Token烧不起了？比肩Claude Opus 4.6免费模型来了，还将开源

养虾、养马、养人（OpenHuman）、养电子宠物，Token都快掏空钱包了。

连微软都宣告，Claude的Token烧不起了。

别急，比肩Claude Opus 4.6的 Agent（智能体）免费大模型来了。

昆仑万维旗下的天工 AI（Skywork）发布了 SkyClaw-v1.0，一个为 Agent 场景深度优化的模型。

现在免费试用，而且试用过后将开源。

即使不免费，价格也打穿地板。百万上下文窗口，输入价格最低 0.3 元/百万 token。

性能超越同级别开源对手，逼近闭源巨头。

实战如何

官方强烈推荐将 SkyClaw-v1.0 模型作为 Hermes, Claude Code 和 Codex 等智能体框架的大脑来使用，而不是标准的聊天模型。

搭配智能体框架使用，直接自然语言提示，就能完成 APP 开发。

比如下面这个航班和旅行预订 APP，就是 SkyClaw-v1.0 构建的，搜索、结果浏览、预订和行程规划视图都非常完整。

还有这类似小红书的 APP，非常完美

交互网页与游戏设计也是一把好手。

比如带有图表、股票列表、提示板和新闻布局的交互式金融市场分析终端。

直接上手就能玩的超级玛丽。

深度研究和数据可视化也非常在行。

比如写一份中国新能源汽车市场报告，市场份额和定价分析等综合到仪表板中。

硬核跑分

SkyClaw-v1.0 是为主流 Agent 环境打造的高性能模型，重点适配 OpenClaw、Hermes、Nanobot 这类智能体框架。

SkyClaw-v1.0 和 SkyClaw-v1.0-lite 与 DeepSeek V4 Flash、MiniMax M2.7、Qwen 3.6 27B、DeepSeek V4 Pro 在 6 个 Agent 基准上的对比：

在 PinchBench-v2 上，SkyClaw-v1.0 拿到 87.2 分。Claw-Eval 的 Pass^3 稳定性测试得分 59.7，平均分 74.2。

Pass^3 是个值得多聊两句的指标，它要求模型连续三次执行同一任务都成功，能力之外，更考验稳定性。智能体场景里，一次跑通不算本事，次次跑通才算靠谱。

Skywork 自研的 Skywork-Claw-Bench 得分 62.9。

横向对比，SkyClaw-v1.0 在这些 Agent 基准上全面超过 Minimax 2.7、DeepSeek V4 Flash 和 Qwen 3.6 的 35B A3B 及 27B 版本。

在 OpenClaw 相关任务上，它的表现接近体积大得多的闭源模型，包括 DeepSeek V4 Pro、Claude Opus 4.6 和 Qwen 3.6 Plus。

SkyClaw-v1.0 用更小的体量、更低的成本，做到了接近的成绩，性价比的优势非常明显。

SkyClaw-v1.0-lite 轻量版速度更快、价格更低，但继承了不错的智能体能力，比如性能依然优于 Minimax 2.7。

对成本敏感的基础 Agent 任务，lite 版是个实惠选择。两个版本可搭配使用，旗舰版啃硬骨头，lite 版跑高频轻任务。

代码任务评估上，SkyClaw-v1.0 同样有显著提升。智能体场景中，代码生成和工具调用往往是绑定的，能写对代码、能调对工具，两个能力缺一不可，SkyClaw 在这两条腿上都站得稳。

训练三板斧

模型性能从哪来？SkyClaw-v1.0 的训练围绕三个核心环节展开：环境构建、高质量数据合成、端到端强化学习。

搭环境是起点。

团队基于 OpenClaw 构建了一个高复杂度的训练模拟环境，配备了常用的高质量工具和技能，让模型在训练阶段就能探索和利用这些工具。

光有工具还不够，他们还分析了 OpenClaw 类环境中的真实用户任务，结合高频在线技能的使用统计和反馈，画出了一张工具之间的关系图。有的工具经常被组合调用，有的工具之间存在前后依赖，这些关系都被建模进来。

有了这张图，就能合成出更贴近真实用户需求的复杂任务。训练数据越像真实场景，模型的实战能力就越扎实。

数据合成做 SFT（监督微调）是关键一环。

在验证过的 OpenClaw 环境上，团队合成了大量针对中期训练和 SFT 的训练数据。

数据质量把控很严，不只看最终答案对不对，还要审查整个求解过程中每一步动作的质量。一条轨迹，答案对了但过程歪七扭八，照样淘汰。

团队还做了一系列数据混合实验，找到 Agent 任务训练数据的最优配比，这活儿看着枯燥，实际上直接决定了模型的上限。

端到端的 Agent RL（强化学习）收尾。

天工自建的 OpenClaw 环境天然支持探索和强化学习训练，不用额外搭桥铺路。端到端的智能体 RL 训练，进一步提升了模型在通用 Agent 任务上的泛化能力和稳定性。

强化学习的价值在于，模型不光学会了解题，还学会了在各种意外情况下保持镇定，该回退回退，该重试重试，不掉链子。

相比只靠 SFT 的模型，经过 RL 打磨的 SkyClaw-v1.0 在面对分布外任务时更从容，出错率更低，这对生产环境的可靠性至关重要。

三个环节走完，SkyClaw-v1.0 在主流 OpenClaw 类环境任务上表现突出，跨不同 Agent Harness（智能体框架）的泛化能力也同步增强。

训练中对环境的深耕，让模型换个框架照样能打。

SkyClaw-v1.0 通过 apifree.ai 提供服务，API 接口与 OpenAI 兼容，换行改个 base_url 就能跑起来。百万 token 的上下文窗口，适合长链路的 Agent 工作流。

天工团队特别强调了一点：SkyClaw-v1.0 的最佳使用方式是嵌入 Agent 框架，比如 Hermes、Claude Code 或 Codex，让模型在框架内完成规划、编辑、测试、迭代的完整工作流。

赶紧给你的虾、马换上 SkyClaw-v1.0 免费大脑，试试效果如何。

参考资料：

https://skyworkai.github.io/skyclaw/

https://www.apifree.ai/model/skywork-ai/skyclaw-v1?tab=info

https://github.com/SkyworkAI/skyclaw