляют требования к высокой параллельности, быстрому отклику и высокой точности. Традиционные индустриальные большие модели обладают сильными возможностями в промышленном выводе, но в таких сценариях это похоже на «стрельбу из пушки по воробьям»: слишком дорого и с более медленным откликом, что ведет к потере ресурсов.

«То, что на самом деле нужно отрасли, — это AI-решение, обеспечивающее наилучшее соотношение цена/качество и скорость отклика при соблюдении профессионализма, строгой и тщательной проработки и требований комплаенса». — сказал Чжан Пэн. Он считает, что большие параметрные модели демонстрируют более лучшие результаты в сложном рассуждении и глубоком анализе, тогда как малые параметрные модели в сценариях с частыми вызовами и небольшими задачами имеют меньшую задержку и более высокую ценность. Отрасли нужны решения, объединяющие модели разного размера, чтобы более эффективно и с более низкими затратами решать реальные проблемы.

На Zhongguancun Forum Ant Group (Ant Model Technology) опубликовала легковесную модель, предназначенную для финансов, Ling-DT-Fin-Mini-2.5 — это первая модель серии больших моделей Ling DT. Согласно описанию, Ling DT Fin Mini 2.5 — это легковесная MoE-модель, оптимизированная под задачи финансовой сферы с высокой параллельностью и низкой задержкой на основе новейшей гибридной линейной архитектуры внимания Ling 2.5. При сохранении профессиональной глубины она позволяет сжать стоимость вывода до уровня, пригодного для масштабного развертывания. По сравнению с основными универсальными моделями в отрасли с сопоставимыми возможностями, скорость вывода у нее на 100% выше; при обработке того же объема задач аппаратные затраты заметно ниже, что дает финансовым учреждениям реальную ценность в части снижения затрат и повышения эффективности.

На самом деле, после того как AI-агенты ускоренно проникнут в ключевые сценарии отрасли и начнут выполнять реальные задачи, сочетание моделей разного размера стало отраслевым трендом. В последнее время OpenAI последовательно выпустила две небольшие модели — GPT‑5.4 mini и nano — с упором на низкую задержку и высокую ценность за деньги, которые выступают основной силой среди под-агентов на уровне выполнения.

Чжан Пэн заявил, что технологическое развитие неизбежно вернется к рациональным требованиям промышленности к эффективности; на следующем этапе конкуренции эффективность единицы Token станет ключевым показателем для оценки ценности корпоративного AI. Ant Model Technology будет продолжать углубленно развивать корпоративный AGI, и далее выпустит корпоративную версию Ling DT больших моделей — BaiLing enterprise — и ее отраслевые версии, ускоряя масштабное внедрение агентов в корпоративных сложных сценариях.

Огромные объемы информации и точная интерпретация — все в приложении Sina Finance APP