Agents-A1：上海AI实验室开源的35B MoE智能体模型

AI新闻 97ai 1小时前

一、Agents-A1 是什么

Agents-A1 是上海人工智能实验室 InternScience 团队开源的35B MoE 混合专家大模型智能体，核心设计理念为「Scaling the Horizon（拓展智能任务视界）」，区别于传统依靠增大参数量提升能力的大模型研发路线，该模型通过超长任务轨迹训练、多领域异构能力融合，以35B中小参数量实现对标万亿级前沿大模型的复杂智能体任务表现。

项目完整开源于 GitHub，配套推理部署脚本、全套评测复现代码、多领域智能体测试基准，面向科研人员、AI工程开发者、自动化工具开发人群开放，主打低成本高性能长链路智能体能力，原生支持工具调用、超长上下文、多步骤任务规划等智能体核心能力。

二、功能特色

超长轨迹长视界推理
模型训练采用平均45K token 超长任务轨迹样本，可处理多步骤、多轮反馈的复杂长流程任务，支持最长262K上下文窗口，长文档、多轮工具交互不会丢失前置关键信息。
原生多工具自动调用
内置标准化函数调用逻辑，无需额外微调即可对接代码解释器、搜索引擎、第三方API、本地脚本等外部工具，支持根据任务动态选择工具、循环调用并整合观测反馈。
六大领域异构能力统一融合
统一集成长程搜索、工程开发、科学研究、通用指令遵循、通用智能体、专业科研智能体六大领域能力，单模型可同时适配办公、科研、编程、网络检索多类场景。
三阶段专属智能体训练架构
摒弃通用大模型微调方案，设计专属三段式训练流程，通过多教师专家模型蒸馏实现跨领域能力迁移，大幅提升复杂多步骤任务稳定性。
双推理框架轻量化部署
原生兼容 vLLM、SGLang 两大主流高性能推理框架，提供单卡/多卡张量并行启动脚本，API 完全兼容 OpenAI 接口格式，快速对接现有大模型应用系统。
完整开源评测体系
仓库内置标准化智能体评测工具，覆盖 GAIA、BrowseComp、IFBench、Seal-0 等十余项权威智能体基准，一键复现官方论文全部实验数据，方便开发者横向对比模型性能。

Agents-A1：上海AI实验室开源的35B MoE智能体模型

三、技术细节

1. 模型基础架构

基座为 35B MoE 混合专家架构，通过专家路由机制分流不同领域任务，相比同规模稠密模型，在多领域混合任务下推理效率、任务精度更高，算力消耗更低。

2. 核心训练技术

整体分为三阶段训练流程：

全域监督微调：统一对齐通用指令、基础工具调用、简单任务规划，搭建智能体基础行为底座；
分领域专家教师模型训练：针对六大领域单独训练专属教师模型，沉淀各赛道专业推理、工具使用能力；
多教师在线策略蒸馏+显著词对齐：利用领域路由机制将多教师模型能力蒸馏至单一体模型，完成跨领域知识迁移，解决单一模型多任务能力冲突问题。

3. 长上下文与轨迹优化

训练样本平均任务轨迹长度 45K token，推理侧原生支持 262144（262K）上下文窗口；针对长轨迹做关键信息权重对齐，降低长文本下信息遗忘、逻辑断裂问题。

4. 推理部署技术

支持 vLLM：高吞吐批量推理，提供纯文本、工具调用、轻量化三种启动模式，适配线上服务场景；
支持 SGLang：单卡低资源快速部署，适合本地测试、科研实验；
多GPU张量并行，单卡最低可完成基础推理，多卡可拉满长上下文性能；
输出标准 OpenAI /v1/chat/completions 接口，无需改造业务代码即可接入。

5. 采样推荐参数

官方最优生成配置：temperature=0.85、top_p=0.95、presence_penalty=1.1，兼顾创造性与任务执行精准度。

四、应用场景

科研自动化智能体
用于文献检索、实验方案推导、数据代码编写、科研问题多步骤推理，适配高校实验室、AI科研团队日常研究工作。
企业自动化工具编排
搭建内部办公智能体，自动调用查询接口、数据处理脚本、在线文档工具，完成报表生成、信息检索、多步骤业务流程自动化。
通用长文档分析助手
处理百万字级报告、合同、论文合集，多轮提问追溯前文信息，实现长文本深度梳理、逻辑拆解。
开发辅助智能体
自动编写、调试代码，调用代码解释器运行验证，结合网络搜索修复报错，完成完整工程开发链路。
AI模型评测研发
依托项目自带完整评测框架，用于新智能体模型横向对比、算法迭代验证，降低智能体基准测试开发成本。

五、使用方法

1. 环境准备

安装 CUDA 配套环境、vLLM / SGLang 推理框架、Python 依赖包，提前下载官方发布的 Agents-A1 模型权重文件。

2. 仓库拉取

git clone https://github.com/InternScience/Agents-A1
cd Agents-A1

3. 推理部署启动

vLLM 高吞吐服务启动：执行仓库内置脚本，配置上下文长度262144，开启工具调用开关；
SGLang 本地单卡测试：运行轻量化启动脚本，快速本地交互调试；
启动完成后本地接口地址：http://localhost:8000/v1，兼容 OpenAI 调用格式。

4. 任务评测复现

运行仓库 /eval 目录下评测脚本，指定对应基准数据集，一键复现论文中长程任务、工具调用、科研类任务的评测结果。

5. 业务二次开发

基于标准 OpenAI API 封装应用，可接入前端对话页面、自动化工作流平台、本地智能体脚本，自定义工具库拓展模型外部能力。

六、竞品对比

选取同赛道两款主流开源智能体模型做维度对比，仅对比技术、能力、开源配套，不涉及价格：

对比维度	Agents-A1	DeepSeek-Agent	GLM-Agent
模型架构	35B MoE混合专家	稠密通用大模型	稠密混合微调基座
最大上下文窗口	262K	128K	128K
核心训练方案	三段式多教师领域蒸馏	单轮通用微调+RLHF	指令微调+单领域专家微调
原生工具调用	内置标准化工具逻辑，无需二次微调	支持工具调用，需额外工具样本微调	基础工具能力，复杂多轮调用稳定性一般
配套评测体系	完整开源十余项智能体基准复现代码	仅开放基础评测脚本	无完整官方开源评测框架
最优优势场景	超长轨迹科研、多步骤复杂智能体任务	通用对话、简单单步工具任务	国内中文日常办公、轻量化本地对话
算力适配	单卡可部署，多卡并行优化完善	高吞吐依赖多卡，长上下文显存占用高	小卡轻量化部署，长链路推理短板明显

七、常见问题解答（FAQ）

Q1：Agents-A1 必须多卡才能运行吗？

A：不需要，模型支持单卡基础推理部署，仅262K完整长上下文、高并发线上服务场景建议使用多卡张量并行提升性能。

Q2：模型是否支持自定义新增外部工具？

A：支持，项目工具调用模块完全开源，可自行编写工具描述、入参、执行逻辑，模型会自动识别并调用自定义工具。

Q3：Agents-A1 和普通通用大模型的核心区别是什么？

A：普通大模型以单轮对话、简单指令执行为目标；Agents-A1 全程围绕长链路智能体任务设计，从训练数据、架构、微调流程全部针对多步骤规划、工具循环交互优化，复杂任务表现远超同参数通用模型。

Q4：能否使用该模型做商用二次开发？

A：以仓库开源协议为准，项目开源代码、评测工具可用于商用研发，模型权重使用限制需遵循官方权重配套说明。

Q5：部署时报显存不足如何解决？

A：可降低上下文窗口长度、开启推理框架量化加载、切换至SGLang轻量化推理模式，或使用多卡张量并行分摊显存占用。

Q6：评测代码可以用于自研智能体模型测试吗？

A：可以，官方评测框架做了解耦设计，输入输出兼容标准OpenAI接口，能够接入任意支持对话接口的大模型完成横向对比。

八、相关链接

GitHub仓库地址：https://github.com/InternScience/Agents-A1
HuggingFace模型库：https://huggingface.co/collections/InternScience/agents-a1
论文地址：http://arxiv.org/abs/2606.30616
项目主页：https://internscience.github.io/Agents-A1/

九、总结

Agents-A1 作为 InternScience 推出的35B MoE开源智能体大模型，跳出依靠超大参数量提升智能体能力的传统研发路线，依托超长任务轨迹训练、多领域多教师蒸馏技术实现低成本高性能复杂任务推理，原生兼容主流推理框架与OpenAI标准接口，同时配套完整可复现的智能体评测体系，兼顾科研验证、本地部署、企业自动化开发多类需求，是轻量化高性能开源智能体赛道实用性极强的工程化开源方案。