Agents-A1 - 上海 AI Lab开源混合专家智能体模型

Agents-A1是什么

Agents-A1是上海AI实验室开源的35B参数混合专家（MoE）智能体模型，专为复杂科研任务设计。模型通过知识-行动图谱构建可验证长轨迹基础设施，配套三阶段多专家蒸馏训练，突破大模型依赖海量参数实现复杂推理的局限。模型在长程搜索、科学推理、指令遵循等任务上表现比肩万亿参数模型。

Agents-A1的主要功能

• 长程自主任务执行：支持持续多步交互、环境反馈与迭代执行，完成复杂科研全流程。
• 科学推理：覆盖想法生成、方案设计、代码实现与实验验证等多环节。
• 长程搜索：整合多轮信息检索、交叉验证与报告生成。
• 工具调用：灵活调用外部工具、API与环境交互，动态调整策略。
• 指令遵循：在复杂约束下完成推理、决策与失败重规划。

Agents-A1的技术原理

• 知识-行动图谱（KAG）：不同于普通知识图谱，KAG保留答案被获取、检验、修正、验证的完整轨迹，并通过自博弈不断扩展高质量长轨迹数据，平均长度约4.5万token，为模型提供过程级监督。
• 三阶段训练流程：第一阶段进行全域监督微调，获得通用智能体基础能力；第二阶段面向细分任务训练多个领域专家模型，针对性强化长程搜索、科学推理、工具调用等专项能力；第三阶段通过多领域路由的在线策略蒸馏（OPD），将不同专家能力统一到一个模型中。
• 显著词汇对齐的蒸馏：采用多教师域路由在线策略蒸馏，通过显著词汇对齐提升跨领域知识迁移效率，将搜索、科学、工程、指令遵循等六个异构领域统一为单一可部署学生模型。

微信关注回复“开源”，加入AI开源项目交流群

如何使用Agents-A1

• 环境准备：克隆 GitHub 代码仓库并安装 Python 依赖，确保 GPU 显存不低于 48GB 以支撑 35B MoE 模型推理。
• 模型获取：通过 HuggingFace CLI 或魔搭社区命令行下载 InternScience/Agents-A1 完整权重与配置文件。
• 本地部署：使用 Transformers 库从本地路径加载模型，配置 device_map="auto" 实现多卡并行或单卡高效分配。
• 任务执行：在配置文件中注册搜索 API、代码解释器等外部工具后，以自然语言提交科研目标，模型自动分解步骤、调用工具并迭代输出结果。

Agents-A1的核心优势

• 小参数大能力：仅35B参数即在SEAL-0、IFBench、HiPhO等基准上比肩或超越万亿参数模型。
• 交互深度Scaling Law：从参数规模横向扩张转向交互深度纵向拓展，用更小规模撬动更强复杂任务处理能力。
• 通专融合：单一模型统一覆盖长程搜索、科学推理、工具调用、指令遵循等多领域。
• 可验证长轨迹：KAG机制保留完整行动与验证轨迹，确保过程可追溯、结果可验证。
• 完全开源：代码、模型、技术报告全开源，上线10天累计下载超20万，社区衍生版本持续涌现。

Agents-A1的项目地址

• 项目官网：https://internscience.github.io/Agents-A1/
• GitHub仓库：https://github.com/InternScience/Agents-A1
• HuggingFace模型库：https://huggingface.co/InternScience/Agents-A1
• arXiv技术论文：https://arxiv.org/pdf/2606.30616

Agents-A1的同类竞品对比

维度Agents-A1Kimi-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

Agents-A1的应用场景

• 自动化科研：覆盖文献综述、实验设计、数据分析到结果验证的全流程科研任务自动化。
• 机器学习工程：自动完成模型选型、特征工程、超参调优与模型集成等复杂工程迭代。
• 复杂信息检索：执行多轮深度搜索、信息交叉验证并生成结构化研究报告。
• 长程代码开发：支撑大型项目编程、调试、性能优化与自动化代码审查。
• 科学计算：辅助数学证明、化学分子模拟、生物信息学数据分析等计算密集型任务。