大模型基础模型多模态AI Agent科研【免费下载链接】Sage-A1.5项目地址https://ai.gitcode.com/InternScience/Sage-A1.5点击查看免费下载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 SOTAGAIA 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 混合注意力组合拳关键参数数值对用户的意义总参数规模35Bbf16 约 72 GB14 分片单卡/少卡可部署专家数 / 每 token 激活256 / 8稀疏激活推理成本远低于稠密大模型隐藏层数40每层含共享专家 256 个路由专家注意力结构3 层线性注意力 1 层全注意力循环长上下文成本大幅下降原生上下文256KYaRN 可扩展至 512K超长文档/多轮科研对话多模态文本 图像 视频27 层视觉编码器支持文档、截图、视频输入加速推理MTP 多 token 预测1 层配合投机解码显著提升生成速度简单说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.safetensorsMTP 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基准方向Sage-A1.5最接近的对手XBench-DS-2510长程搜索92.0GPT-5.6-sol90.0IFBench指令遵循81.6Agents-A180.6PinchBench通用智能体90.0Kimi-K388.2FrontierScience-Olympiad科学研究81.0Agents-A179.0FrontierScience-Research科学研究48.3GPT-5.6-sol26.7CMT科学研究80.0GPT-5.6-sol50.0OmniDocBench科学智能体91.5Kimi-K391.1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 Pro61.2、MLE-Lite65.2、HLE w/ tools55.1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 Pro17.6、SWE-bench Multilingual14.0、MLE-Lite21.3、PinchBench13.1——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 YaRNfactor: 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temperaturetop_ptop_kmin_ppresence_penalty1.00.95200.01.5六、仓库文件导航 文件作用README.md模型介绍、完整评测数据与部署文档config.json核心架构配置专家数、上下文、RoPE 等chat_template.jinja对话模板含验证模式触发逻辑tokenizer.json / tokenizer_config.json词表与分词配置词表 248Kprocessor_config.json / video_preprocessor_config.json图像/视频多模态预处理配置model-mtp.safetensorsMTP 多 token 预测专用权重写在最后 ✍️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。赞分享大模型基础模型多模态AI Agent科研【免费下载链接】Sage-A1.5项目地址https://ai.gitcode.com/InternScience/Sage-A1.5点击查看免费下载相关推荐Sage-A1.5 Q8_0 GGUF 完整入门如何本地运行可媲美大厂的 35B 智能体多模态模型Sage A1.5 Q8_0 GGUF 完整入门如何本地运行可媲美大厂的 35B 智能体多模态模型 Sage A1.5 Q8_0 GGUF 是 InternS大模型模型量化本地部署Instella-MoE-16B-A3B-DPO性能实测AMD的MoE大模型在OLMES基准上如何对标SOTA模型Instella MoE 16B A3B DPO性能实测AMD的MoE大模型在OLMES基准上如何对标SOTA模型 Instella MoE 16B A3B人工智能大模型基础模型从4096到1024Llama3革命性8头KV设计如何节省75%算力从4096到1024Llama3革命性8头KV设计如何节省75%算力 你是否好奇为什么Llama3能在消费级显卡上流畅运行为什么同样是70亿参数有些模大模型基础模型多模态AI Agent科研上一篇5步搞定AI模型评估DeepEval框架的完整实践指南下一篇终极开源智能手表DIY指南7天从零打造专属穿戴设备创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考