Claude Opus 4.7模型发布与市场反响 - Claude Opus 4.7发布后引发高度关注，在作者监控的数十个精选信源中，有10个同时报道了该消息，远超一般热点（3-6个信源）的水平[7][8][9] - 模型已全渠道上线，包括移动端和Claude Code，并维持了1M的上下文长度[12][13][15][17] - 公司为部分用户重置了使用额度，提升了用户体验[18][19] 定价策略与成本变化 - 模型API定价与上一代保持一致，为输入$5/M，输出$25/M[23] - 公司采用了新的tokenizer，导致同样的输入内容会被切分成更多token，数量约为原来的1.0到1.35倍，具体取决于内容类型[30][32] - 尽管单价未变，但由于Token消耗量增加，用户完成相同任务的成本可能上升，账单可能增加[33][35] - 公司解释称，模型准确性的提升可能减少任务来回修改的轮次，从而在复杂任务上实现整体成本可控，但对于模型能力提升不明显的日常任务，用户成本将纯增加[36][37] 模型性能基准测试表现 - 在多项基准测试中，Claude Opus 4.7相比4.6版有显著提升，例如在Agentic coding（SWE-bench Pro）上从53.4%提升至64.3%，在Agentic coding SWE-bench Verified上从80.8%提升至87.6%[25] - 在视觉推理测试（CharXiv Reasoning）中，无工具辅助得分从84.7%提升至91.0%，有工具辅助得分从69.1%提升至82.1%[25] - 在研究生级推理（GPQA Diamond）测试中得分达到94.2%，与主要竞争对手（GPT-5.4 Pro的94.4%，Gemini 3.1 Pro的94.3%）处于同一水平[25] - 值得注意的是，官方数据显示，上一代Opus 4.6在编程相关性能上多数未超过GPT-5.4，这是公司首次在编程领域承认落后于竞争对手[25] 多模态与视觉能力突破 - 视觉能力取得巨大飞跃，在XBOW的视觉测试中，得分从4.6的54.5%大幅提升至4.7的98.5%，成功率从约一半提高到近乎全部通过[39] - 支持的图片分辨率提升至最多可处理2576像素长边的图像，约3.75兆像素，是之前Claude模型的三倍多[39] - 高分辨率图像处理能力的提升，使其能够更准确地识别复杂界面（如浏览器、后台管理系统）中的密集细节，这对于需要自主视觉理解的应用（如自动化渗透测试）至关重要[39] - 实际应用测试中，对于包含大量文字和样式的网页截图识别错误率显著降低，提升了在合同审查、财报分析、竞品界面研究等知识工作场景的实用性[41][42][43] 用户体验与交互设计能力 - 在用户体验和美学设计方面有提升，新模型更理解用户对“丝滑”交互设计的需求，与竞争对手GPT-5.4相比，后者在创作和用户体验设计上被评价为表现不佳[26] - 实际案例显示，使用Opus 4.7开发一个公司招聘网站，从描述需求到产出基本可用的页面仅耗时20分钟，其审美和动效更符合用户体验规则，开发体验优于4.6版[46][47][49][52] - 在创意产业（如影视编剧优化剧本）中，Claude被视为更优的辅助工具，而竞争对手GPT-5.4的创作能力被评价为“几乎为0”，顶级创作者倾向于选择Claude[26] 模型“人味”与语言风格的退化 - 新模型在语言风格上出现了“不说人话”的倾向，开始使用如“稳稳接住”、“根因”、“收口”等程式化、缺乏人情味的词汇，引发了部分用户的不满[55][56][57] - 用户测试发现，让模型续写文章时，其文风变得生硬，失去了原有的文字品味[59] - 社区反馈表明，这不是个别用户的感受，而是一个较为普遍的现象[59] - 这反映出一个行业趋势：模型能力在编程等可量化指标上不断进步，但在语言的自然度、创造性和“人味”上可能被系统性地牺牲，因为后者缺乏明确的商业价值和量化标准[63] 新功能与行业应用拓展 - 在模型“努力程度”档位中，于原有的high和max之间新增了“xhigh”（extra high）档位，并设为默认，以填补性能跨度[60] - 在Claude Code中引入了新的`/ultrareview`命令，用于深度代码审查，能仔细查找bug和设计问题，但单次使用成本较高，约为5到20美元，Pro和Max用户有3次免费试用额度[61][62] - 推出了“网络安全验证计划”，为合法的安全研究、渗透测试等场景开设了特殊申请通道，允许通过审核的从业者使用原本受限的模型能力[62] - 这一分级授权机制被视为一个重要的行业设计思路，未来可能被复用于医疗合规研究、金融模拟攻击、生物合规用药及军工研发等需要严格身份核验的产业领域[62]

模型发布与核心突破 - Physical Intelligence公司发布了全新的视觉-语言-动作模型π0.7，该模型在机器人领域首次证明了组合泛化能力 [1][2] - 模型的核心洞见是“多样化的数据需要多样化的prompt”，通过为训练数据添加丰富的上下文元数据，使模型能够区分数据质量并有效学习，从而解锁了使用多样化、非完美数据源的能力 [12][16][17][19] - 这一方法带来了“涌现”能力，使通才模型在未进行任务专项训练的情况下，性能追平甚至超过了经过微调的专家模型，标志着具身智能领域的一个关键转折点 [20][22][28] 关键性能与能力展示 - 在开箱即用的测试中，π0.7在“做咖啡”、“叠衣服”、“装箱”三个复杂任务上，追平了其前代模型π0.6经过专门微调的专家模型（包括RL specialist和SFT specialist） [23][25][26] - 在“叠衣服”和“装箱”这两个最难的任务上，π0.7比RL specialist单位时间内完成的次数更多 [27] - 模型展现出四种关键的涌现能力：开箱即用的灵巧操作、指令泛化、跨本体泛化和组合任务泛化 [29] - 在跨本体泛化测试中，模型将从一个机械臂（source robot）学到的策略，成功部署到另一个完全不同的机械臂（UR5e）上，任务完成度达到85.6%，与经验丰富的人类操作员（90.9%）基本持平，并且自主开发了更适合新机器人运动学的抓取策略 [33][34][36] - 模型能够理解并执行复杂的空间和语义指代指令，例如“拿起那个最大盘子里的水果” [32] - 模型能够组合已学的原子技能来解决全新的任务，例如在训练数据中从未见过“空气炸锅”的情况下，根据指令组合动作烤出红薯 [7][37][39] 方法论与技术创新 - π0.7模型规模为50亿参数，由三部分组成：负责视觉与语言理解的40亿参数Gemma3 VLM骨干、负责生成连续动作块的8.6亿参数Action expert transformer、以及负责生成次目标图像的World model [52][60] - 模型采用“知识隔离”训练方法，VLM骨干的梯度与Action expert隔离，保护从互联网数据中学到的语义知识不被机器人动作数据污染 [63] - 模型输入包含4路摄像头画面、机器人关节状态、任务指令、子任务指令、元数据以及World model实时生成的次目标图像，输出为50步的动作块序列 [54][55] - 其World model的作用并非预测物理演化，而是作为一个“消歧器”，将任务指令翻译成“成功时应该呈现的画面”，不参与决策规划，这与主流的世界模型技术路线有本质区别 [56][57][58] - 公司的技术路线坚持VLA范式，认为视觉-语言模型可以直接控制机器人，无需先构建内部的世界模拟器进行预测，这一判断从RT-2延续到π0.7 [65][74][75] - π0.7的贡献主要在于方法论而非新架构，其核心是提出了一套通过多样化prompt来利用多样化数据源的方法，解决了以往因数据质量参差不齐而难以利用的问题 [64][83][84] 数据利用与行业影响 - 一个关键实验表明，为训练数据添加质量元数据后，模型性能随数据量增加而提升，即使数据平均质量下降；反之，不加元数据则数据越多性能越差 [43][44][46][47] - 这一发现挑战了机器人领域长期以来的“数据清洗”惯例，表明只要模型知道每条数据的质量标签，低质量或失败的数据也能成为有用的学习信号，从而极大拓展了可用数据的范围 [48][49][50][51] - 该模型的出现被视为对当前火热的世界模型技术路线的一次重要挑战，表明更简单的VLA方法在数据规模扩大后，同样能实现强大的组合泛化能力，可能改变行业的技术风向 [69][91][94][95]

文章核心观点 - 文章认为，紫东太初ScienceClaw是一款在AI for Science（AI4S）领域具有突破性意义的国产科研工具，它并非Claude Managed Agents的简单替代品，而是基于自主创新的多Agent分层编排托管架构，兼具科研深度与通用场景能力，并实现了技术全栈国产化的落地产品 [4][37][48][60] 产品功能与能力总结 - 产品覆盖从基础研究到工程化落地的全链条科研需求，能够理解科研逻辑，进行专业信息深度检索、学术写作指导等 [7] - 具备强大的图像可视化生成能力，例如可生成top marker基因点图 [8][9] - 能够7x24小时不间断自动优化，全程无需人工干预 [11] - 可深度接入实验室自动化终端与具身智能硬件，实现物理世界的直接交付 [12] - 内置超过3000个顶级科研工具，全方位覆盖8大学科场景 [21] - 支持多Agent协同工作，如同一个完整的“实验室团队”为用户处理复杂任务 [24] - 具备商业数据分析、媒体内容生成等通用场景能力，例如可生成包含5452条订单数据的电商分析报告及8张统计图表 [29][30][32] - 已接入飞书、微信等平台，支持在移动端和协作工具中无缝使用 [36] 技术架构与核心优势 - 底层采用对标Claude Managed Agents的通用Agent托管架构（Harness），实现任务的稳定可控与可观测、可托管 [2][14] - 核心创新在于多Agent分层编排体系，分为调度层（Lead Agent）、配置层（SubAgent注册表）和执行层（子Agent工厂），实现任务的分工合作与微服务隔离 [39][40][41] - 执行过程彻底告别黑箱，实现全链路实时可观测，满足科研对过程回溯的需求 [13][14][42][43] - 通过微服务架构实现算力资源的弹性扩缩容和执行环境的安全硬隔离 [42] - 构建了六阶段分布式中间件管道以实现深度工程化解耦，并采用基于Token阈值的动态上下文管理体系，解决长程任务中的上下文溢出风险 [42] - 产品开箱即用，部署简便，大幅降低了企业智能化转型门槛 [19][20] 行业背景与公司定位 - AI4S赛道竞争加剧，OpenClaw的发布促使各大厂商跟进推出Claw类产品 [50][51] - 在科研Claw细分领域，紫东太初被认为是国内发展最快且最稳健的厂商 [52] - 紫东太初ScienceClaw的推出是公司技术积累与产业布局的具象化呈现，其背后根植于公司自研的紫东太初多模态大模型 [53][54][55] - 紫东太初4.0模型于2025年9月发布，是全球首个深度推理+多模态的大模型，其原生多模态能力突破16项SOTA纪录，并适配350个国产算子，实现端到端训推自主可控 [56] - 公司产品演进遵循从基础大模型，到个人科研工具（ScienceClaw个人版），再到企业级平台的完整链路 [58][60] - 技术全栈国产化是公司的核心战略，这既是满足机构用户数据安全与合规诉求的关键，也构成了公司的差异化竞争力和产业底气 [60][61][62] - 该产品被视为验证AI4S在B端落地价值的成功案例，有望带动整个产业从个人应用转向真正的生产力工具 [64]

事件概述与辟谣 - 字节跳动副总裁李亮亲自辟谣，否认前DeepSeek顶尖研究员郭达雅入职字节获得“固定年薪近亿元”的传闻 [3] - 相关报道被指存在明显误读，所谓近亿元固定年薪并不属实 [3] 人才背景与聘用详情 - 95后博士郭达雅正式加入字节Seed大模型团队，负责Agent相关工作 [3] - 郭达雅是DeepSeek核心成员，曾深度参与多款重要模型研发，并拥有算法大赛三连冠的履历，被视为AI领域稀缺顶尖人才 [3] 字节大模型团队薪酬结构 - 字节大模型团队薪酬体系统一，由现金、常规期权与豆包业务期权三部分组成 [3] - 期权按四年正常归属，公司表示对核心员工并无特殊待遇 [3] - 所谓“亿元年薪”并非固定工资，而是绑定业务成果的潜在期权回报 [3] 潜在薪酬回报机制 - 如果豆包业务未来发展足够好，部分核心员工四年累计收益确实有机会达到数亿级别 [3] - 高收益是基于业务成功的长期潜在回报，并非网传的天价保底薪资 [3] 行业人才竞争现状 - 此次事件折射出当前大模型行业顶尖算法与架构人才依旧稀缺的现状 [5] - 大型科技公司更倾向于用高额期权来绑定核心成员 [5] - 看似天价的薪酬数字，本质上是与业务成败深度绑定的长期赌注 [5]

公司战略与业务进展 - 公司于周四市场收盘后宣布了扩张计划 [1] - 此次功能扩展旨在增强其涵盖图像、视频、音乐和文本的AI工具平台，目标用户包括消费者、创作者和商业用户 [2] - 功能扩展已推动公司AI产品组合的用户参与度上升 [2] - 公司首席执行官表示，新增功能“显著增强”了平台的广度，并支持了市场对生成式AI工具日益增长的需求 [2] - 公司与字节跳动的企业部门BytePlus达成协议，获得了AI视频生成模型的优先定价和早期访问权限，以改进其Art-Gen平台 [3] 财务与市场表现 - 公司报告第四季度营收为124万美元，每股收益为-0.13美元 [4] - 公司市值为1267万美元 [4] - 公司52周股价高点为2.96美元，低点为1美元 [4] - 公司股价目前位于其52周低点至高点的约12%位置 [4] - 过去12个月，这家小盘股公司股价上涨了12.73% [4] - 股票相对强弱指数为47.74 [4] - 股票在常规交易时段收盘于1.24美元，上涨2.48% [5] - 市场数据显示该股票在所有时间框架内均呈现负面价格趋势 [5]

公司股价与交易情况 - 中信证券股票分时数据显示，当前股价为26.17元，日内下跌0.14元，跌幅0.53% [1] - 当日股价波动区间在26.09元至26.53元之间 [1] - 当日成交量数据显示，累计成交金额达到数百万量级 [1] 股东持股变动 - 2025年4月15日，极视角（股票代码06636）股东将所持股票存入中信证券（股票代码600030）的香港经纪账户 [2] - 此次存入的股票市值高达15.93亿港元 [2] - 存入的股票数量占极视角公司总股本的比例为14.34% [2] 公司业务与市场地位 - 极视角是一家专注于人工智能计算机视觉解决方案的提供商 [2] - 公司业务涵盖为企业客户提供从开发、部署到管理的端到端企业级解决方案 [2] - 根据弗若斯特沙利文的资料，以2024年收入计算，极视角在中国新兴计算机视觉解决方案市场中排名第八 [2]

行业活动与关注热度 - 行业对“世界模型”这一AGI关键路径高度关注，相关沙龙活动反响热烈，促使组织方决定加场[2] - 机器之心计划于4月23日组织第二期直播，主题为“世界模型，点燃下一个AI爆点”，集结4位产学研前沿专家进行探讨[2][18] 核心研究方向与演进 - “世界模型”正驱动AI从“被动感知”走向“主动推演”，持续拓宽能力边界[2] - 研究主题聚焦于从第一人称视角构建世界，以实现具身智能[6] 嘉宾阵容与研究方向 - **刘子纬（新加坡南洋理工大学副教授）**：研究方向涵盖计算机视觉、机器学习、计算机图形学，将在沙龙中分享“从视频生成模型到世界动作模型”[3][9][10] - **赵行（清华大学助理教授，星海图联合创始人）**：长期致力于机器人学习和自动驾驶研究，将分享“世界模型的高效学习范式”[3][12][13] - **贾奎（跨维智能创始人&CEO，香港中文大学（深圳）终身教授）**：人工智能、具身智能、计算机视觉等领域权威专家，首创多项有影响力的深度模型[3][15] - **刘桂良（跨维智能技术专家，香港中文大学（深圳）助理教授）**：主要聚焦于具身智能决策与强化学习，研发了EmbodiedChain具身智能数据引擎[3][17]

公司及产品介绍 - 公司K2 Lab成立于2025年10月，由原阿里钉钉最年轻副总裁王铭创立，并在成立半年内完成了三个月内的第二轮数千万融资[11][22] - 公司核心团队共三人，CEO王铭负责产品与商业，CTO赵先烈负责技术，CSO汤明磊负责增长与资本，团队共三十多人，多来自钉钉、字节等大厂[22][23][24] - 公司首款产品为Moras，是全球首款全自动商业Agentic AI应用，旨在通过AI代理全自动完成电商带货流程[9][11] 产品功能与运作模式 - Moras将电商带货流程自动化，涵盖选品、脚本撰写、视频生成、发布、运营及后台数据分析，用户从零开始可能实现月入1万美元（约合人民币6.8万元）[8] - 产品使用分为三步：1）AI根据账号与粉丝画像推荐商品；2）AI自动生成完整带货视频；3）一键发布至社交平台并自动进行数据分析与策略调整[14] - Moras的自动化流程由12个专业Agent（协作节点）协同完成，包括总控、选品洞察、内容生产、发布复盘等，且每个用户都拥有专属的Agent班子[16][18] 市场测试与初期表现 - 2025年3月，公司与30多位中腰部达人（粉丝数5千至2万）进行共创测试，首周即有超过70%的用户成功出单[12] - 测试期间，有用户首周GMV达1万美元，表现最佳的用户单月GMV达10万美元，参与测试的达人人均月GMV约为1万美元[12] - 产品初期通过直接邮件联系海外中小达人（KOC）进行测试，首位用户为一名训狗师，测试后能成功出单并提供产品反馈[26] 产品核心优势与选品策略 - 产品的核心优势之一是选品环节，其后台会扫描TikTok Shop数百万商品，结合销量、转化率、季节热点等因素，筛选出约1000个候选爆品，并每日更新[18][19] - 系统会根据用户账号风格与粉丝画像对候选商品进行二次排序，大幅降低用户选错成本，简化决策过程[19][20] - 用户使用门槛为社交媒体粉丝数超过1000人，可免费开始使用，盈利后与Moras进行分成[15] 行业洞察与战略定位 - 团队判断未来用户交互范式将向Agent迁移，用户将通过Agent完成信息获取与购物，内容电商因AI生成内容泛滥而使得“信任”变得稀缺，从而成为刚需[25] - 公司创业方向锁定“海外、ToC、非工具、刚需、可积累双边网络”，并聚焦于“内容电商+达人”这一可直接变现的群体[25] - 选择先出海是因为海外内容电商市场尚处早期、竞争不成熟，且海外用户对新工具接受度高，更习惯为效率和结果付费[27] - AI工具降低效率门槛后，可能催生新的职业机会，规模可能从几十万扩展至百万甚至千万级人群[25]

上市计划与估值 - SpaceX已向美国纳斯达克交易所提交了保密上市文件，计划进行首次公开募股[1] - 此次IPO的目标总估值高达2万亿美元，计划仅出售一小部分股份，从公开市场募集750亿美元，这仍将使其成为史上规模最大的IPO[1] - 拟募集的750亿美元仅占公司总价值的3.75%，意味着绝大部分股权仍由埃隆·马斯克本人及少数早期私人投资者持有，即流通股比例很低[6] 业务构成与近期发展 - 尽管公司有太空探索的雄心，但其50%至80%的收入来自星链通信业务，该业务为全球超过1000万用户提供卫星互联网服务[4] - 公司的突破在于实现了火箭和运载器的大规模重复使用，将发射成本降至21世纪初的5%左右，并已完成约600次成功的火箭着陆[3] - 2026年2月，SpaceX与亏损的AI公司xAI（Grok聊天机器人背后公司）合并，这是有记录以来规模最大的私人合并交易，对xAI的估值为2500亿美元，对SpaceX的估值为1万亿美元，合并后实体价值1.25万亿美元[4] 募资用途与战略愿景 - 公司宣称其目标是“让人类成为多行星物种”[2] - 马斯克表示，IPO所筹资金将用于向太空发射多达100万个数据中心卫星，旨在利用丰富的太阳能，规避地球上的电力和水资源限制[5] 市场规则调整与影响 - 纳斯达克交易所为容纳SpaceX的上市，特别调整了规则：取消了公司需有至少10%流通股才能纳入指数的最低要求，并将新股纳入指数的“观察期”从三个月缩短至仅15个交易日[7][8] - 其他主要市场指数，如标普500和富时罗素，也在修改规则，以加速纳入大型新上市公司[10] - 目前有超过6000亿美元的被动投资基金跟踪纳斯达克100指数，一旦SpaceX加入指数，这些资金将自动买入[8] - 跟踪标普指数的被动基金规模更大，超过16万亿美元，若标普500效仿纳斯达克修改规则，自动买入的浪潮将更为巨大[11] - 市场担忧允许SpaceX等巨型公司过快进入指数可能导致价格大幅波动，使数百万投资者面临高波动性风险[9] 财务估值与投资者定位 - SpaceX希望投资者给予其2万亿美元的估值，但其去年收入仅为150亿美元，按此收入水平，需要133年的收入才能匹配其要价[10] - 作为对比，全球最昂贵的股票之一特斯拉，仅需13年的收入即可匹配其市值，这意味着SpaceX的估值溢价是特斯拉的十倍[10] - 公司计划将高达30%的股份出售给非机构的个人投资者[12] - 马斯克旗下的公司长期以来一直是散户投资者的宠儿，SpaceX预计也不例外[12]

AI行业全球发展趋势与驱动力 - 全球AI基础设施投资保持旺盛，大模型训练与推理需求是核心驱动力[4] - 以AI智能体应用为代表的流量爆发式增长已成为年度增长引擎，取代了编程类应用[4] - AI基础设施、基础大模型与上层应用已形成良性发展循环，将持续推动中国人工智能全产业链增长[4] 中国AI产业的竞争优势与机遇 - 中国在电力、数据中心等基础设施上具备成本优势，有望转化为Token定价优势，支撑大模型与AI Agent出海[4] - 中国大模型Token调用量连续多周超越美国，核心驱动力来自国内外双重需求增长[4] - 国产大模型具有更高的性价比优势，且坚持开源技术路线，方便用户进行定制化开发[4] - 中国创新能力强，迭代速度非常快，无论是大模型本身还是智能体应用更新速度都很快[5][6] - 国内用户有意愿接受新兴应用和产品，国内外用户和流量增长基础强，预计Token调用量增长将持续[6] - 中国人工智能正处于技术、应用、成本优势共振阶段，全球竞争力将随基础能力增强与商业化路径清晰而进一步增强[7] Token经济与出海战略 - 智能体应用大规模落地是Token经济成立的基础，其核心价值仍取决于基础大模型能力[4] - 国产大模型厂商的海外营收占比不断增长，已构成真正意义上的Token出海[6] - 国内厂商主打性价比路线，与海外最先进模型的技术差距在逐步缩小[6] - 海外用户有真实使用场景，对Token消费需求多元化，适合使用中国厂商的大模型和智能体产品[6] - 下一步需提升基础模型能力，在高端领域创造较强竞争力，并深入金融、医疗、自动驾驶等垂直领域与用户企业深度绑定[6] 算力结构变化与硬件挑战 - 行业正从训练主导转向推理主导，推理场景对单芯片算力要求相对更低，更适配国产AI芯片与自研ASIC芯片，利好硬件生态成熟[6] - 大规模Agent爆发对算力集群的稳定性、互联技术与软件栈提出更高要求[6] - 国内芯片通用软件栈不完善、先进制程产能受限仍是突出瓶颈[6] - 高性能芯片功耗及单机柜功率密度持续攀升，传统风冷难以满足散热需求，更高散热效率的液冷成为必选方案[7] - 在海外市场，由于高端算力芯片功耗大幅提升，液冷已成为刚需，规模和技术的迭代处于加速过程[7] - 国内大型互联网厂商和互联网数据中心对液冷整体解决方案态度积极，液冷能极大提高能源效率，相关市场正逐步发展[7] AI商业化进程与竞争格局 - 中美两国基础模型平台均处于变现探索期，海外头部企业因模型能力与付费环境优势变现更快[7] - 上层应用企业均面临底层模型功能外溢的压力，标准化应用容易被替代[7] - 与企业数据、信息技术系统深度绑定的软件更具有长期价值[7]