InternScience/Agents-A1

解决的问题

Agents-A1 解决了在不需要海量参数的情况下实现前沿级 AI 性能（媲美万亿级参数模型）的挑战。它专注于“扩展智能体视野”（scaling the agent horizon）——即提高模型处理长期轨迹和多样化专业能力的能力——从而使 35B 参数模型能够在复杂的、多步骤的任务中与规模大得多的系统竞争。

工作原理

该项目利用了通过三个阶段过程训练的 35B Mixture-of-Experts (MoE) 架构：

1. Full-domain SFT：使基础模型符合通用的智能体行为。
2. Domain-level Teacher Training：为特定的专业领域创建专门的教师模型。
3. Multi-teacher Distillation：使用具有显著词汇对齐的领域路由在策略蒸馏（on-policy distillation），将六个异构领域合并到一个学生模型中。

为了支持这一点，团队构建了一个连接外部知识、动作和观察的知识-动作基础设施，允许模型在平均 45K token 的轨迹上进行训练。

适用对象

• 开发者和企业：希望将高性能智能体模型集成到其应用中。
• AI 研究人员：对智能体视野扩展和通过蒸馏进行高效知识迁移感兴趣。
• 本地 AI 爱好者：可以使用 4B 版本或量化变体在 Mac 等硬件上进行本地部署。

亮点

• 智能体推理：能够将复杂任务分解为可执行的子步骤，并根据结果调整策略。
• 工具集成：原生支持函数调用、API、代码解释器和搜索引擎。
• 长上下文处理：在长对话和文档中具有强大的连贯性和召回能力。
• 高效率：在保持 35B 参数规模的同时，提供与前沿模型（如 GPT-5.5）相媲美的竞争力性能。