InternScience/Agents-A1

解決的問題

Agents-A1 解決了在不需要海量參數的情況下實現前沿級 AI 性能（媲美兆級參數模型）的挑戰。它專注於「擴展智能體視野」（scaling the agent horizon）——即提高模型處理長期軌跡和多樣化專業能力的能力——從而使 35B 參數模型能夠在複雜的、多步驟的任務中與規模大得多的系統競爭。

工作原理

該專案利用了透過三個階段過程訓練的 35B Mixture-of-Experts (MoE) 架構：

1. Full-domain SFT：使基礎模型符合通用的智能體行為。
2. Domain-level Teacher Training：為特定的專業領域創建專門的教師模型。
3. Multi-teacher Distillation：使用具有顯著詞彙對齊的領域路由在策略蒸餾（on-policy distillation），將六個異構領域合併到一個學生模型中。

為了支持這一點，團隊構建了一個連接外部知識、動作和觀察的知識-動作基礎設施，允許模型在平均 45K token 的軌跡上進行訓練。

適用對象

• 開發者和企業：希望將高性能智能體模型集成到其應用中。
• AI 研究人員：對智能體視野擴展和透過蒸餾進行高效知識遷移感興趣。
• 本地 AI 愛好者：可以使用 4B 版本或量化變體在 Mac 等硬體上進行本地部署。

亮點

• 智能體推理：能夠將複雜任務分解為可執行的子步驟，並根據結果調整策略。
• 工具集成：原生支援函數調用、API、程式碼解釋器和搜尋引擎。
• 長上下文處理：在長對話和文件中有強大的連貫性和召回能力。
• 高效率：在保持 35B 參數規模的同時，提供與前沿模型（如 GPT-5.5）相媲美的競爭力性能。