MindLab推出MindClaw，旨在解决OpenClaw的“伪记忆”问题，将Agent的“外挂记忆”转化为参数化记忆。OpenClaw通过Prompt空间积累技能和记忆，但存在技能漂移和检索依赖问题，导致噪声增加而非真正进化。MindClaw采用两层架构（Agent层MetaClaw和基础设施层MinT），结合LoRARL技术，将高频技能内化为参数，提升Agent的稳定性和个性化。MindLa

MindLab提出从ContextEngineering到ContextLearning的范式转变，认为当前AI开发瓶颈在于模型无法从使用中持续学习。其核心方案是ContextDistillation（上下文蒸馏），通过将临时上下文增益转化为参数化能力，实现模型持续进化。该方法利用强化学习机制，让模型通过自我评估和参数更新逐步内化知识。这一转变将重塑Agent开发分工，实现系统级与模型级进化的打通

在多个环境中训练的单个世界模型可以稳健地服务于所有环境，特别是通过共享的物理和叙事动态，在TextWorld和WebShop中取得了尤为显著的提升。来衡量这一点：CR = W2R / Real，其中Real是智能体在现实环境中的成功率，W2R是在现实环境中重放世界模型生成的动作时的成功率。Mind Lab认为，一个拥有忠实世界模型的系统可以形成预期、探测意外、预先规划并从想象中学习——这正是区分「