企业官网建设流程全解析

• 大模型
• 基础模型
• 多模态
• AI Agent
• 科研

Sage-A1.5 是上海AI实验室开源的35B MoE 智能体模型，面向长周期科学问题求解而生。它不仅会做题，更学会了"组织工作"——通过子智能体并行编排、自我验证和开放式科研探索三大能力，在 XBench-DS、IFBench、PinchBench 等7 项基准上拿下 SOTA，GAIA 更以 95.1 分超过所有参比的大型前沿模型。本文带你完整看懂它的架构、能力与部署方法。

一、Sage-A1.5 是什么？📌

Sage-A1.5 是上海AI实验室 A1 系列的升级版本，定位为智能体（Agentic）基础模型。与"一问一答"的聊天模型不同，它的设计目标是：

• 长程任务执行：能分解复杂目标、规划步骤、调用工具，并基于中间结果动态调整策略
• 科学问题求解：覆盖工具整合的科学推理、专业领域问答与探索性研究
• 指令遵循：精准执行多约束、跨领域的复杂指令

模型权重以 Hugging Face Transformers 格式开源，兼容 vLLM、SGLang 等主流推理框架，Apache-2.0 协议可自由使用（详见 README.md）。

二、架构揭秘：小模型跑出大能力的三个关键 🔍

从 config.json 可以看出，Sage-A1.5 采用了当前最先进的"MoE + 混合注意力"组合拳：

简单说：MoE 让"每算一步只付出小模型的代价"，混合注意力让"读长文不吃力"，MTP 让"吐字更快"——这正是它能在 35B 量级上逼近前沿大模型的底层原因。权重分片见 model-00000-of-00014.safetensors，MTP 专用权重单独存放于 model-mtp.safetensors，完整参数映射可查看 model.safetensors.index.json。

三、三大核心能力：为什么它能做"长任务"？🧠

1️⃣ Agentic Orchestration：像主管一样派活

当任务能拆成若干互相独立的子调查时，Sage-A1.5 会调用spawn_subagent工具，把子任务并行分发给多个子智能体——每个子智能体拥有独立上下文窗口和工具权限，互不干扰，最后将结构化结果（answer / status / evidence / unresolved_issues）汇总回主模型。这正是它能在 BrowseComp 上从 81.7 提升到 82.8 的关键。

2️⃣ Verification Mode：模型自带"复盘开关"

这是一个可选开启的自我验证模式：请求中传入{"verification": true}，模型会在思考中途主动停下来——回顾"哪些结论已确认、哪些路径失败了"，然后在同一轮内按修正后的方向继续，无需外部裁判模型。对长程任务而言，这大幅降低了"越走越偏"的风险。

3️⃣ Open Scientific Discovery：从答题到做研究

前两类能力解决"已知问题"，第三类能力则把智能体延伸到探索式科研：连接科学假设、交互式分析与可检验的研究过程产物，让模型不只是给出答案，而是"做完研究并留下可审查的痕迹"。

四、7项基准SOTA：成绩单如何炼成 🥇

在六大方向的真实智能体工作流评测中，Sage-A1.5 对比了 Kimi-K3、GLM-5.3、GPT-5.6-sol 等更大规模的系统，拿下7 项整体 SOTA：

另有GAIA 95.1——高于所有参比的更大规模模型（仅略低于同门 Agents-A1 的 96.0）。在 ~35B 同量级对比中，它还在 SWE-bench Pro（61.2）、MLE-Lite（65.2）、HLE w/ tools（55.1）等 10 余项任务上排名第一。

SOTA 是如何炼成的？对比上一代 A1，工程与智能体类任务提升显著：SWE-bench Pro+17.6、SWE-bench Multilingual+14.0、MLE-Lite+21.3、PinchBench+13.1——核心配方就是"编排 + 验证 + 工具使用 + 智能体推理"的系统性强化。完整评测数据见 README.md 的 Performance 章节。

五、快速上手：三步跑起 Sage-A1.5 🚀

第一步：获取模型

git clone https://gitcode.com/InternScience/Sage-A1.5

第二步：一键部署（vLLM 为例）

vllm serve InternScience/Sage-A1.5 \ --port 8000 \ --max-model-len 262144 \ --reasoning-parser qwen3 \ --enable-auto-tool-choice \ --tool-call-parser qwen3_coder

部署完成后，服务在http://localhost:8000/v1提供 OpenAI 兼容 API。SGLang 用户可用--speculative-algorithm EAGLE开启 MTP 加速；若需512K 超长上下文，按 README.md 中的 YaRN（factor: 2.0）参数覆盖即可。

第三步：按需开启进阶模式

• 智能体编排：在你的工具列表中注册spawn_subagent工具（schema 见 README.md Advanced Modes 章节），模型会自动在合适时机并行分派子任务
• 验证模式：请求中通过chat_template_kwargs传入{"verification": true}，注意需要非空 system 消息，且必须是 JSON 布尔值

官方推荐采样参数（影响生成质量，建议照抄）：

六、仓库文件导航 📁

写在最后 ✍️

Sage-A1.5 证明了"智能体能力"不必然依赖超大参数量：用 MoE 稀疏激活、混合注意力和 MTP 加速把成本打下来，再用编排、验证、科学探索三大能力把长程任务做扎实——35B 的体量，7 项 SOTA 的成绩。如果你正在寻找一个可自部署、支持工具调用与超长上下文的开源智能体模型，它值得放进你的技术清单。

• 大模型
• 基础模型
• 多模态
• AI Agent
• 科研