2025 年以来，大模型的能力边界被不断刷新。但对于大多数开发者和用户而言，“用得起”仍然是比“好不好用”更前置的问题。按量计费的模式下，每一次调用都伴随着对成本的不确定。 我们不希望这样。我们相信—
每天 120 万亿 Tokens，这就是今天上午火山引擎 AI 创新巡展上，豆包大模型亮出的最新成绩单。
甲骨文凌晨突发裁员，不是愚人节玩笑。
DigClaw 创始团队意识到，快速变革的AI时代下，利用大模型捕捉并处理这些商业“弱信号”成为可能，而这将彻底重构 B2B 获客的基础设施。2025 年，DigClaw 正式起航，试图用 AI 重构信息基础设施，用商业“弱信号”识别“你在什么阶段、什么业务、什么场景之下需要什么产品”，并转化为 B2B 企业可落地的商业阿尔法。
我自己用 Coding Plan 也有一段时间了，最开始只是为了省点 API 钱，后来各家陆续推出固定月费套餐，我发现选起来比想象中复杂。Codex、Claude Code、Cline、OpenClaw 这些工具让开发者越来越习惯用自然语言驱动代码生成和任务执行，但高频调用带来的 API 成本也成了一笔固定开销。
腾讯已上市两款类龙虾产品，即将上市的至少还有4款；
过去数月，AI 领域很难绕开一个名字 ——OpenClaw。这个项目在极短时间内获得了爆发式关注：数十万星标、惊人的 Token 消耗，以及几乎所有大厂的快速跟进。从表面上看，它像是又一个现象级 AI 产品；但如果进一步审视，一个更值得思考的问题随之浮现 ——OpenClaw 的出现，究竟意味着什么？它真的是一次技术突破，还是某种更深层变化的信号？
第一篇论文来自字节SEED团队， 打了一些基础； 《Over-Tokenized Transformer》。 论文标题看上去在讨论“过度分词”。 而重点必然是在第二篇上—— DeepSeek公司的学术成果Engram。 《Conditional Memory via Scalable Lookup》 也就是Engram模块所出处的论文。
ICLR论文STEM架构率先提出「查表式记忆」架构，早于DeepSeek Engram三个月。它将Transformer的FFN从动态计算改为静态查表，用token索引的embedding表直接读取记忆，彻底解耦记忆容量与计算开销。
在生成式 AI 领域，视觉分词器（Visual Tokenizer）通常采用固定压缩率 —— 无论是单调的监控画面，还是复杂的动作大片，都被切分为等量的 Token。这种 "一刀切" 的做法不仅会造成巨大的计算冗余，也产生了 “信息量” 不同的 Token，不利于下游理解生成任务处理。
