35B干翻万亿参数？上海AI Lab这个新模型，把AI Agent的"耐心"拉满了

你有没有遇到过这种崩溃瞬间？

让AI帮你写个复杂的代码项目，结果它第二步就开始瞎编；让它做个多步骤调研，它查完第一个网页就忘了自己要干嘛。

气不气？

其实这不怪你，也不怪AI笨。问题的根源在于——AI Agent的"耐心"太有限了。

在软件工程、科学研究、复杂决策这些需要连续干好几步甚至几十步的任务里，Agent只要走错一步，后面全白费。过去大家怎么解决这个问题？简单粗暴：堆参数。模型越大，理论上就越聪明。

但上海AI Lab的团队说了：停！咱们换个思路。

他们搞出了一个叫 Agents-A1 的35B参数MoE模型，不靠堆参数，而是靠扩展Agent的"任务持久力"（也就是长程 Horizon），用更小的身板去硬刚万亿参数级的大模型。

结果还挺炸裂——在某些多步搜索、科学研究和长指令遵循任务上，它竟然真的超过了部分万亿参数级的模型，而且在同规模的35B模型里直接封顶。

不堆参数，那靠什么？

先说结论：Agents-A1 的核心思路就一句话——教AI养成更持久、更靠谱的工作习惯，而不是光给它塞知识。

听起来像鸡汤？别急，往下看技术细节，你会发现这招挺硬的。

💡 三阶段训练：先打基础，再拜名师，最后融会贯通

Agents-A1 的训练过程分为三步走，每一层都踩在前一层的肩膀上：

第一阶段：全领域SFT（打好通识基础）

研究人员先用多领域、多任务的高质量长程轨迹数据给模型上课。说白了，就是让模型看大量别人是怎么一步步完成复杂任务的例子，增强它在长上下文下的理解、推理和指令跟随能力。

这里有个小技巧叫"sample packing"——把几个短样本拼成一个长序列一起训练，既省算力又提升GPU利用率，聪明得很。

第二阶段：培养四个"专家老师"

模型有了基础功底后，团队把它拆成四个方向，每个方向专门培养一个专家老师：

• 🔍 搜索老师：先学怎么拆解复杂问题，再用强化学习（GRPO）优化多跳搜索能力。目标是什么？找到正确答案，但别瞎搜浪费时间。
• 🧪 科学老师：先强化科学推导能力，再学怎么借助外部工具（比如查资料、跑计算）来验证结论。重点培养的不是死记硬背，而是"什么时候该动手查一查"。
• 📋 指令跟随老师：两轮强化学习下来，第一轮学怎么满足格式、长度、关键词这些细颗粒度要求；第二轮学怎么在超长上下文里精准定位关键信息并严格遵守规则。
• 🔧 工具调用老师：重点攻克三个问题——什么时候调工具、出错了怎么纠、什么时候该结束任务。配合结果奖励和过程奖励，把工具使用彻底练透。

第三阶段：多教师蒸馏（融合各路绝学）

最精彩的部分来了！

团队先让学生模型自己干活、生成轨迹，然后由对应领域的老师打分指导。跟传统的离线模仿不一样，这里是"学生现场表演，老师现场点评"——老师直接评估学生自己生成的轨迹，针对性极强。

最后，通过按领域路由的蒸馏和显著词汇对齐，把四个老师的专长和第一阶段的通识能力融合成一个模型。

这个过程就像：先上通识课，再找四个领域的金牌教练特训，最后让教练们一起陪练、实时纠错。效果能不好吗？

⚠️ 实验结果：35B真的干翻了万亿模型？

咱们直接看硬数据，不吹不黑：

搜索能力：直接翻倍

在通用AI助手基准GAIA上，Agents-A1的搜索增强老师模型得分从59.8直接飙升到95.1——提升幅度接近60%，这已经不是优化了，是质变。

科学推理：从2.5到54.3的飞跃

在FS-R科学推理基准上，科学增强老师模型从基线的2.5直接干到54.3，翻了二十多倍。虽然说明基数低，但这个提升幅度还是相当震撼的。

指令跟随和长上下文：全面领先

在LongBench V2和IFBench上，RL增强老师的表现明显优于基线模型。简单说，模型更听话了，也更记得住事儿了。

工具调用：多轮交互不再是噩梦

在τ²-Bench和VitaBench上，工具增强模型取得了显著提升。那些需要好几轮结构化交互的任务，它终于能hold住了。

🌟 真实案例：它真的有"长程思维"吗？

光看测试分数还不够，咱们来看两个实战案例：

案例1：给鲸鱼做声纹识别

研究人员让Agents-A1完成一个机器学习全流程任务——从简单的CNN基线出发，在12小时运行中不断优化，最终把验证集AUC从0.58提升到了0.9935。

注意，这不是简单的调参，而是在多轮迭代中持续改进方案，提升模型泛化能力。也就是说，它真的在"思考怎么做得更好"。

案例2：还原热带气旋路径

以2008年热带气旋Nargis为例，Agents-A1自动完成了数据源识别、数据提取清洗、指标计算、可视化、结果总结——一套完整的端到端分析，最终高保真地重建了风暴演化过程。

从规划到报告生成，多阶段闭环，一气呵成。

它真的完美了吗？

当然不是，研究团队自己也很坦诚地指出了三个短板：

第一，基础原子能力还不够硬

比如"先规划再推理""先反思再行动"这种基础能力，还有长上下文关键信息总结、重要历史信息识别，都还有提升空间。这些能力直接影响长程任务的稳定性和执行效率。

第二，工程类任务仍被大模型碾压

在机器学习工程任务上，Agents-A1跟万亿参数级大模型之间差距明显。毕竟写代码、搭工程这件事，参数规模带来的"见多识广"优势还是很难替代的。

第三，统一模型未必每次都强过专家老师

经过多教师蒸馏后的统一学生模型，并不能在所有领域都稳定超过对应的老师模型。怎么在"模型统一性"和"领域专长"之间找到最佳平衡点，还需要继续探索。

金句来了：真正厉害的AI，不一定是最聪明的那个，而是最有耐心的那个。

互动问题：你觉得未来的AI Agent应该走"更大的参数"路线，还是"更长的耐力"路线？评论区聊聊你的想法！

如果觉得这篇文章有收获，点个在看和分享，让更多人看到AI这个新思路！

参考论文：https://arxiv.org/abs/2606.30616