🦞 OpenClaw 玩法资讯 · 第154期

Anthropic开始限制Claude模型在OpenClaw、Pi、Open Code等开放Agent平台的访问，Pro/Max订阅用户优先。Hugging Face火速发布迁移指南，提供两条路线：

路线一：Hugging Face Inference Providers（最快回血）

创建HF Token → openclaw onboard --auth-choice huggingface-api-key → 推荐使用GLM-5（Terminal Bench得分优秀）。HF PRO用户每月$2免费额度。

路线二：本地运行（完全免费）

brew install llama.cpp → llama-server -hf unsloth/Qwen3.5-35B-A3B-GGUF:UD-Q4_K_XL → 配置OpenClaw指向本地API。32GB内存即可流畅运行。

妙趣点评：Anthropic这一刀砍得挺突然，但开源社区的响应速度更快。Qwen3.5-35B-A3B + llama.cpp，32GB跑得动，零API费用。被限流的朋友们不用慌，换个模型照样飞。

Google DeepMind的Gemma 4家族正式登陆Hugging Face，四个尺寸全覆盖：

规格一览：

• Gemma 4 E2B：2.3B有效参数，支持图像+文本+音频，128K上下文

• Gemma 4 E4B：4.5B有效参数，支持图像+文本+音频，128K上下文

• Gemma 4 31B：31B稠密模型，256K上下文，LMArena估算1452分

• Gemma 4 26B A4B：MoE架构，4B激活/26B总参数，256K上下文，LMArena估算1441分

架构亮点：

• Per-Layer Embeddings (PLE)：每层独立的嵌入信号通道，让模型不用把所有信息塞进一个初始向量

• Shared KV Cache：最后N层复用早期层的KV状态，大幅降低推理内存和计算量

• 可变宽高比图像编码：无需裁剪，支持70/140/280/560/1120 token不同精度

部署全覆盖：transformers、llama.cpp、MLX、Transformers.js、Mistral.rs、Rust，全平台就绪。

实测评价：HF团队原话——"它们好到我们很难找到好的微调示例，因为开箱即用就已经很强了"。OCR、目标检测、GUI元素识别、函数调用全部原生支持。

NVIDIA工程师在Jetson Orin Nano Super上跑Gemma 4 VLA的完整工作流：你说话 → Parakeet STT转录 → 模型自主决定是否看摄像头 → Kokoro TTS回答。关键妙处：模型自己判断何时需要视觉输入，零硬编码逻辑。

从RLVE的单轮推理谜题扩展到多轮电商对话Agent训练。核心洞察：流利度 ≠ 任务完成度。

8个可验证环境：商品发现、缺货替代、购物车构建、退货换货、订单追踪、政策问答、套装规划、多意图串联。每个环境用程序验证奖励，无需LLM-as-Judge。

12轴自适应难度：约束数量(2→8)、用户遗漏率(5%→80%)、搜索干扰率(0%→24%)、中途缺货率(0%→50%)等12个维度同步调控。

三重奖励信号：任务完成度F1 + 效率奖励（少犯错加分）+ 幻觉惩罚（推荐未检索到的商品ID直接扣分）。

妙趣点评：这是Agent RL训练从玩具任务走向真实场景的重要一步。算法验证奖励比LLM-as-Judge可靠太多了——程序不会因为被恭维就给高分。

H Company发布HoloTab——基于Holo3-35B-A3B的Chrome扩展，在浏览器里直接跑Computer Use Agent。

核心功能：用自然语言描述任务 → Agent在浏览器中自主导航、填表、操作 → 零配置零技术门槛。

亮点——Routines（例程）：录制一次你的操作 → 生成可复用的自动化例程 → 支持定时执行。比如"跨20个电商网站比对价格更新表格"这种下午茶级别的活儿，录一次以后全自动。

Chrome扩展地址，免费可用。

Waypoint-1.5在保真度和性能之间找到了新平衡点，让普通消费级GPU也能运行高保真的交互式世界生成。对游戏开发和3D内容创作有重要意义。

Hugging Face发布一个Skill，让Agent将transformers模型自动移植到mlx-lm。核心理念：Agent生成的PR应该像一个细心的人类提交的。

问题背景：Code Agent让开源PR数量暴增10倍，但大部分Agent PR质量堪忧——不了解代码设计哲学、过度重构、引入隐蔽bug。transformers团队被Agent PR淹没。

Solution：用Skill引导Agent做对的事——检查RoPE配置、验证dtype、逐层对比transformers与MLX输出。生成的PR包含：变体差异摘要、生成示例、数值对比、非Agent测试清单。

妙趣点评："这个PR你会自己打开的"——标题起得好。开源项目与Agent协作的正确姿势不是自动化替代人类，而是让Agent成为人类的超级助手。

Sentence Transformers团队发布多模态Embedding和Reranker模型的微调指南。支持图像+文本联合检索，对构建RAG系统有直接帮助。