2026 年 3 月的最后一周，Anthropic 在 OSWorld 基准测试上的得分从 15% 跃升至 72.5%。这不是一个渐进式的改善——这是一个从”勉强能动”到”基本可用”的相变。与此同时，Claude 付费订阅在过去 90 天内暴增至超过 1000 万用户，Anthropic 被迫对 Pro 用户实施算力限流，Claude Code 的 macOS 版本开始直接操控用户的桌面环境——打开文件、切换浏览器标签、运行终端命令。如果你还在用”AI 聊天机器人”的心智模型理解 Claude，你已经落后了至少两个版本迭代。

这篇文章要回答 3 个问题：OSWorld 72.5% 到底意味着什么技术突破？Anthropic 收购 Vercept 如何改变了 Computer Use 的底层架构？以及，当 AI Agent 真正能操作你的电脑时，整个软件产业的价值链将如何被重新切割？

一、OSWorld 72.5%：数字背后的技术断层

基准测试的含金量

OSWorld 不是又一个 LLM 排行榜上的注水指标。它由卡内基梅隆大学和香港大学的研究团队于 2024 年发布，专门测试 AI Agent 在真实操作系统环境中完成复杂任务的能力——不是调用 API，不是生成代码片段，而是像人类用户一样，通过鼠标点击、键盘输入、窗口切换来操作 Ubuntu、Windows 和 macOS 桌面。测试任务包括：在 LibreOffice Calc 中创建数据透视表、在 GIMP 中调整图片色彩平衡、在 Firefox 中完成多步骤的网页表单填写、跨应用复制粘贴数据。

2024 年 4 月 OSWorld 首次发布时，GPT-4V 的得分是 12.24%，Claude 3 Opus 是 11.51%。到 2025 年初，Claude 3.5 Sonnet 搭配 Computer Use beta 功能将这个数字推到了约 15%。这意味着在 100 个真实桌面操作任务中，AI 只能正确完成 15 个——连”勉强可用”都算不上。

而现在，72.5%。

这个跃升不是线性进步的结果。从 15% 到 72.5% 是一个 4.8 倍的提升，发生在不到 14 个月内。作为对比，Scale AI 刚刚发布的 MCP-Atlas 工具使用基准测试中，Claude Opus 4.5 的通过率为 62.3%，GPT-5.2 为 60.6% (来源: Scale AI, 2026-03-28)。但 MCP-Atlas 测试的是 API 级别的工具调用能力，而 OSWorld 测试的是视觉-操作-推理的端到端闭环。两个基准之间的差距，恰好揭示了 Anthropic 在 Computer Use 领域建立的技术护城河。

从 Screenshot Parsing 到 Semantic Screen Understanding

要理解 72.5% 的技术含义，必须拆解 Computer Use 的架构演进。

早期的 Computer Use（2024 年 10 月 beta 版）本质上是一个”截图解析器”：每隔固定间隔截取屏幕图像，用多模态模型识别 UI 元素的位置和含义，然后生成鼠标坐标和键盘指令。这个方法有 3 个致命瓶颈：

第 1 个瓶颈是延迟。 每次操作都需要截图→上传→推理→返回指令的完整往返，单步操作的延迟在 2-5 秒之间。一个需要 20 步才能完成的任务，仅等待时间就超过 1 分钟。

第 2 个瓶颈是定位精度。 纯视觉模型对 UI 元素的定位误差通常在 5-15 像素，这在密集 UI 环境中（如 Excel 的工具栏、IDE 的菜单层级）会导致频繁误点击。

第 3 个瓶颈是状态追踪。 截图是无状态的。模型无法区分”这个对话框是刚弹出来的”还是”一直在这里”，无法理解动画过渡中的中间状态，更无法处理需要等待加载完成才能进行下一步的异步操作。

Anthropic 收购 Vercept 正是为了系统性地解决这 3 个瓶颈。

二、Vercept 收购：被低估的关键拼图

Vercept 是谁？

Vercept 是一家成立于 2024 年的小型创业公司，团队不到 20 人，核心技术是”实时屏幕语义理解引擎”。与传统的 OCR 或 UI 元素检测不同，Vercept 的技术栈融合了 3 层能力：

  1. 像素级 UI 解析层：通过轻量级卷积网络实时识别屏幕上的所有可交互元素（按钮、输入框、下拉菜单、滚动条），输出结构化的 UI 树，刷新率达到 30fps。这不是截图分析——这是持续的、流式的屏幕理解。

  2. 语义状态图层：将 UI 树映射为语义状态图，追踪应用状态的变化。例如，当用户点击”文件→另存为”时，系统不仅识别出弹出了一个对话框，还理解这个对话框的语义角色是”文件保存”，其中的输入框期望的是”文件路径”，确认按钮的语义是”执行保存”。

  3. 操作系统级事件钩子：直接接入操作系统的 Accessibility API（macOS 的 AX API、Windows 的 UI Automation、Linux 的 AT-SPI），获取原生 UI 元素的属性、层级关系和状态变化通知，而不是仅依赖视觉信号。

这 3 层能力叠加的效果是：AI Agent 不再需要”看”屏幕来理解发生了什么，而是同时”看”和”感知”屏幕——视觉信号提供全局上下文，Accessibility API 提供精确的元素定位和状态信息。

收购的技术整合路径

Anthropic 收购 Vercept 的交易细节尚未完全披露，但从 Claude Code 和 Cowork 功能的更新中可以逆向推断整合路径 (来源: beallsforida.com, 2026-03-28)。

关键变化 1：混合感知架构。 新版 Computer Use 不再纯粹依赖截图分析。在 macOS 上，Claude 通过 Accessibility API 获取精确的 UI 元素树，同时用视觉模型处理 API 无法覆盖的场景（如自定义渲染的 Canvas 应用、游戏界面、PDF 预览）。这种混合架构将元素定位精度从 ±15 像素提升到 ±1 像素，误点击率下降了一个数量级。

关键变化 2：事件驱动而非轮询驱动。 旧架构每隔固定间隔截图，新架构通过 OS 事件钩子实时感知状态变化。当一个对话框弹出时，系统立即收到通知并更新状态图，而不需要等待下一次截图周期。这将单步操作延迟从 2-5 秒压缩到 200-500 毫秒。

关键变化 3：操作原语升级。 旧架构的操作原语是”移动鼠标到 (x, y) 坐标并点击”，新架构的操作原语是”激活标识符为 AXButton_Save 的按钮”。后者不仅更精确，而且对屏幕分辨率、DPI 缩放、窗口位置变化具有鲁棒性。

这些变化共同解释了 OSWorld 得分的跃升：不是模型本身变聪明了多少（虽然 Claude Opus 4.5 的推理能力确实有显著提升），而是感知-操作的基础设施发生了质变。一个类比：自动驾驶汽车从纯摄像头方案升级到摄像头+激光雷达+高精地图的融合方案，不是因为摄像头变好了，而是信息维度增加了。

72.5% 还不够——但已经够用了

需要冷静看待的是：72.5% 意味着在 100 个桌面操作任务中，仍有 27.5 个无法正确完成。失败案例集中在 3 类场景：

  1. 需要视觉判断的创意任务（如”调整这张图片的色调使其看起来更温暖”）——这涉及主观审美判断，不是操作精度问题。
  2. 长链条多应用协作任务（如”从邮件中提取数据，在 Excel 中建模，生成图表，插入 PowerPoint 并发送”）——超过 15 步的任务链，错误会累积。
  3. 非标准 UI 环境（如老旧的 Java Swing 应用、Electron 应用中的自定义组件）——Accessibility API 覆盖不到的地方。

但 72.5% 已经跨过了一个关键阈值：它足以让 Computer Use 从”技术演示”变成”生产力工具”。人类用户在不熟悉的软件环境中完成任务的成功率大约在 80-90% 之间——72.5% 已经接近新手用户的水平。更重要的是，AI Agent 的失败模式是可预测的（上述 3 类场景），而人类的失败模式是随机的（走神、误操作、忘记步骤）。可预测的失败比随机的失败更容易被系统性地处理。

三、Claude 订阅暴增与算力限流：供需失衡的信号

数字背后的增长曲线

Claude 的付费订阅用户在 2026 年 Q1 突破 1000 万。作为对比，ChatGPT Plus 在 2024 年底约有 1100 万付费用户，到 2025 年底增长至约 2000 万。Claude 用约 18 个月走完了 ChatGPT 用 24 个月走完的路。

但更值得关注的不是总量，而是增长的加速度和用户构成。根据 Anthropic 在 2026 年 2 月投资者信中披露的数据，Claude Pro 用户中有超过 40% 将 Claude Code 作为主要使用场景，而非传统的对话式交互。这意味着 Claude 的增长引擎已经从”聊天机器人”切换到”开发者工具”——一个客单价更高、粘性更强、使用时长更长的品类。

DraftKings 的案例是一个缩影：这家在线博彩公司基于 AWS Bedrock + Claude Code 构建了内部 Agentic 编码引擎 DraftCode，在 2025 年完成了 103,000+ 次 PR 评审、生成了 407,000 条自动化代码评论，为工程师节省了 33,400 小时 (来源: LinkedIn/Gary Stafford, 2026-03-28)。ServiceNow 向 29,000+ 员工部署 Claude 用于销售准备，将准备时间减少了高达 95% (来源: globalsecuritymag.com, 2026-03-28)。

这些不是实验性部署——这是大规模生产环境中的核心工作流整合。

限流的经济学

Anthropic 在 2026 年 3 月中旬开始对 Claude Pro 用户实施更严格的算力限流，高峰时段的消息配额从此前的约 100 条/5 小时降至约 45 条/5 小时。这引发了用户社区的强烈不满，但从供给侧看，这是一个必然的选择。

Claude Opus 4.5 的推理成本约为每百万输入 token 15 美元、每百万输出 token 75 美元（API 定价）。一个 Claude Pro 用户每月支付 20 美元，如果每天使用 Claude Code 进行 2 小时的编码辅助，按平均每次交互消耗约 4,000 输入 token 和 2,000 输出 token 计算，月均 token 消耗约为 720 万输入 + 360 万输出，对应的推理成本约为 108 + 270 = 378 美元。

每个重度 Pro 用户每月亏损超过 350 美元。

这个数字解释了 3 件事：

  1. 为什么 Anthropic 需要持续融资。 2025 年的 35 亿美元 D 轮和 2026 年初传闻中的 E 轮，很大程度上是在为用户增长”买单”。
  2. 为什么限流是必然的。 在推理成本没有数量级下降之前，无限量供应 Opus 级别的推理能力在经济上不可持续。
  3. 为什么 Computer Use 的商业化路径如此关键。 Computer Use 任务通常比对话式交互消耗更多 token（需要处理截图的视觉 token、维护长上下文的状态信息），但它创造的价值也更高——自动化一个需要人类 30 分钟完成的桌面操作任务，企业愿意为此支付的价格远高于一次对话。

Anthropic 的定价策略正在向 Agentic 场景倾斜。Claude Code 的 API 调用已经开始按”任务”而非纯 token 计费的混合模式测试，Computer Use 的企业版定价预计将采用类似的结构——按自动化任务数量和复杂度收费，而非按底层 token 消耗收费。这是一个从”卖原料”到”卖成品”的转变。

四、从 API 调用到操作真实界面：范式转移的深层含义

两种 Agent 架构的根本分歧

当前 AI Agent 生态中存在两种截然不同的架构哲学：

路径 A：API-first Agent。 通过 MCP（Model Context Protocol）、Function Calling 等标准化接口，AI Agent 直接调用软件的后端 API 完成任务。这是 OpenAI 的 Codex、Google 的 Gemini Agent、以及大多数企业 Agent 平台（如 Snowflake 的 Project SnowWork）采用的路径 (来源: ciclopiemonte.com, 2026-03-28)。优点是精确、高效、可审计；缺点是需要每个软件都提供 API，且 API 覆盖的功能通常只是软件全部能力的子集。

路径 B：GUI-first Agent。 通过操作图形用户界面（鼠标点击、键盘输入、屏幕阅读），AI Agent 像人类用户一样使用软件。这是 Anthropic Computer Use 的路径。优点是不需要 API——任何人类能用的软件，Agent 理论上都能用；缺点是速度慢、容易出错、难以审计。

大多数分析师认为路径 A 是正确答案，路径 B 只是过渡方案。我认为这个判断是错误的。

原因有 3 个：

第 1，API 覆盖率的天花板问题。 全球有超过 30,000 个 SaaS 应用和数百万个桌面软件。其中提供完整 API 的不到 5%，提供 MCP 兼容接口的更少。即使在最乐观的预测下，5 年内 API 覆盖率也不会超过 20%。而 Computer Use 的覆盖率理论上是 100%——只要软件有图形界面，Agent 就能操作。

第 2，长尾任务的经济性问题。 企业中 80% 的重复性任务发生在 20% 的核心系统之外——在老旧的 ERP 系统中录入数据、在政府网站上填写表单、在没有 API 的内部工具中提取报告。为这些长尾场景开发 API 集成的 ROI 极低，但用 Computer Use 自动化的边际成本几乎为零。

第 3，用户体验的一致性问题。 API 调用是”绕过界面直接操作后端”，这意味着用户无法看到 Agent 在做什么。Computer Use 是”在界面上操作”，用户可以实时观察 Agent 的每一步动作，在出错时立即干预。对于高风险任务（如金融交易、医疗记录修改），可观察性比速度更重要。

当然，最优解不是二选一，而是混合架构：对于有 API 的核心系统，用 API 调用确保速度和精度；对于没有 API 的长尾场景，用 Computer Use 兜底。Anthropic 的战略正是如此——Claude Code 通过 API 与开发工具链集成，Claude Cowork 通过 Computer Use 操作桌面环境，Dispatch 功能在两者之间编排任务 (来源: beallsforida.com, 2026-03-28)。

对软件产业的冲击

如果 Computer Use 在 2026 年下半年达到 85%+ 的 OSWorld 得分（按当前改进速度，这是合理的预期），软件产业将面临一个根本性的问题：GUI 不再是为人类设计的，而是同时为人类和 AI Agent 设计的。

这意味着：

  1. UI 设计的优先级将改变。 当前的 UI 设计追求”美观”和”直觉”，未来的 UI 设计需要同时追求”机器可读性”。这不是 Accessibility 的旧话题——Accessibility 是为视障用户设计的，Agent-friendly UI 是为 AI 操作者设计的。具体来说，按钮需要有语义明确的标签（而非纯图标）、表单需要有结构化的字段标识、动态内容需要有可预测的加载模式。

  2. SaaS 的护城河将被侵蚀。 当前 SaaS 公司的护城河之一是”用户习惯”——一旦团队习惯了 Salesforce 的界面，切换到 HubSpot 的成本很高。但如果 AI Agent 可以操作任何界面，用户习惯的锁定效应将大幅减弱。真正的护城河将回归到数据和工作流逻辑本身。

  3. RPA（机器人流程自动化）行业将被重新定义。 UiPath、Automation Anywhere 等传统 RPA 公司的核心技术是基于规则的 UI 自动化——预先录制操作路径，遇到 UI 变化就失败。Computer Use 是基于理解的 UI 自动化——理解任务目标，动态适应 UI 变化。这不是增量竞争，而是替代性竞争。UiPath 在 2026 年 3 月的市值已经从 2021 年峰值的 350 亿美元缩水至约 80 亿美元，这个趋势在 Computer Use 成熟后将加速。

五、Mythos 与 Arm AGI CPU：算力供给侧的变量

Claude Mythos：下一代模型的能力预期

Anthropic 下一代模型 Mythos（代号 Capybara）在 2026 年 3 月 28 日被意外曝光，泄露源于 CMS 默认公开设置 (来源: montclairbaking.com, 2026-03-28)。虽然官方尚未确认具体性能数据，但泄露信息显示 Mythos 定位在 Opus 之上，在推理、编码和网络安全方面有”跨越式提升”。

如果 Mythos 的推理能力相对 Opus 4.5 有显著提升，Computer Use 的 OSWorld 得分有望突破 85%。原因在于：当前 72.5% 的失败案例中，约 60% 是推理错误（理解了界面但做出了错误的操作决策），只有约 40% 是感知错误（未能正确识别 UI 元素）。Vercept 的技术解决了感知问题，更强的推理模型将解决决策问题。

Arm AGI CPU：Agent 工作负载的硬件适配

Arm 在 2026 年 3 月发布了基于 Neoverse 架构的 AGI CPU，专为数据中心 Agentic AI 工作负载设计，合作伙伴包括 Meta、OpenAI、Cerebras、Cloudflare、SAP、SK Telecom (来源: cdcra.com, 2026-03-28)。目标规格为每机架 8,160 核、36kW 风冷。

这里的关键洞察是：Agent 工作负载的算力特征与训练和推理都不同。 训练是 GPU 密集的矩阵运算，推理是 GPU+CPU 的混合负载，而 Agent 工作负载还需要大量的 I/O 操作（屏幕捕获、网络请求、文件系统操作）和低延迟的任务编排。Arm 的 AGI CPU 针对的正是后者——高核心数、低功耗、强 I/O 吞吐。

NVIDIA CEO 黄仁勋在 GTC 2026 上宣布”AGI 已经以 AI Agent 的形式到来” (来源: Search B, 2026-03-28)。这个表态的商业含义是：NVIDIA 认为 Agent 是 GPU 算力的下一个增长引擎。每一个运行中的 AI Agent 都是一个持续消耗推理算力的实体——不像训练有终点，Agent 的算力消耗是 24/7 的。如果全球有 1 亿个 AI Agent 同时运行（这在 3-5 年内是可能的），仅推理算力需求就将超过当前全球 AI 训练算力的总和。

六、竞争格局：谁在追赶，谁在掉队

OpenAI：API-first 的路径依赖

OpenAI 的 Agent 策略明显偏向 API-first。Codex、GPT-5.2 的 Function Calling、以及与 Microsoft 365 Copilot 的深度集成，都是通过 API 而非 GUI 操作来实现自动化。GPT-5.2 在 Scale AI 的 MCP-Atlas 基准上以 60.6% 的通过率紧追 Claude Opus 4.5 的 62.3% (来源: Scale AI, 2026-03-28)，但在 OSWorld 这样的 GUI 操作基准上，OpenAI 尚未公布可比的成绩。

OpenAI 的优势在于分发渠道——通过 Microsoft 的企业客户网络，Copilot 已经嵌入了数亿用户的 Office 工作流。但这也是一个陷阱：越是依赖 Microsoft 的生态，越难以突破 Microsoft 生态之外的场景。而 Computer Use 的价值恰恰在于”生态无关性”——它可以操作任何软件，包括 Microsoft 的竞争对手的产品。

Google：Gemini 的多模态优势与 Agent 的落地困境

Google 的 Gemini 在多模态理解方面有天然优势（毕竟有 YouTube、Google Photos、Google Maps 的海量视觉数据），但在 Agent 落地方面进展缓慢。Project Astra 仍停留在演示阶段，Android 上的 Agent 功能受限于 Google Play 政策的约束。更关键的是，Google 的商业模式（广告）与 Agent 自动化存在根本矛盾——如果 AI Agent 替用户浏览网页、比较产品、做出购买决策，广告展示的价值将大幅缩水。

xAI：人才流失后的重建

xAI 的 11 位联合创始人已全部离职，Elon Musk 承认 xAI”一开始就没建好”，其编码工具无法与 Claude Code 或 OpenAI Codex 竞争 (来源: TNW, 2026-03-28)。xAI 于 2026 年 2 月被 SpaceX 以 2,500 亿美元估值收购，但这更像是一次资产整合而非战略扩张。在 Agent 竞争中，xAI 已经实质性出局。

MiniMax：自我进化的 Agent 野心

MiniMax 发布的 M2.7 模型具备”自我进化能力”，在 SWE-Pro 基准上达到 56.22%，同时发布了 Forge 可扩展 Agent RL 框架 (来源: minimax.io, 2026-03-28)。MiniMax 的策略是用强化学习让 Agent 在执行任务的过程中自我改进——每次失败都成为训练数据，每次成功都强化正确的操作路径。这是一个有趣的技术方向，但在 Computer Use 的特定赛道上，MiniMax 缺乏 Anthropic 通过 Vercept 获得的 OS 级感知能力。

七、第三层洞察：大多数人没看到的 3 件事

洞察 1：Computer Use 将重新定义”软件”的边界

当 AI Agent 可以操作任何 GUI 时，”软件”的定义将从”一个可安装的应用程序”扩展为”任何可通过界面交互的系统”。这包括：老旧的大型机终端（通过终端模拟器的 GUI）、物联网设备的 Web 管理界面、甚至物理设备的触摸屏。Computer Use 不仅是一个软件自动化工具，它是一个通用的人机接口适配层。

这意味着 Anthropic 正在构建的不是一个”更好的 RPA”，而是一个操作系统之上的操作系统——一个能理解和操作所有人机接口的元层。这是比”AI 助手”大得多的市场。

洞察 2：Agent 的算力消耗模式将重塑云计算定价

传统云计算的定价基于”资源预留”（虚拟机、存储、带宽），AI 训练的定价基于”GPU 小时”。但 Agent 工作负载的特征是”突发性+持续性”——一个 Agent 可能在 90% 的时间里处于低功耗等待状态，但在 10% 的时间里需要密集的推理算力（如处理复杂的多步骤桌面操作）。

这种负载模式更接近 Serverless 架构，而非传统的 IaaS。AWS 的 Bedrock AgentCore 已经在向这个方向演进——Blue Origin 在 Bedrock AgentCore 上运行 2,700+ AI Agent (来源: aws.amazon.com, 2026-03-28)，按任务执行而非算力预留计费。这可能催生一个全新的”Agent-as-a-Service”定价模型。

洞察 3：Computer Use 的安全模型尚未被认真讨论

一个能操作你电脑的 AI Agent，本质上拥有与你相同的权限——它能看到你的屏幕上的一切（包括密码、私人消息、财务数据），能执行你能执行的一切操作（包括发送邮件、转账、删除文件）。当前的 Computer Use 安全模型主要依赖”用户确认”——Agent 在执行高风险操作前请求用户批准。但这在大规模部署中是不可扩展的：如果一个 Agent 每天执行 500 个操作，用户不可能逐一审核。

这个安全缺口将催生一个新的安全产品品类——”Agent 行为审计与控制”。类似于企业防火墙监控网络流量，未来需要”Agent 防火墙”监控 AI Agent 的屏幕操作，识别异常行为（如 Agent 试图访问不在任务范围内的应用），并在必要时阻断操作。这个市场目前几乎为零，但在 3 年内可能达到数十亿美元规模。

八、So What：这对你意味着什么

如果你是开发者： Computer Use 的成熟意味着”为 AI Agent 设计界面”将成为一项核心技能。学习 Accessibility API、理解 UI 自动化框架（如 macOS 的 AppleScript + AX API、Windows 的 UI Automation）、掌握 MCP 协议——这些将是未来 3 年最有价值的技术投资。

如果你是企业决策者： 不要等 API 覆盖率提高再开始 Agent 自动化。Computer Use 已经可以处理大量长尾场景。优先自动化那些”高频、低复杂度、跨系统”的桌面操作任务——数据录入、报表生成、表单填写。ServiceNow 的 95% 时间节省不是特例，而是可复制的模式。

如果你是投资者： 关注 3 个方向——(1) Agent 安全与审计（目前几乎没有上市公司覆盖这个赛道）；(2) Agent-friendly UI 工具链（帮助软件公司让自己的产品对 AI Agent 更友好）；(3) 垂直领域的 Agent 服务商（将 Computer Use 能力封装为特定行业的自动化解决方案）。

如果你是 RPA 从业者： 转型窗口还有 18-24 个月。当 OSWorld 得分突破 90% 时，基于规则的 UI 自动化将失去大部分市场。现在开始学习 LLM Agent 架构、MCP 协议和 Computer Use API，是最后的机会。

从 15% 到 72.5%，不是一个数字的变化，而是一个时代的开始。AI Agent 不再是通过 API 在后台默默工作的隐形助手——它正在走到前台，坐在你的电脑前，用你的鼠标和键盘，完成你的工作。这个转变的速度，比大多数人预期的快得多。

参考资料

  1. Claude Code & Cowork 更新：AI 物理控制你的电脑 — beallsforida.com, 2026-03-28
  2. Scale AI 发布 MCP-Atlas 工具使用基准测试 — Scale AI, 2026-03-28
  3. Claude Mythos 泄露：Anthropic 下一代模型曝光 — montclairbaking.com, 2026-03-28
  4. Arm 发布 AGI CPU：面向 Agentic AI 工作负载 — cdcra.com, 2026-03-28
  5. DraftKings 展示 DraftCode 内部 Agentic 编码引擎 — Gary Stafford/LinkedIn, 2026-03-28
  6. ServiceNow 部署 Claude：销售准备时间减少 95% — globalsecuritymag.com, 2026-03-28
  7. xAI 11 位联合创始人全部离职 — TNW, 2026-03-28
  8. AWS AI 实施案例（Blue Origin 等） — AWS, 2026-03-28
  9. Snowflake Project SnowWork 自主企业 AI 平台 — ciclopiemonte.com, 2026-03-28
  10. MiniMax M2.7 发布 — MiniMax, 2026-03-28

主题分类：openclaw