以OpenClaw为代表的自主执行智能体爆火，标志着AI应用已从“对话交互”向“任务执行”加速演进。企业在加速拥抱的同时，也面临着算力浪费、安全合规等多重挑战。如何让智能体真正实现规模化、可持续地落地，成为产业界共同关注的核心议题。
3月26日，在中关村论坛未来产业创新发展论坛中，蚂蚁数科大模型技术创新部总经理章鹏在演讲中表示，OpenClaw的爆发将带来企业级AI范式革命，推动大模型在产业场景的落地从‘参数竞赛’走向“Token效能竞争’。”
图说:蚂蚁数科大模型技术创新部总经理章鹏在中关村论坛演讲
OpenClaw类智能体的快速普及，反映了市场对自主执行型智能体的需求，但在真实产业环境中，其落地面临显著挑战:由于缺乏对行业规则、业务流程的深度理解，智能体在执行复杂任务时往往反复调用工具，导致Token消耗远高于有效产出。据了解，在一些高频调用场景中，OpenClaw的Token消耗成本可达集成式Agent成本的数十倍甚至百倍，这种高投入低产出的模式，让其在产业规模化应用中面临可持续性难题。
“大模型产业落地的下半场，核心命题不是模型参数规模的竞争，而是单位Token效能的持续提升。”章鹏认为，企业应结合实际场景与需求，选择大小模型结合的AI解决方案，以更低算力成本实现更高业务价值。
以金融场景为例，该领域每天需处理海量高频低时延的任务——快速识别意图、提取关键信息、检索排序等等，这些任务具备高并发、快响应、高精准要求，传统行业推理大模型能力强大，但在这些场景就像“杀鸡用牛刀”，成本高昂，响应偏慢，资源浪费。
“产业真正需要的是，在确保专业、严谨与合规的前提下，实现最优性价比与响应速度的AI解决方案。”章鹏表示。他认为，大参数模型在复杂推理与深度分析方面表现效果更优，小参数模型则在高频小任务场景的拥有更低延迟与更高性价比，产业需要大小模型相结合的方案，才能更高效低成本地解决真实场景问题。
在中关村论坛上，蚂蚁数科发布了轻量级金融专用模型Ling-DT-Fin-Mini-2.5，这是Ling DT系列大模型的首款模型。据介绍，Ling DT Fin Mini 2.5是一款轻量级MoE模型，基于Ling2.5最新的混合线性注意力架构，针对金融领域高并发、低时延的任务场景进行优化，在保持专业深度的同时，可将推理成本压缩至可规模化部署的水位。它相比业界主流的同能力通用模型，推理速度快100%，处理相同任务量的硬件成本显著降低，为金融机构带来切实的降本增效价值。
事实上，当AI智能体加速渗透产业核心场景、执行真实任务后，大小模型相结合已经成为行业趋势。近期，OpenAI便相继推出两款小模型GPT‑5.4mini与nano，主打低延迟与高性价比，作为执行层子智能体主力。
章鹏表示，技术发展终将回归产业对效率的理性要求，下一阶段的竞争中，Token效能将成为衡量企业级AI价值的核心指标。蚂蚁数科将持续深耕企业级AGI，进一步推出百灵企业版Ling DT大模型及其行业版，加速智能体在企业级复杂场景的规模化落地。