De acordo com pt.wedoany.com-Em 26 de maio, a Tiangong AI lançou oficialmente o modelo de Agente de alto desempenho SkyClaw-v1.0 e, simultaneamente, a versão leve SkyClaw-v1.0-lite. O SkyClaw-v1.0 suporta um contexto de um milhão de tokens, voltado para cenários reais de trabalho com agentes inteligentes, com foco na otimização de tarefas como chamadas de ferramentas complexas, execução de tarefas em múltiplas rodadas, geração de código, edição de arquivos, construção de aplicações interativas e análise de dados para pesquisa.
O lançamento do SkyClaw-v1.0 aponta para a evolução dos modelos de IA, de respostas de rodada única para a capacidade de execução de tarefas longas. Os modelos de Agente precisam compreender arquivos de projeto, instruções de tarefas, resultados retornados por ferramentas e o estado da interação em múltiplas rodadas dentro de um contexto mais longo, além de avançar continuamente na tarefa, em vez de apenas gerar uma resposta em texto. A capacidade de contexto de um milhão de tokens pode oferecer um espaço de informação maior para análise de repositórios de código complexos, edição de múltiplos arquivos, organização de material de pesquisa e tarefas de automação de fluxo longo, aproximando-se também da carga de trabalho real na colaboração entre desenvolvedores e agentes inteligentes.
Do ponto de vista do percurso de treinamento, o SkyClaw-v1.0 passou por um mid-train em larga escala, SFT com tarefas sintéticas de alta qualidade e otimização por aprendizado por reforço ponta a ponta. O mid-train serve para aumentar a adaptação do modelo a tarefas e direções de capacidade específicas; o SFT com tarefas sintéticas ajuda a melhorar a capacidade de seguir instruções em cenários como chamada de ferramentas, planejamento e execução, e geração de código; e o aprendizado por reforço ponta a ponta fortalece ainda mais o feedback de execução e a otimização de resultados do modelo em tarefas de múltiplas etapas. Para um modelo de Agente, a capacidade-chave não reside apenas em "saber responder", mas também em ser capaz de decompor tarefas corretamente no ambiente de ferramentas, chamar ferramentas, observar os resultados e continuar iterando.
A adaptação ao ecossistema é outro ponto central deste lançamento. Informações públicas mostram que o SkyClaw-v1.0 pode ser executado em ambientes de Agente convencionais como OpenClaw, Hermes e Nanobot, além de se adaptar a frameworks de Agentes de Código como Claude Code e Codex. Os frameworks de Agentes de Código geralmente exigem que o modelo suporte capacidades como planejamento, edição de arquivos, geração de código, execução de testes, modificação em múltiplas rodadas e memória de contexto. A compatibilidade entre o modelo e o framework afeta diretamente a capacidade dos desenvolvedores de incorporar as capacidades da IA nos fluxos de engenharia existentes.
O lançamento simultâneo do SkyClaw-v1.0-lite pela Tiangong AI indica seu desejo de oferecer uma opção de chamada mais leve além da versão de alto desempenho. Para aplicações de Agentes, diferentes tarefas têm requisitos distintos quanto à capacidade do modelo e ao custo de chamada. Análises de projetos complexos, orquestração automatizada e modificação de código em múltiplos arquivos podem exigir um modelo mais robusto, enquanto a distribuição de tarefas simples, edição localizada e interações leves priorizam a velocidade de resposta e o controle de custos. A coexistência da versão de alto desempenho com a versão leve ajuda os desenvolvedores a escolher o modelo com base na complexidade da tarefa.
O SkyClaw-v1.0 foi integrado ao Tiangong Skywork em 22 de maio. Os usuários podem acessar o Tiangong Skywork para utilizá-lo. O SkyClaw-v1.0 e o SkyClaw-v1.0-lite também oferecem um período de teste gratuito de 2 a 4 semanas. Para o ecossistema de Agentes, uma vez que esses modelos entrem em ambientes de ferramentas reais, os focos de avaliação subsequentes se concentrarão na estabilidade do contexto longo, precisão na chamada de ferramentas, taxa de conclusão de tarefas complexas, controlabilidade da modificação de código, custo operacional e experiência de adaptação ao framework. À medida que os modelos de Agente continuam a ser otimizados para fluxos de trabalho de engenharia, o desenvolvimento de código, fluxos de automação, análise de pesquisa e construção de aplicações interativas se tornarão cenários importantes para a competição de capacidades dos modelos.
Este texto foi elaborado por Wedoany. Qualquer citação por IA deve indicar a fonte “Wedoany”. Em caso de infração ou outros problemas, informe-nos prontamente, por favor. O conteúdo será corrigido ou removido. E-mail: news@wedoany.com
