Agents-A1 - 上海 AI Lab开源的混合专家智能体模型
来源：互联网
时间：2026-07-12 14:13:10
Agents-A1是什么
聊到Agents-A1，得先给个定调：这是上海AI实验室开源的一款35B参数、混合专家（MoE）架构的智能体模型，专为复杂科研任务而生。它的思路很特别——不是一味堆参数，而是通过“知识-行动图谱”来构建可验证的长轨迹基础设施，再配上三阶段多专家蒸馏训练，硬是突破了“大模型必须海量参数才能搞定复杂推理”的惯性思维。结果呢？在长程搜索、科学推理、指令遵循这些任务上，它能跟万亿参数级别的模型掰手腕。
Agents-A1的主要功能
- ：支持持续多步交互，能根据环境反馈反复迭代，把复杂科研全流程走通。
长程自主任务执行
- ：从想法生成、方案设计，到代码实现、实验验证，一个环节不落。
科学推理
- ：能整合多轮信息检索，做交叉验证，最后生成整份报告。
长程搜索
- ：灵活调配外部工具、API和环境交互，策略还能动态调整。
工具调用
- ：在复杂约束下做推理、决策，万一失败还能自己重新规划。
指令遵循
Agents-A1的技术原理
- ：跟普通知识图谱不一样，KAG把答案被获取、检验、修正、验证的完整轨迹都保留下来，通过自博弈不断扩充高质量的长轨迹数据。这些轨迹平均长度约4.5万token，等于给模型提供了过程级的监督信号。
知识-行动图谱（KAG）
- ：第一阶段做全域监督微调，先打底一个通用智能体基础能力；第二阶段拆成细分任务，训练多个领域专家模型，把长程搜索、科学推理、工具调用这些专项能力往深里磨；第三阶段用多领域路由的在线策略蒸馏（OPD），把不同专家的能力融进一个模型里。
三阶段训练流程
- ：通过多教师域路由在线策略蒸馏，靠“显著词汇对齐”来提升跨领域知识迁移效率，把搜索、科学、工程、指令遵循等六个异构领域统一成单一可部署的学生模型。
显著词汇对齐的蒸馏
如何使用Agents-A1
- ：先克隆 GitHub 仓库，装上 Python 依赖。注意，GPU 显存至少要 48GB，35B 的 MoE 模型推理可不是小活儿。
环境准备
- ：用 HuggingFace CLI 或者魔搭社区命令行，下载
模型获取
InternScience/Agents-A1的完整权重和配置文件。 - ：用 Transformers 库从本地路径加载，配置
本地部署
device_map="auto"，多卡并行或单卡高效分配都没问题。 - ：配置文件里注册好搜索 API、代码解释器等外部工具，然后用自然语言丢给模型科研目标，剩下的事它自己来——自动分解步骤、调用工具、迭代输出结果。
任务执行
Agents-A1的核心优势
- ：35B参数，在SEAL-0、IFBench、HiPhO这些基准上，跟万亿参数模型比肩甚至反超。
小参数大能力
- ：思路从参数规模横向扩张，转向交互深度纵向拓展——用更小规模撬动更复杂的任务处理能力。
交互深度Scaling Law
- ：一个模型，把长程搜索、科学推理、工具调用、指令遵循这些领域全包了。
通专融合
- ：KAG机制把完整的行动和验证轨迹都留着，过程可追溯，结果可验证。
可验证长轨迹
- ：代码、模型、技术报告全都开源。上线10天，下载量就超20万，社区衍生版本还在持续冒出。
完全开源
Agents-A1的项目地址
- ：https://internscience.github.io/Agents-A1/
项目官网
- ：https://github.com/InternScience/Agents-A1
GitHub仓库
- ：https://huggingface.co/InternScience/Agents-A1
HuggingFace模型库
- ：https://arxiv.org/pdf/2606.30616
arXiv技术论文
Agents-A1的同类竞品对比
| 维度 | Agents-A1 | Kimi-K2.6 | 参数规模35B MoE~1T开源是否定位长程科研智能体通用对话助手长程交互优化核心架构设计部分支持SEAL-056.450.0IFBench80.671.8HiPhO46.437.7FrontierScience-Olympiad79.076.0训练范式知识-行动图谱+多专家蒸馏传统预训练+后训练
|---|
