Agents-A1-4B

Agents-A1: Skalowanie horyzontu, a nie parametrów: Osiąganie wydajności bilionu parametrów z agentem 35B > [!Note]

To repozytorium zawiera wagi modelu i pliki konfiguracyjne dla Agents-A1 w formacie Hugging Face Transformers. Te artefakty są kompatybilne z Hugging Face Transformers, vLLM, SGLang itd. ? Nowości

• 2026.7.14: ?? Model 4B został wydany.
• 2026.7.8: ?? Na prośbę społeczności, nasz model 4B pojawi się w ciągu najbliższych kilku dni — co ułatwi i przyspieszy budowanie własnego lokalnego asystenta AI.
• 2026.7.2: ?? Na podstawie Agents-A1, wydaliśmy serię skwantyzowanych wariantów modelu. Proszę zapoznać się z kolekcją Agents-A1. Ponadto chcielibyśmy podziękować społeczności mlx za dostarczenie skwantyzowanych wersji w różnych skalach. Spróbuj uruchomić Agents-A1 na swoim Macu! – 2026.6.26: ?? Udostępniliśmy model Agents-A1 35B-A3B jako open-source, wraz z kodem ewaluacyjnym dla wybranych dziedzin i raportem technicznym. Agents‑A1 to model agentyczny o długim horyzoncie od InternScience, zaprojektowany do skalowania heterogenicznych zdolności agentów w wielu dziedzinach, w tym Długohoryzontalne wyszukiwanie, Inżynieria, Badania naukowe, Podążanie za instrukcjami i Wywoływanie narzędzi. Badamy skalowanie horyzontu agenta z dwóch perspektyw: skalowanie długohoryzontalnych trajektorii i skalowanie heterogenicznych zdolności agentów. Z perspektywy skalowania długohoryzontalnych trajektorii, Agents‑A1 jest trenowany z pomocą infrastruktury wiedzy-działania opartej na dziedzinie, która wspólnie konstruuje działania, obserwacje i wyniki weryfikacji, przekształcając proces agenta w cel do trenowania. Z perspektywy skalowania heterogenicznych zdolności agentów, Agents‑A1 przedstawia trzyetapową paradygmat treningowy do budowania skalowalnego modelu agentycznego ogólnego przeznaczenia. Po pierwsze, przeprowadzamy pełne nadzorowane dostosowanie do dziedziny, aby dostosować model bazowy do szerokich zachowań agentycznych. Po drugie, trenujemy modele nauczycieli na poziomie dziedziny, aby uchwycić specjalistyczną wiedzę w każdej dziedzinie. Po trzecie, proponujemy wielonauczycielskie wielodomenowe destylowanie polityki z optymalizacją świadomą heterogeniczności, aby poprawić efektywność transferu wiedzy między różnymi dziedzinami.