COPU会议纪要丨2026.06.23

6月23日，陆主席主持召开COPU例会。

2026《第21届开源中国开源世界高峰论坛》将于6月25-26日在北京中关村展示中心召开！

会议首先发表了陆主席谈本届峰会的主题：

一、开源创新，推动数字化转型与智能化重构

开源运动经过半个世纪浩浩荡荡的发展，已经成为推动全球科技创新的重要力量。

开源已成为当代信息技术（包括人工智能）发展中非常重要的创新与协同方式，以及普惠推广方式，成为深度信息技术和人工智能技术和产业发展的基础和推动力。

世界舆论认为，在人工智能时代，中国倡导并实行的开源战略比西方采用的闭源策略更富远见。

中国开源软件推进联盟（COPU）自2004年成立以来，以开源布道为己任，积极推动本国开源的发展，并大力开展开源的国际合作，20年前邀请全球开源领袖和资深专家60位，组成COPU智囊团的高级顾问，建立全球的开源创新和咨询平台，对我国和全球的开源运动作出了卓越的贡献，中国开源也已跻身于全球开源发展的第一梯队。

在本主题中，深入探讨发展基于开源的深度信息技术（包括容器通信、云原生、区块链、Kubernetes的开发和应用），深入探讨基于开源的人工智能：践行中国倡导的开源战略，探讨AI大模型落地与在国内的模型集群如何关联与布局问题。

二、发展开源、降本、高性价比的AI大模型

探索一条如DeepSeek开发并提出的“低成本、低投资、高效率、高性价比”发展AI的新路径，即探索出一条“开源、降本（到极致，变成白菜价）、算力国产化、高性价比”发展A1新路径。

有人问我，目前中美发展AI大模型谁领先？

美西方认为，美国领先。最近在全球编程能力性能夺冠竞赛中，OpenAI的GPT5.5，Anthropic的ClaudeOpus4.8/4.7，正在轮流夺取王冠（此时中国大批编程模型也上来了，进入编程发展前列，但仍未登顶）。

我认为，要谈论目前中美大模型谁领先问题，必须从AI大模型三个维度来考察：

①从大模型性能维度上看，美国领先，

②从大模型降本维度上看，中国大大领先，

③从大模型调用维度上看，中国领先。

本届峰会将讨论这批主题，结合大模型发展到超大规模或万亿级规模时，美西方如沿用将资源、电力、投资以堆叠方式供给，将导致发展难以为继。这时AI大模型的发展方式将引起广泛争议。

小米MiMOv2.5大模型采用自研（不同于DeepSeek v4）的核心技术，但做到与v4同样的降本到极致水平，这一方面让我们看到国内双雄比翼双飞，另一方面也表示DeepSeek一年多前首创发展AI大模型新路径中的核心技术可被取代，此时美西方也已觉察到中国AI大模型的强势（OpenAI CEO萨姆·奥特曼坦言“成本突然成为AI发展中的一个大问题”），将激发他们展开白热化的竞争。

美国政府作出干预：要求ClaudeFable5和MyThos5突然全球停服，并禁止外籍人员访问。

Anthropic 推出的这两款新品，被业内吹成新一代最强的AI，综合能力甩开同行新品一大截。

最近智谱开发的GML5.2（官方称这是迄今最强的开源模型），面向GLM Coding Plan全量用户正式开放，以取代Claude系列。智谱GML5.2与Anthropic这两款新品相比，在性能上接近，但还存在差距，Fable5技术再先进，非美国公民说不能用就不能用，这为开源的GML5.2取代创造条件。

今后这类争议将成为常态。

三、生成式自回归语言大模型→世界模型→通用人工智能AGl转轨发展。

目前生成式自回归语言大模型（主要开展预训练的Chatbot业务）向世界模型（接触物理世界，过渡）而后直指通用人工智能AGl（全面人工智能）转轨发展。在转轨之初，全面转向后训练主导、自主性强的智能体（AI Agent），成为一个可调用、可编程、可规划、可落地的，具有组织执行能力，能够完成复杂任务的系统。

在本届峰会上，讨论的智能体（AI Agent）的有国际智能体人工智能智能基金会（AAIF）、华为、小米、中兴、COPU以及幕后Deepseek、Kimi、Qwen、GML、MiniMax等，智能体（AI Agent）成为本届峰会的热点，也代表了会上AI 的高水平。

会议发表袁怿的《Harness：面向自主 Agent 系统核心边界之内，方有自主》报告。

为什么需要 Harness Agent

Agent 位于智能交付的最后一公里，从简单的 Chatbot 演进而来，真正面向 AGI/奇点/RSI 的未来。

Harness Agent 的本质：运行时治理

Harness Agent 将每个上下文数组视作一个 Agent，其规模化瓶颈不在于模型“智商”，而在于运行时治理。

治理的本质是对 工作记忆（上下文）的管理。

工程使命从“教 Agent 做什么”转向“为 Agent 划定边界”，让模型在约束内找到最优解。

核心方法是通过 信息减熵 提升准确性与有效性，手段包括：

约束前置

：在 Prompt 中预置能做什么、不能做什么；

评价冻结

：冻结评估函数，防止漂移对齐与奖励黑客；

工作留痕

：状态可查询、错误可见，适配长时间自主运行。

Harness Agent 的三层架构

环境交互层

 以 OpenClaw 为例，通过 Gateway 设计实现高吞吐、权限控制、内容分发。Agent 通过 Function Call / Tool Call 影响环境，须与上下文管理层在 Prompt 和 Tool 上紧密联动。

上下文管理层

 通过“检查点环绕”方式管理上下文数组。检查点激活时可执行：追加、回退、新对话、压缩、子代理。

记忆与 Query Loop 层

记忆管理

（如 Mem0）：将每次对话/执行记录压缩成记忆，用简单数据结构存储。记忆影响范围取决于业务场景，可能从工作记忆升级为全局记忆。通过 Hook 生成和使用记忆，也可委托给一个记忆 Agent，但需注意级联触发导致的状态爆炸。

Query Loop

：模型返回无 Function Call 时退出；有则沙箱执行，与环境交互后更新查询。支持多模型，基于成本由本地模型处理简单问题，远端 API 处理复杂问题。上下文长度以最短窗口模型为上限（木桶原则）。

面向奇点：Agent 的自我进化

最后提出了四种面向奇点的演进场景：

Vibe Coding 开发智能体本身

（如 OpenClaw 社区实践）；

从本地 Memory 提炼新 Skill

，扩充 Agent 能力；

生成“端侧模型”

，实现 Function Call / MCP 渐进式加载，甚至提取参数形成“VLA 小脑”，将常用活动从远端大模型过滤掉；

本地算子开发与验证

（如 Auto Research），若新算子能优化端侧模型，则纳入有效改进，形成自主进化闭环。

大会议程全天