Holen Sie sich die Spitzenleistung zu halbem Preis! Testen Sie das TianGong SkyClaw Agent-Modell zeitlich begrenzt kostenlos.
Am 26. Mai hat TianGong AI, ein Tochterunternehmen von Kunlun Tech, das Hochleistungs-Agent-Modell SkyClaw-v1.0 offiziell vorgestellt und gleichzeitig die leichte Version SkyClaw-v1.0-lite veröffentlicht. Beide bieten Spitzenleistung und hervorragendes Preis-Leistungs-Verhältnis.
SkyClaw-v1.0 unterstützt einen Kontext von einer Million Tokens und ist tiefgehend auf verschiedene reale Agenten-Arbeitsumgebungen zugeschnitten. Es wurde speziell für die Optimierung von komplexen Werkzeugaufrufen, der Ausführung mehrstufiger Aufgaben, Codegenerierung, Dateibearbeitung, der Erstellung interaktiver Anwendungen und der datenanalytischen Forschung optimiert. Das Modell wurde durch umfangreiches Mid-Training, hochwertige synthetische Aufgaben im SFT (Supervised Fine-Tuning) und End-to-End-Stärkungslernen optimiert. Es kann in gängigen Agenten-Umgebungen wie OpenClaw, Hermes und Nanobot betrieben werden und ist gleichzeitig mit Code-Agenten-Frameworks wie Claude Code und Codex kompatibel, was seine Universalität und Kompatibilität maximiert.
Die Kombination von Agenten-Modellen und Agenten-Frameworks verändert die Art und Weise, wie Modelle verwendet werden. Früher beantworteten Modelle hauptsächlich Fragen. Heute werden sie in eine Ausführungsumgebung eingesetzt, die in der Lage ist, Repositories zu lesen, Werkzeuge aufzurufen, Dateien zu bearbeiten, Tests auszuführen und Feedback zu beobachten, und können so vollständige Arbeitsabläufe übernehmen. SkyClaw-v1.0 zielt genau auf diese Phase ab: Es ermöglicht es dem Modell, Aufgaben im Rahmen eines langen Kontexts und in einer Werkzeugumgebung kontinuierlich voranzutreiben, anstatt nur eine einzelne Antwort zu generieren.
Kernmerkmale des Modells
Hohe Fähigkeit zur Aufgabenbewältigung: SkyClaw-v1.0 hat in gängigen Agenten-Benchmarks und internen Claw-Aufgabenbewertungen von Skywork eine stabile Fähigkeit zur Ausführung mehrstufiger Aufgaben gezeigt.
Übertrifft weitgehend gängige Open-Source-Modelle: Das Modell performt besser als Minimax 2.7, DeepSeek V4 Flash sowie die Qwen 3.6 35B A3B- und 27B-Modelle.
Nähert sich größeren Spitzenmodellen: Bei OpenClaw-bezogenen Aufgaben kommt SkyClaw-v1.0 größeren Modellen wie DeepSeek V4 Pro, Claude Opus 4.6 und Qwen 3.6 Plus nahe.
Sehr kostengünstig: Der Preis liegt unterhalb der Hälfte der Preise von Minimax 2.7 und der Qwen 3.6-Serie, was die Massennutzung der Hochleistungs-Agenten-Fähigkeiten ermöglicht.
Für die Erstellung von Anwendungen empfehlen wir, SkyClaw-v1.0 in Agenten-Frameworks wie Hermes, Claude Code oder Codex auszuführen, damit es Planung, Dateibearbeitung, Testausführung und mehrstufige Iterationen durchführen kann, anstatt nur Code-Schnipsel zu generieren.
Kern-Trainingsansatz: Fokus auf die Fähigkeit zur Erfüllung realer Aufgaben
Das Trainingsziel von SkyClaw-v1.0 ist klar definiert: Die Verbesserung der Fähigkeit des Modells, reale Aufgaben in einem Agenten-Framework zu bewältigen. Der Schwerpunkt des Trainings liegt auf drei Dingen: der Schaffung einer interaktiven Werkzeugumgebung, der Auswahl hochwertiger Aufgabenverläufe und der Verbesserung der Stabilität der mehrstufigen Ausführung durch Stärkungslernen.
Einrichtung der Agenten-Ausführungsumgebung (Agent Environment)
Die Trainingsumgebung basiert auf OpenClaw-stylen Agenten-Frames und deckt häufige Agenten-Aktionen wie Dateilesen, Codebearbeitung, Suche, Tests und die Beobachtung von Webseiten ab. Während des Trainings muss das Modell nicht nur Antworten generieren, sondern auch Werkzeuge auswählen, kombinieren und anhand der Ergebnisse der Werkzeuge die Aufgaben weiter vorantreiben.
Das Team hat ferner anhand echter Claw-Aufgabendaten und des Feedbacks zur Online-Nutzung von Skills ein Werkzeugbeziehungsdiagramm erstellt, um komplexere Aufgaben zu synthetisieren, die näher an realen Arbeitsabläufen liegen. Die resultierenden Daten sind keine isolierten Fragen und Antworten, sondern ein vollständiger Ausführungsablauf, der die Aufgabenteilung, den Werkzeugaufruf, die Beobachtung der Ergebnisse und die iterative Korrektur umfasst.
Präzise synthetische Trainingsdaten (Synthetic SFT Data)
SkyClaw-v1.0 nutzt eine Vielzahl synthetischer Agenten-Verläufe für das Mid-Training und das SFT.
Dieser Schritt zielt hauptsächlich auf das Problem von Rauschen beim Agenten-Training ab. Niedrigwertige Verläufe können dazu führen, dass das Modell ineffiziente Werkzeugaufrufe, fehlerhafte Beobachtungsinterpretationen oder abweichende Zwischenschritte lernt. SkyClaw-v1.0 behält durch die Filterung der Verlaufsqualität und Experimente mit der Datenverteilung stabilere und wiederverwendbare Aufgabenausführungsmodi bei.
Iteratives Stärkungslernen für Agenten (Agentic RL)
Die Stärkungslernphase findet weiterhin in der selbst entwickelten Claw-Umgebung statt. Das Modell muss in der interaktiven Umgebung Aufgaben ausführen, Feedback beobachten, Fehlern begegnen und seine Aktionen korrigieren. Das Optimierungsziel verschiebt sich von „wie gut sieht die Antwort aus“ hin zu „wurde die Aufgabe erfüllt und war der Prozess stabil“.
Daher zeigt SkyClaw-v1.0 in Umgebungen wie OpenClaw, Hermes, Nanobot, Claude Code und Codex seine Stärken eher in der kontinuierlichen Ausführung, der Fehlerbehebung und der mehrstufigen Iteration als in der scheinbaren Vollständigkeit einer einzelnen Antwort.
Anwendung in verschiedenen Szenarien: Umfassende Validierung der Fähigkeiten
In Agenten-Frameworks kann SkyClaw-v1.0 Planung, Dateibearbeitung, Codegenerierung, Testausführung, Webseiten-Debugging und mehrstufige Iterationen durchführen. Es eignet sich besonders für die Erstellung vollständiger Anwendungen, interaktiver Spiele und datenanalytischer Webberichte. Diese Beispiele beginnen alle mit natürlichen Sprachaufforderungen und werden in Agenten-Frameworks wie Hermes, Claude Code und Codex abgeschlossen. Wir empfehlen dringend, SkyClaw-v1.0 in Agenten-Arbeitsabläufen zu verwenden, anstatt es als eigenständiges Chat-Modell zu nutzen.
Implementierung von Oberflächendesigns in allen Formen
SkyClaw-v1.0 kann Anwendungs-Oberflächen mit produktionsreifem Layout, realen Navigationsabläufen und vollständigen Interaktionszuständen generieren. Dies umfasst häufig auftretende Produktformen wie mehrseitige Strukturen, Listenfilterung, Detailseiten, Formulare und die Anpassung an mobile Geräte.
b. Entwicklung immersiver interaktiver Spiele
SkyClaw-v1.0 kann ausführbare interaktive Spiele und physikalische Simulationen generieren. Es kann nicht nur die Seitenstruktur ausgeben, sondern auch Animationsschleifen, Kollisionserkennung, Spielregeln, Zustandsverwaltung und Benutzereingaben verarbeiten.
c. Professionelle Webseitenerstellung und tiefgehende Forschungsanalyse
SkyClaw-v1.0 eignet sich auch für die Erstellung von Forschungs-Webseiten und Datenberichten. Das Modell kann Informationen organisieren, Daten aufbereiten, Webseiten gestalten und visualisieren und natürliche Sprachanforderungen in interaktive Webberichte umwandeln.
Jetzt in TianGong Skywork integriert und kostenlos testbar
Das SkyClaw-v1.0-Modell wurde am 22. Mai 2026 in TianGong Skywork integriert. Benutzer können sich auf https://tiangong.cn anmelden, TianGong Skywork öffnen und es direkt nutzen, ohne dass eine zusätzliche Agenten-Umgebung konfiguriert werden muss.
Ab sofort ist SkyClaw-v1.0 und SkyClaw-v1.0-lite für 2 bis 4 Wochen kostenlos testbar. Benutzer können die Fähigkeiten des Modells in Bezug auf die Verarbeitung langer Kontexte, die mehrstufige Ausführung, die Codegenerierung, den Werkzeugaufruf und die Anwendungsentwicklung in realen Aufgaben testen.
Projektadresse: https://skyworkai.github.io/skyclaw/
API-Zugangsadresse:
SkyClaw-v1:
https://www.apifree.ai/model/skywork-ai/skyclaw-v1?tab=api
SkyClaw-v1-lite:
https://www.apifree.ai/model/skywork-ai/skyclaw-v1-lite?tab=api
Für Entwickler steht SkyClaw-v1.0 über APIFree auch als kostenlose API zur Verfügung. Nach der Registrierung für ein APIFree-Konto und der Erstellung eines API-Schlüssels kann das Modell über eine OpenAI-kompatible Schnittstelle in bestehende Anwendungen oder Agenten-Frameworks integriert werden. Die API unterstützt den Stream-Ausgang, den Werkzeugaufruf und mehrstufige Dialoge und eignet sich für die Integration in Code-Agenten, selbst entwickelte Arbeitsablaufsysteme, interne Unternehmenswerkzeuge und automatisierte Aufgabenplattformen.
Die Veröffentlichung des SkyClaw-v1.0-Modells ist kein isoliertes Ereignis, sondern ein wichtiger Baustein in Kunlun Techs AGI-Produktportfolio. Im Produktportfolio trägt SkyClaw-v1.0 zur Verbesserung der Agenten-Modell-Fähigkeiten auf der untersten Ebene bei: Durch die Unterstützung eines Kontexts von einer Million Tokens, Agentic RL, die Optimierung komplexer Werkzeugaufrufe und ein kostengünstiges API-Angebot bringt es die Agenten-Fähigkeiten aus der Demonstrationsphase in die Phase der häufigen Nutzung und der realen Umsetzung.