（来源：上观新闻）
这个发现对整👌®个AI翻🇦🇲🚦译领域具有深👨✈️🛒远的影响⚖。如果 J🇸🇧👘SON 语法要🇮🇪求，请务必添加🔞🗻逗号： {🇿🇼🔋 "id"🌒: "glm🐰🧴-5.🐢🇨🇵1", "n🇸🇮ame": "G👱♀️LM-5.1",⛎ "reaso📑ning":🔄 tr🇻🇳ue, 🚅🤞"input":🏄 [ "🤡🌄tex👲t" ⚱⛵ ],🇪🇷⚾ "co😅🤽♂️st": {👘 👎 "in🧦put": 🥫🍌0, 🙍♂️🦶 "outpu🚠t":🇮🇸 0, 👨✈️🚽 "cac❗☝heR🚔🧢ead":🕺 0, 🚑 "c©ache🇲🇨Write":👩⚖️ 0 },🇸🇪 "con📓textW🙎indow":🇺🇿🉐 204🇮🇪🇱🇾800, "👨🦳maxToke🧚♂️ns": 🐎🔥131072} 🍔然后更新“ag🦂ents🥢.defau🐸lts.m🙊odel3️⃣🛑.primar🇺🇲y”的默认模型👱： "pri🐙💌mary": "💜zai/gl♨m-5🇲🇻", 🤗接着，把上面📴的代码🦓改为以下样式： 🇹🇫"prim🌍🇹🇹ary": 🕘"za🛄i/glm-5.👳♀️✌1", 在“ 😾😱agents🇸🇰📑.de🍔fau😵lts.mod🅰🛫els”🔭添加： "zai🌵🚆/glm↖😨-5.1"🔯🚒: {} 第二步🕎🇰🇮：更新配置参考 ⚱🕙以下是参🌥考代码，用于展🥰🏖示更新后的配🌫置应该是什么样子🚵♀️ 1、💞“mo🎩🛣dels.p🇽🇰rovid🛣ers.zai🎭.mod🍚els”👨👩👧👦📯部分： "mo🙋♂️♐dels"🥫: [ {🕠 📱😾"id"⌛🙎: "glm-5🇪🇹🕒", "🆗🥺name"🚧0️⃣: "GLM-5🌗🤹♂️", 🖇 "r🇸🇳easoni⏏📡ng": 🇧🇩true, ㊗🍹 😖🏖"input"💺: ["te🖨xt"], 😳 "cos🔦👑t":🥐🇵🇳 {"inpu👱♀️t": 0, 🌡"outpu🎎😞t": 0, 🛶"cache1️⃣🛁Read":🤑🇹🇷 0, "c🇬🇵ach⛑🆑eWrit👘e":🎭 0}📺✖, "🦂🧁contextW🎈indow🥂🇸🇽": 2048🥇🚣00,😆🤙 "m🍞👨🔬axToken🚉s": 13😆1072 }🐥, { ❇ "id": 🇲🇲"glm-4🐕🛌.7",⬛🇳🇿 "n🇸🇩🕶ame🍓": "GLM-🧨⬛4.7", 🐳 "re🆕🚒asoni🤥🇺🇿ng": ➡tru📵📪e, 🧴🇳🇱 "input🏴": ["te🇭🇰xt"], 🗿🇹🇴 "co🔭st": {🛋"inp⚖ut": 0,🤙 "output⏬": 0🚜🍹, "c🇲🇹👩🚀ach☝🤩eRead🇱🇸": 0,🔬 "cacheW🖥xl上司第二季未增删翻译rite":🍔👱 0}, ⬛🎯 "co🥪🦊ntextWin🧞♀️💭dow": 2💞♣04800🉐, 🇬🇧🧝♀️ "m🔂axToke👨💼ns": 131🇧🇿👩🎤072 ℹ🈲 }, {🐱 🧝♀️😕 "id⛰": "🙎♂️🇽🇰glm🔨🅿-5.1",🤯🇸🇸 "na😯me": 🧁😮"GLM-5.🐭😰1", 🇧🇻🧩"reaso🚲nin😆👨🔬g": tru📁👳e, 🌎 "in🍵put": 🥾["text"]😜😢, "🗞cost"📶: {"🚭inpu🎃t": 0,🥐🍪 "outp🤣ut": 0, 👲"cacheR💂♀️ead":👪 0, 🔻🧱"cac♌💫heWrite"🔢: 0}, 📙↖ "contex🏌🏢tWindo🌶w": 20🇵🇫🕷4800,🔢 "ma🚒xTok📸ens": 13📤🚓1072👩👔 }] 2、🗝🇷🇪“agents.🤙📍defaul🍨ts.m🕥odel.p🌛xl上司第二季未增删翻译rimary”部💚↖分： "mo🕋del🎺🧧": { "p🔍📞rima✍⚠ry": 👓🍠"zai😋📲/glm-5🐉🇻🇦.1"💏🙎♂️, "fa👒🇰🇵llbacks"😌🤢: [👩🎨🇧🇱"zai/glm®-4.❤🇿🇲7"]} 3🔨、“age🐾nts.defa👤ults.m👚odels”🇰🇷🎑部分： "mo⛅🕰dels":🖕 { "zai🇧🇫🥓/glm-5":🥵 {"alias🥍🇮🇸": "GLM"🍜👨🎓}, "za🤝🈵i/gl💉🐌m-4.👩🍳🧨7": {🗄}, "zai🤣/glm-5.1🈸": {}} 做🏢📪完以上更改🍺🧴后，运行👨🦱“open🇾🇹claw 🇯🇴👅gateway🧚♂️ res😘👨🌾tart”命令🇺🇿重启网关 重启💺后，您应该可👗以直接使用 GL👩🦲M-5.1 模型🧨🛒，您可➰以在终端运行“🔓open💊☪claw t🗽🏏ui”进入🍖💂♀️聊天界面🔛😇。
每一个词元🛶🚴♀️在模型内部都对🧵📌应一个高🈹🐂维空间中的向🌫🔶量（E🤸♀️mbeddin🇱🇾g）🇿🇦。然而，如果机器🇨🇺🙇人负责执行那🤔🐤些单调重🦹♀️复的工作，而人类🐫xl上司第二季未增删翻译则处理依赖🇮🇱于具体情境的判断🐉任务，那么这种🏰🌸方案要🤱🇲🇳更容易让人接⏹受得多🇪🇪。Kimi为什么能🧧😿成为被竞争对🏊手选定，甚至不🇰🇾惜冒险隐身使用的🎴“世界最强开⚾🙉源基座模型”？这🛫🗑看起来只🧕◽是一次偶然🚐的事件👩👧👧⛎，但在偶然背🏝📨后，一✈🇸🇽定是必然🧒🇵🇷。实现训推带宽提升🧧🃏2倍以上、推理🇯🇴🚮TTFT降👹低97🦞%，大幅提升🖥💂♀️GPU利用率🕠，解决大模型IO🗑瓶颈‼🕸。
那么，词元的成本🔤应该怎么进行👩🦱♊估计呢？在🐫不考虑：第一、🕊🇨🇲基建成本；第二🤮🧹、模型🎐能力冗📱余的情况下🃏🥄，我们将单位词元🇺🇲🦆的基础价格拆解为🏤一个完整数据🇵🇭推导机制： 从上🉐述推导中可🦓🇧🇫以看出，词元↕🇸🇧（Token🇦🇼）的实际🧀成本是🎖xl上司第二季未增删翻译高度依赖📶💜于模型能力⌚和硬件成本🇰🇵🛳的🎄。宇树科技、🍹⛷智元机器人等🇬🇬厂商，通😲✡过租赁渠道⏫实现了设备的大规🤸♂️模流通👨⚕️。更关键🧚♀️的一点🇶🇦🤤，则是把整个创🌝新转化的过⛹️♀️🐇程进行拆解🇱🇨🙄，并为每一💥个环节配置对🥧👨👩👦👦应的承👨💻🇵🇫接主体🐯。
