最后，论文用了一个思路：把光标当成一个「视觉对象」来处理。具体做法是用 SVG 在每一帧的光标位置渲染一个小箭头，生成对应的 mask 和参考帧，让模型学习「光标在画面上长什么样、在哪里」。

原因很简单。我的 OpenClaw 跑在一台笔记本上。笔记本一旦关机或者合上机盖，OpenClaw 的网关进程就会休眠，飞书上给它发消息也不会有任何回应，相当于直接下线了。这就是用笔记本而非 Mac mini ...