机器之心修改

浙江首个具身机器人大赛来了！ 

近日，2026 杭州国际具身机器人场景应用大赛（以下简称 “大赛”）新闻发布会举行。据介绍，赛事定于 5 月 15 日至 16 日在西湖区云栖小镇会展中心开赛，将让舞台、跑道上闪闪发光的机器人，首次进入消防、商超、工厂等真实场景中比拼，部分赛事还将甩掉遥控器，采用机器人自主感知与决策，点燃全球对具身机器人走入千家万户、服务千行百业的期待与热情。

本次大赛以 “智启未来 场景无界” 为主题，由浙江省经信厅主办，杭州城西科创大走廊管委会、杭州市经信局、西湖区人民政府、浙江省技术创新服务中心、国家机器人检测与评定中心（总部）共同承办。

报名通道开启

全球机器人汇聚浙江

2026 杭州国际具身机器人场景应用大赛于 2 月 28 日开启赛事全球招募通道，目前报名仍在征集中。

截至目前，大赛组委会共收到来自全国 15 个省、直辖市及自治区的 90 家主体报名申请，覆盖长三角、粤港澳、京津冀等主要城市群，将展示全球最顶尖的具身机器人竞赛水平。

现全球招募通道已正式开启

无论你是深耕研发的企业

攻坚技术的团队

还是怀揣创新的创业者

均可报名参赛

共赴这场科技盛宴

扫描上方二维码，快速填写报名信息，一键完成报名

服务国家战略

助推未来产业率先走入现实

具身智能被列为我国六大未来产业之一。“谁能率先在真实场景中验证技术、积累数据、迭代产品、适配场景，谁就能抢占先机、赢得主动。” 浙江省经济和信息化厅总工程师李永伟介绍，大赛共设置专业测试赛、应用场景挑战赛、创业创投赛三场分赛和应用场景互动展示，将全力实现三大目标。

目标一：提升在全球机器人领域的标准话语权

通过标准化测评与开放场景任务，系统评估机器人在感知、决策、执行等维度的自主能力，助力我国机器人标准与国际接轨。

目标二：打造辐射全球的机器人场景创新平台

聚焦工业、服务、特种等领域真实需求，以赛促用，缩短技术到产品的转化路径，为我国机器人产业跻身全球前列提供有力支撑。

目标三：构建开放合作的全球机器人产业秩序

链接国际国内优质创新资源，提升区域科技影响力与我国机器人产业全球竞争力，营造激发持续创新与跨界融合的良性生态。

专业测试赛

最大亮点：机器人自主感知与决策

专业测试赛覆盖导航避障、语音交互、基础运动、运动控制等维度，最大看点是部分赛事将采用机器人自主感知，禁止使用遥控器。

该项赛事面向机器人企业开启报名，由国家机器人检测与评定中心（总部）等权威测评机构全程执裁。目前，已有来自北京、上海、杭州、苏州等地企业报名参赛。

场景应用挑战赛

不再比跑步跳舞，真实场景就是赛场

场景应用挑战赛将赛场搬进了真实的场景，所有赛题均聚焦家庭、工业、服务、特种等领域，源自蚂蚁集团、绿城集团等企业的真实业务痛点。比如双浦赛场，沙地、碎石、阶梯等复杂地形上会有极限机动赛；云栖赛场则设置服务器精密装配、商超理货等高难度实操赛。

该项赛事面向高校、科研院所、科研团队开放。大赛还设置了趣味彩蛋，现场将有人形机器人拳击专项赛、运动能力挑战赛等观赏性表演赛。

杭州之江机器人创业创投大赛

优胜项目推荐进入龙头企业采购备选库

杭州之江机器人创业创投大赛搭建 “政策、资本、客户” 直通桥，设立大赛奖金加政策池，组建 2 亿元机器人产业专项基金，联动启迪之星、电科基金、西湖科创投等 10 余家机构，优胜项目将推荐进入龙头企业采购合作备选库。

该项赛事面向创业团队、优质创新项目开放。

全部赛事向公众开放

全民共享科技狂欢，零距离触碰未来

本次大赛不仅是一场顶尖技术的巅峰对决，更是一场属于所有人的科技嘉年华！5 月 15 日、16 日赛事和体验区全部向公众开放，云栖小镇将化身为未来世界的入口，敞开大门迎接每一位对未来充满好奇的你。

在这里，你将不再是旁观者，而是未来生活的 “先行体验官”：

与机器人 “面对面”

看人形机器人走出实验室，在真实场景中大显身手 —— 它们如何在商超里精准理货？如何在复杂地形中稳健前行？甚至如何在拳击擂台上与你 “切磋”？这些科幻电影般的画面，将在你眼前真实上演。

亲身体验 “人机共舞”

现场设置互动体验区，你可以亲手操控机器人完成趣味任务，感受智能感知与协同操控的神奇；更有机会与机器人握手、对话，见证它们如何理解指令、回应情感。

探秘未来生活新场景

从智能家居到智慧工厂，从特种救援到商业服务，多个沉浸式场景等你打卡，提前 “穿越” 到机器人深度融入生活的不远将来。

全家共享的科技之旅

无论你是科技迷、亲子家庭，还是好奇宝宝，这里都有属于你的惊喜。好看、好玩、好拍，更有硬核科技带来的震撼与感动。

5 月 15 日、16 日，来杭州云栖小镇，来杭州之江机器人产业服务母港，与全球顶尖机器人一起，开启属于你的 “未来一日”！

© THE END

转载请联系本公众号获得授权

投稿或寻求报道：[email protected]

不按套路出牌的比赛

没有仿真，没有预设参数，也没有剪辑空间。

在深圳全球首届具身智能开发者大会的比赛现场，取而代之的是上百台六轴机械臂、统一的绿色布景，以及——真实世界。

20 支队伍，真机上阵：数据现场采、模型现场训、系统现场部署。

模型不限，代码自带；算力、硬件、AI Infra，全部由主办方提供。

目标只有一个：教会真机「看懂环境」、「做出决策」、「动手操作」。

时间？只有 72 小时。

如此不按套路出牌，那些 benchmark 高分模型，到了这里，恐怕也只能「菜鸟互啄」。而这，正是这场比赛想要的——

最好的测评，不在榜单，而在现实世界。

它的随机性、多样性与复杂性，是检验具身智能模型能力的终极利器。

全球首届 EAIDC（具身智能开发者大会）暨「具亮计划」黑客松决赛现场。

3 月 30 日，由自变量机器人、深圳市人工智能行业协会、广东省具身智能训练场联合主办的全球首届 EAIDC（具身智能开发者大会）暨「具亮计划」黑客松决赛，正式收官。这也是全球首个将「真实环境 + 真实任务」同时写入赛制的大规模具身智能赛事。

过去几十年，具身智能的真机世界里，一直缺少类似大模型榜单那样的统一评测体系，来回答「哪个模型更强」。行业迫切需要一个在真实物理环境中检验技术成熟度的平台，而这场比赛，正好是一次尝试。

「大家取得的成绩，让我有些惊讶。」自变量机器人创始人兼 CEO 王潜坦言，这个方向本身上手难度极高，一开始办比赛也带着些许忐忑。但没想到，参赛团队最终能把事情做到这个程度。

自变量机器人创始人兼 CEO 王潜

四道真题，藏着具身智能的「成人礼」

清华、北大等顶尖高校与科研机构的 20 支强队同台对抗，现场可谓「硬核拉满」。「从没打过这么富裕的仗。」一位参赛选手这样形容。

决赛现场，多台机械臂协同运行，实时调试系统。

决赛现场，参赛队伍和自变量工作人员，围绕真机调试模型与系统。

三天之内上手？这在常规情况下，几乎是不可能完成的任务。要知道，专业研究实验室搭一套类似系统，至少需要 6 个月。于是主办方大手笔，直接造了一个「顶配考场」。

模型？WALL-OSS、Pi0.5、Dream Zero等开源基础模型，随便选；

算力？100+ PFLOPs，管饱；

机械臂？高性能真机，近百台；

Baseline？提前配好；

数据集？免费开放；

数据采集、训练、推理 infra？一整套，现场备齐，甚至包括在线测评。

当所有「外部变量」全被抹平，唯一的问题就是：你的模型，到底能不能打？能不能在真实世界里，快速落地？

真机上阵：参赛队伍在现场完成数据采集、训练与操作闭环。

摆在选手面前的四道决赛任务，就是主办方精心设计的「职业资格考试」，包括套圆环、分水果、插电源线、拼单词。看似简单，实则难度递增，每一个任务背后都对应着具身智能落地的真实痛点。

其中，前两题更像「保底分」。

套圆环，是经典的 peg-in-hole 问题：看深度、估姿态、做对齐、控接触。这是典型的工业自动化能力之一——精细操作的分水岭。分水果，则从「手」转向「脑」：给一句指令「把水果放进碗里」，模型要完成从语言到动作映射。

如果机器人能分拣好苹果和梨，它就有望在物流仓库分拣成千上万种形态各异的快递，或者在无人超市补货。

将圆环套在柱子上（左）；按指令分类水果（右）

真正拉开差距的，是后两题，分数权重也高。主办方的指向也很明确：从 Robotics 到 Embodied AI，「手活儿好」不够，「脑力够强」才是决定上限的能力。

任务三的插电源线，完全是机器人的「噩梦」。线是软的，姿态是随机的；手会挡视线，插入还有物理阻力。这不只是操作问题，而是在不确定中，完成精细对齐。

现实世界中，80% 的操作都不是刚体，比如线缆、衣物 、食材，谁解决了柔性物体，谁就真正接近「人类级操作」。

拼单词，更进一步——几乎不难「动手」，但极难「动脑」。这是一个典型的长程任务：顺序怎么排？哪些字母已用？放在哪里？一步出错，全盘崩掉。

插电源线（左），拼写单词（右）

而现实世界，几乎全是这种问题。去厨房拿杯子，倒好咖啡，加糖，端到书房。又或者收拾餐桌、整理玩具、叠衣服……这种长时序、多步骤的任务能力，是机器人进入家庭、成为「管家」的必经之路。

它要求模型不仅要「会做」，还要「会想」：从理解语言指令，到拆解任务、实时规划，再到一步步执行动作，最终把事情完整做完。

决赛现场的选手们。

比赛中，不同队伍选择了不同技术路径。有人用  Pi0.5、Dream zero，也有不少团队选择基于 WALL-OSS，在现场复现任务表现。

但一开始，情况并不乐观。很多团队甚至连「跑通」都困难，成功率只有 20%–30% 左右。但随着调参、补数据、换策略，成绩快速爬升。

像套圆环这样的任务，成功率可以提升到 60%–70%；更复杂的拼单词任务，也从几乎不可用，提升到 40%–50% 的水平。

这说明在真实环境里，模型是能被快速调出来、真的能干活的。 

另一方面，问题也比想象中更「暴露得彻底」。

比如一上 B 榜，成绩明显掉下来，说明很多模型的泛化能力其实还不够；很多团队为了时间，只用了很少的数据，也暴露出训练范式、数据利用效率的不够。

现场24小时轮转评测，实时出分保证比赛公平

为什么必须开源？具身智能的「中国解法」

具身智能，不能再「纸上谈兵」了。行业现在缺的，不是 Demo，而是一个能在真实世界里「见真章」的真靶场。这一点，在比赛结束后的圆桌环节，形成了高度共识。

而这块靶场的建设，就死磕三件事：真问题、真开源、真泛化。

如果说，赛题设计锚定的是「真问题」，那么接下来更值得讨论的是，具身智能为什么必须开源？又该怎么开源？

「我们一直想把这件事真正做起来，让大家把开源模型用好。」自变量联合创始人兼 CTO 王昊表示。事实上，在当前阶段，不开源，行业很难真正跑起来——这一点，也在圆桌讨论中几乎形成共识。

在圆桌环节，自变量与来自不同生态位的嘉宾就开源、产学研生态建设，展开讨论。

原因很直接。具身智能不是单一模型的问题，已经变成一个系统工程——一个从数据采集、模型训练到真机部署、软硬件协同的系统工程。门槛高到什么程度？高到如果没有开源，大多数开发者甚至连「入场」的机会都没有，高校也很难培养出真正能落地的人才，整个行业只能在少数团队内部循环。

更关键的是，现在这个阶段，本身就没有标准答案。用什么数据、什么模型结构、什么训练路径，没有任何一条路线已经被验证为「最终解」。这就决定了，没有哪一家公司可以独立把这件事做完。只有把数据、模型、流程不断释放出来，让更多人参与试错，行业才有可能加速收敛。

从这个角度看，开源的意义，其实已经不只是技术共享，而是在「制造共识」。谁能吸引更多开发者、更多团队在同一套体系上迭代，谁就更有机会定义未来的技术路径。

但具身智能的开源，又和大模型不太一样。很多关键数据来自真实世界，涉及隐私和成本；很多能力绑定在具体硬件上，难以复现；还有一些推理和系统能力，本身就是公司的核心竞争力，不可能完全开放。

所以现实情况是，大多数所谓的「开源」，并不是完全开放，而是在不断寻找一个平衡点。

在这一点上，首届 EAIDC 算是率先打了一个样：与其只开源代码，不如把「能跑通的能力」开放出来，让开发者不仅能看到模型，还能用数据、用流程，甚至在真实环境里直接跑一遍。

以自变量的开源模型为例，在比赛现场，WALL-OSS 已经能通过标准工具链快速部署，从模型加载到机械臂执行，几小时内打通完整闭环。无论是接入 Hugging Face、魔搭，还是对接机械臂控制系统，都无需复杂定制开发。

「这个事情需要大量开发者参与，不只是科班出身，也希望更多普通开发者加入进来，生态才能真正做起来。」王潜表示。

他举了一个很形象的例子：「小龙虾」为什么能火？并不是因为一群专业人士在做，而是无数个人开发者、无数小团队一起，把它推成了一个庞大的生态。

自变量想做的，正是同样的事情。通过吸引更多开发者参与进来，不断扩展开源模型的能力边界，补全一块长期缺失的拼图：中国自己的「具身智能大脑」， 

「孤勇者」，跑不出真泛化

除了真问题、真开源，具身智能走进现实世界，需要死磕一个问题：达到真泛化。

具身智能要具备突破性的泛化能力，就不能止步于「黑灯工厂」中的单点应用，而必须走进真实的家庭与生活，在随机、充满不确定性的场景中大规模持续采集数据、开展训练。只有用优质的数据「饲料」，才能培育出具备优秀泛化能力的大模型。

对此，自变量机器人指出，必须从通用基础模型出发，才有可能在不同场景中高效迁移，实现规模化落地。这个路径是单向的，不能倒过来。

一方面，他们持续打磨通用模型能力，围绕泛化与长程任务不断提升上限；另一方面，则主动进入具体场景，尤其是养老服务、公共服务这类相对封闭的环境，让模型在真实世界中运行，不断获得真实数据，优化和验证通用能力。

圆桌嘉宾就开源与具身智能的产业化路径展开讨论。

无论是更多样的场景、更多真实数据、更多失败和反馈，恰恰只有在大量开发者同时参与时，才可能出现。这也是这场赛事的「生态价值」所在。

在王潜看来，它的意义不只是一次竞技，而是降低门槛、吸引开发者、加速生态形成的起点。

首先，它解决了「让人进门」的问题。通过开源模型与统一基础设施，把原本高门槛的具身智能「打平」，让开发者可以直接上手，在真实环境中完成任务。

表现突出的方案，还可以进入 WALL-OSS 官方示例库，获得行业认可。

其次，企业也可以站在社区肩膀上。当模型被不断复现、部署、验证，社区的反馈会迅速暴露问题，任何依赖 Demo、夸大能力的方案，都很难在这样的体系中长期存在。

而且，开发者在真实环境中完成任务、踩坑、优化，这些经验不再停留在个体，而是通过开源模型与社区不断回流，反过来推动整个技术体系进化，逐步形成「开源—创新—回馈」的闭环。

正如一位圆桌对谈的嘉宾所言，你把所有学生都用起来，有更多开发者，有开发者以后，就有更好的技术，有更优秀的人才，形成更好的闭环。

具身智能的进化方式，也不再依靠少数公司的单枪匹马，而是一个由生态驱动的、持续加速的系统。

未来，该项赛事将持续举办，并依托开源平台与软硬件开发体系，汇聚更多开发者，推动中国具身智能生态不断向前。王潜表示。

EAIDC，也不再只是一个比赛或大会，而是在尝试成为具身智能领域的「真实世界评测场」，以及行业的观察窗口。

过去，我们判断一个模型，看的是 benchmark 排名；而未来，一个具身模型是否真的能打，答案会更简单——

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：[email protected]

在大语言模型推理领域，虽然「推测解码」（Speculative Decoding，SD）已成为加速生成的标准配置，但它依然存在一个致命弱点： drafting（草拟）和 verification（验证）之间必须串行进行。

近日，来自斯坦福、普林斯顿大学和 Together AI 的研究团队提出 SSD 框架及其优化算法 SAGUARO，成功实现了草拟和验证的并行化。

• 论文链接：https://arxiv.org/pdf/2603.03251

• GitHub 链接：https://github.com/tanishqkumar/ssd

据介绍，该算法推理速度比世界上最强大的推理引擎都快 2 倍。

「推测性推测解码」（Speculative Speculative Decoding，简称 SSD），是一种新型的推测性解码 (SD)。在传统的 SD 中，一个小且快速的模型会先猜测大且慢的模型可能生成的下几个 token，然后大模型通过一次前向传播验证这些猜测，草拟和验证是依次进行的。

而在 SSD 中，这两个过程是并行发生的，完全消除了运行小模型的开销。

并行执行草拟和验证是很棘手的，因为你无法在某事物存在之前对其进行验证，也无法推测你不知道的前缀之外的内容。在 SSD 中，研究者预先设定验证结果，并在独立硬件上进行验证的同时进行推测。这样一来，如果其中一种验证结果出现，推测就能立即生效。

虽然论文对算法进行了详尽的理论描述，但在实践中，研究者大部分时间都花在如何让它与现代推理引擎中各种优化技术（Paged Attention、Prefix Caching、CUDAGraphs 等）协同工作上。

作者 Tanishq Kumar 表示，「真的，我花在了解 CPU/GPU 同步问题上的时间远远超过了我的预期」。

要使新算法达到 SOTA 水平，需要精心设计系统和算法。总的来说，SSD 推动了延迟 - 吞吐量帕累托前沿的发展，其方式与普通推测解码推进标准自回归算法的发展非常相似。

Tanishq Kumar 称：「我对快速推理感到兴奋，因为我非常关注的一个人工智能工作负载是超长时域推理。想象一下，一个拥有大量 B200 的数据中心完全用于运行一个模型，该模型需要处理数十亿个 token 来证明 P 与 NP 的区别。在这种情况下，延迟减半就意味着可以进行双倍深度的思考！」

SSD 如何实现草拟与验证并行？

现代 AI 对推理速度有着极高的要求。然而，标准的语言模型解码是按顺序生成单个 token，未能利用现代硬件上可用的大规模并行计算。

推测性解码（SD）是一种为了解决这个问题而引入的技术。它使用一个快速的「草拟模型」来预测目标模型可能将生成的下几个 token，而不是从目标模型中进行缓慢的自回归采样，然后通过目标模型的并行前向传播验证这些 token。这一验证是按照一个算法进行的，确保生成的 token 是从目标模型的分布中采样的。

在每次验证中，目标模型决定接受多少个推测的 token，并采样一个额外的奖励 token，该 token 跟随所有已接受的 token。尽管推测性解码有效，但它本身仍受限于串行依赖：必须等待当前验证完成后，才能开始下一轮推测。

那么，我们能否消除草拟和验证之间的顺序依赖呢？

研究者引入推测性推测解码（SSD），这是一个旨在并行化草拟和验证的统一框架。

在 SD 中，草拟模型必须等待验证完成，才能开始推测下一轮，而在 SSD 中，草拟模型会预测最可能的验证结果，并在验证进行的同时，针对所有可能的结果进行并行的提前推测。如果这些预准备的结果中的任何一个发生，草拟模型可以立即将预推测的 token 发送给验证器，从而避免草拟阶段的开销。与普通的推测性解码一样，SSD 也是无损的。不同之处在于，SSD 的草拟模型部署在与目标模型不同的硬件上。

优化 SSD 算法主要面临三大挑战。

首先，草拟模型必须准确预测验证结果，这不仅包括接受了多少个推测的 Token，还包括采样的奖励 token。其次，推测器的接受率与其预测验证结果的能力之间存在微妙的权衡，必须谨慎处理以最大化加速比。此外，任何 SSD 算法都必须具备处理预测失败的回退策略，因为在大批处理量和高随机性（Temperature）下，预测失败会频繁发生，若处理不当，即时补救的开销将抵消异步带来的收益。

为此，他们推出了 Saguaro，这是一个优化的 SSD 算法，针对上述挑战进行了定向优化。

• 将预测验证结果的问题转化为约束优化问题，并引入了一种技术，利用最可能的草拟 logits 来预测奖励 token，准确率最高可达 90%。

• 识别了预测准确性与生成高质量推测之间的张力，并开发了一种能够平衡二者的采样算法。

• 探讨了处理预测失败的多种策略，发现最优回退策略随批处理大小而异。通过采用这些优化，尽管 Saguaro 在处理每个批次元素时进行了更多计算（同时解码多种可能的结果），其表现仍比标准 SD 高出 20%。

总的来看，Saguaro 相比优化的推测性解码实现了高达 2 倍的加速，相比自回归生成实现了高达 5 倍的加速，并在各种批处理规模下均显著提升了吞吐量与延迟的帕累托前沿。

不过，该领域仍有许多值得探索的方向。SSD 可以自然地与 EAGLE 技术以及 token-tree 推测（Token-tree speculation）相结合，但这种联合设计及其权衡空间在很大程度上尚未被发掘。

此外，通过扩展草拟设备的数量以及推测缓存，延迟可以进一步减少，尽管回报最终会递减。最后，在集群层面跨多个目标模型部署共享推测端点——类似于预填充-解码分解）——是另一个自然的研究方向。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：[email protected]

「OpenClaw 的下一版本已经被泄露。」

今天早上，OpenClaw 再次更新，发布了 2026.3.31 版本。

从官方介绍来看，此次上线了一系列更新，包括内置 QQ Bot，打通中国主流即时通讯场景，支持私聊、群聊、频道（Guild）以及多媒体消息交互；进一步强化多模态消息能力，LINE 平台现已支持发送图片、视频和音频等；首次引入可视化的后台任务流管理，支持查看列表、展示详情、取消任务等；针对 CJK（中日韩语言）的优化，包括更好的上下文理解、更稳定的长期记忆、更自然的语音合成（TTS）……

具体来看，其中最受关注的一项就是内置 QQ Bot 插件，支持多账号、凭证管理（SecretRef）、Slash 命令、提醒以及媒体消息收发。相比传统 AI 工具需要进入应用再使用相关功能，这种形态的变化更接近一种「嵌入式」能力，直接存在于沟通场景之中。

资料显示，此前，OpenClaw 已支持 Telegram、Discord、Slack 等平台，而 QQ 的加入，或标志着其正式进入国内用户的高频沟通环境。

本次更新还进一步强化多模态消息能力，在 LINE 等平台中，OpenClaw 已支持发送图片、视频和音频等。

这意味着，用户可以直接通过多种媒介触发任务，而不仅限于文本指令。也就是说，多模态能力在这里不再只是理解输入内容，而是成为任务执行的入口。

另一个比较大的更新是，此次首次引入的可视化的后台任务流管理，这使得 OpenClaw 不再只是一个即时响应的对话系统，而是具备了类似「任务调度器」的能力，是一个可持续运行、可被管理、可被中断的执行系统。

此外，此次 OpenClaw 还专门强调了针对 CJK（中日韩语言）的优化，这或许意味着，OpenClaw 正在针对亚洲市场进行更深入的本地化适配。

总之，综合此次的关键更新来看，会发现一个有意思的现象，OpenClaw 或正在从 AI 工具转变为「AI 入口」，用户只需要用自然语言表达需求，其余流程由 Agent 自动完成。

而从 GitHub 的更新日志上看，除了上述这些关键更新，此次 OpenClaw 2026.3.31 的更新内容还有很多，包括大量的可靠性与安全性方面的改进，下面就选取部分内容来看看：

• Nodes/exec：移除了 CLI 和 Agent 节点工具中重复的 「nodes.run」shell 封装。现在所有 Node shell 执行统一通过 「exec host=node」，Node 专属能力仅保留在节点调用和专用媒体 / 定位 / 通知操作中。 

• Plugin SDK：弃用旧版 provider 兼容路径和历史 bundled provider 机制，同时发出迁移警告。未来将仅保留当前文档中的「openclaw/plugin-sdk/*」入口以及本地「api.ts/runtime-api.ts」作为标准路径。 

• 插件与技能安装：默认启用「失败即关闭」策略，若检测到危险代码或安装扫描失败，将直接阻止安装。如需继续，必须显式使用「--dangerously-force-unsafe-install」等参数。 

• Android / 通知：新增通知转发控制能力，支持按应用包过滤、静默时段、速率限制，并为转发通知事件提供更安全的选择器行为。

• Matrix / 历史记录：通过「channels.matrix.historyLimit」为 Matrix 群组触发增加可选的历史上下文支持；引入按 Agent 记录的水位标记和可安全重试的快照机制，避免失败重试时误读更新的消息。 

• Matrix / 网络：新增「channels.matrix.proxy」配置，可通过 HTTP (S) 代理转发 Matrix 流量，支持账号级覆盖，并与探测 / 运行时行为保持一致。 

• Matrix / 流式输出：新增草稿式流式输出，使 Matrix 的部分回复能够在同一条消息中原地更新，无需为每个分块发送新消息。

• Matrix / 线程：新增针对私聊（DM）的线程回复（threadReplies）配置覆盖，并确保线程会话隔离与触发消息所在房间或 DM 的线程策略保持一致。 

• Slack / 执行审批：新增原生 Slack 审批路由与审批人权限控制，使执行审批可直接在 Slack 内完成，无需回退到 Web UI 或终端。 

• CLI / 初始配置：在用户拒绝已发现的远程网关地址后，将远程网关 URL 提示重置为安全的本地回环默认值，避免初始配置过程中保留之前被拒绝的远程 URL。

• WhatsApp / 消息反应：Agent 现在可以对收到的 WhatsApp 消息添加 emoji 反应，例如用 ❤️ 表示确认，而无需发送文本回复，使交互更加自然。 

• Microsoft Teams / 成员信息：新增基于 Microsoft Graph 的成员信息查询能力，使 Teams 自动化和工具可以直接获取频道成员详情。

更多信息，大家可前往项目主页查看！

参考链接：

https://x.com/openclaw/status/2039095081215672584

https://github.com/openclaw/openclaw/releases/tag/v2026.3.31

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：[email protected]

作者和团队介绍：本文第一作者是高焕霖，通讯作者为赵放和廉士国，所有作者均来自联通数据智能有限公司（中国联通数据科学与人工智能研究院）- 元景大模型研发团队和南京大学，专注于联通元景大模型研发。

FLUX 、Qwen-Image 等多模态生成模型的推理速度一直是工业级多模态模型落地的痛点。传统的特征缓存（Feature Caching）方案在追求高倍率加速时，常因瞬时速度的剧烈波动导致轨迹漂移。

针对这一痛点，中国联通数据科学与人工智能研究院与南京大学研究团队，在此前工作 LeMiCa（NeurIPS 2025 Spotlight）的基础上继续深耕，推出了进阶加速框架 MeanCache。

该工作不仅承袭了团队在扩散模型加速领域的深厚积淀，更在技术上实现了跨越：受到 MeanFlow 启发，MeanCache 首次将 “平均速度” 视角引入缓存推理，通过 JVP 修正精准校正了生成轨迹，实现了 4x 以上的推理提速。该成果已入选人工智能顶会 ICLR 2026，目前，论文、代码均已开源。

• 论文标题：MeanCache: From Instantaneous to Average Velocity for Accelerating Flow Matching Inference

• 论文链接：https://arxiv.org/pdf/2601.19961

• 项目主页：https://unicomai.github.io/MeanCache/

• 代码地址：https://github.com/UnicomAI/MeanCache

技术创新：平均速度驱动的缓存新范式

MeanCache 的核心贡献在于将缓存加速从 “瞬时速度” 转向了 “平均速度”，主要包含以下两个核心技术点：

JVP 驱动的平均速度

轨迹稳定调度策略

“什么时候该缓存？” 以往的方法多依赖固定步长或手动阈值。MeanCache 将推理过程建模为一个多重图（Multigraph）寻优问题。

实验结果：刷新 SOTA 加速表现

文生图

在商业级文生图模型 Qwen-Image 和 FLUX.1 [dev] 分别实现最高 4x 加速，在 Image Reward 和感知指标上取得了 SOTA 的表现。

从视觉效果上看，随着加速比的增大，MeanCache 生成的图片在内容一致性方面表现更好。

文生视频

在视频生成模型 HunyuanVideo 上也实现了 3.6x 加速和 SOTA 的指标提升。

在对视频的定性分析上，MeanCache 也表现出更好的加速效果，不论是画质还是内容一致性方面。

语义一致性：更进一步，针对 rare-word（如下图 "Peristeronic"）的高难度生僻 Prompt 的测试下，MeanCache 展现了更强的语义鲁棒性。

业界顶级团队推荐

同时，MeanCache 已支持最新的阿里通义 Z-Image 和 Qwen-Image-2512 文生图模型，并获得了 Z-Image 团队的官方主页推荐，社区已支持 ComfyUI。

总结与展望

MeanCache 作为一种轻量化、免训练的 Flow Matching 加速框架，创新性地提出了 “平均速度缓存” 与 “轨迹稳定性调度” 方案。该方案在确保图像高保真度与内容一致性的基础上，显著提升了大模型的推理效率。 联通元景大模型团队将以此为基石，持续深耕模型推理加速及复杂场景生成领域。我们致力于为业界贡献更多元化的技术视角，进一步降低工业级生成模型的使用门槛与算力成本。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：[email protected]