一句话介绍
Agents-A1 是 InternScience 开源的 35B 专家混合（MoE）智能体模型，通过扩展智能体决策深度（而非盲目堆叠参数量），在多个科学推理、代码生成和浏览器操作基准上达到万亿参数级性能，超越 Kimi-K2.6 和 DeepSeek-V4-pro 等超大模型。
它是什么？
AI 模型的发展长期遵循”越大越好”的路径——参数量从几十亿到几千亿再到万亿，训练成本呈指数级增长。但 InternScience 的研究团队提出了一个完全不同的思路：与其增加模型的参数量，不如扩展智能体的”视野”和”能力边界”。
Agents-A1 正是这一理念的成果。该模型于 2026 年 6 月发布论文（arXiv:2606.30616），采用 Apache-2.0 许可证开源，在 Hugging Face 上获得了 16.7 万+ 下载和 721+ Likes，成为智能体模型领域的现象级作品。
模型基于 Qwen3.5-35B-A3B 基础架构（35B 总参数，活跃 3B），是一个多模态（图像-文本到文本）的视觉语言模型（VLM），专门针对智能体任务进行训练。其核心创新在于构建了平均长度达 45K token 的长周期智能体轨迹，将外部知识、行动、观察和验证器结果连接起来，让模型学会”深度思考、多步推理”的智能体行为。
核心功能
1. 三阶段训练管线
Agents-A1 采用独特的三阶段训练方案，确保模型在保持高效的同时获得强大能力：
- 全领域监督微调（SFT）：将基础模型与广泛的智能体行为对齐，奠定通用能力基础
- 领域教师模型训练：在六个不同领域分别训练专家教师模型，捕获专业化知识
- 多教师领域路由蒸馏：提出带显著词汇对齐的多教师在线策略蒸馏，提升跨领域知识转移效率
2. 六领域统一能力
Agents-A1 将六个异构领域统一到一个可部署的学生模型中：
| 领域 | 基准测试 | Agents-A1 得分 |
|---|---|---|
| 科学推理 | FrontierScience-Olympiad | 79.0 |
| 交互式基准 | IFBench | 80.6 |
| 科学计算 | SciCode | 44.3 |
| 高阶推理 | HLE | 47.6 |
| 浏览能力 | BrowseComp | 75.5 |
| 分子科学 | MolBench-Bind | 56.8 |
3. 超越万亿参数模型的性能
在多个基准测试上，35B 的 Agents-A1 击败了参数量高达 1 万亿的模型：
- SEAL-0：56.4（领先 Kimi-K2.6 和 DeepSeek-V4-pro）
- IFBench：80.6
- HiPhO：46.4
这一成绩证明了”扩展智能体视野”策略的有效性和可扩展性。
4. 多模态智能体能力
作为视觉语言模型，Agents-A1 支持图像-文本到文本的生成，能够：
- 理解屏幕截图并做出操作决策
- 读取文档、图表和界面元素
- 在多步骤任务中保持视觉上下文
适用人群
- 研究人员：探索智能体规模扩展策略，验证”深度优于宽度”的假设
- 开发者：部署高性能智能体应用，尤其是需要多步推理和工具调用的场景
- 企业用户：在有限计算资源下获得接近顶级模型的性能，降低推理成本
- 教育用户：学习智能体模型训练方法，理解 MoE 架构在多任务学习中的应用
与同类工具对比
| 特性 | Agents-A1 (35B) | Kimi-K2.6 (1T) | DeepSeek-V4-pro (1T) | 本地小模型 |
|---|---|---|---|---|
| 参数量 | 35B (活跃 3B) | ~1T | ~1T | 1B-8B |
| 成本 | 低 | 极高 | 极高 | 极低 |
| 智能体能力 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐ |
| 科学推理 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ |
| 可部署性 | 高（Apache-2.0） | 闭源 API | 闭源 API | 高 |
| 多模态 | ✅ | ✅ | ✅ | 部分支持 |
关键优势：以 35B 参数实现万亿参数级性能，大幅降低部署成本，同时保持对长周期任务的出色处理能力。
如何使用
方式一：Hugging Face 直接推理
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "InternScience/Agents-A1"
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
# 输入多模态提示
messages = [{"role": "user", "content": "请分析这张截图并描述当前界面状态"}]
# 配合图像输入调用模型
方式二：Ollama 本地部署
ollama pull internscience/agents-a1
ollama run agents-a1 "分析这个代码库的结构"
方式三：OpenRouter API
# 通过 OpenRouter 调用
curl https://openrouter.ai/api/v1/chat/completions \
-H "Authorization: Bearer $OPENROUTER_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "internscience/agents-a1",
"messages": [{"role": "user", "content": "帮我完成这个多步骤任务..."}]
}'
方式四：本地 GGUF 量化版本
对于资源受限的机器，可以使用量化版本：
- InternScience/Agents-A1-Q4_K_M-GGUF（4-bit 量化，适合 8GB+ 显存）
- r0b0tlab/Agents-A1-NVFP4（NVFP4 量化，适合 NVIDIA GPU）
总结与推荐
推荐指数：⭐⭐⭐⭐⭐（5/5）
Agents-A1 代表了当前智能体模型发展的一个重要方向——不追求盲目扩大参数量，而是通过扩展智能体的决策深度和能力边界来实现性能突破。
核心亮点： - ✅ 35B 参数实现万亿参数级性能，性价比极高 - ✅ 六个异构领域统一模型，通用能力强 - ✅ Apache-2.0 开源许可证，可自由商用 - ✅ 多模态支持，可理解图像和界面 - ✅ 论文开源，研究方法可复现
需要注意： - ⚠️ 模型仍基于 Qwen3.5 架构，部分领域支持依赖基础模型能力 - ⚠️ 中文场景的支持需要额外评估
对于追求高效智能体部署、希望在小参数规模下获得高性能的团队来说，Agents-A1 是目前最值得关注的开源模型之一。
部署后如果需要调试模型输出，可以配合本站的 JSON 格式化工具 或 CSV 查看器 使用。