Sage-A1.5：从长周期执行到科学探索的能力组合
来自 arXiv · 期号 2026-10-21
摘要
Sage-A1.5 是一个 35B 参数的 MoE 智能体模型，在 A1 基础上通过自适应能力组合来提升长周期问题求解能力。 它有三个改进方向。一是智能体编排：把任务拆给多个子智能体并行执行，每个子智能体有独立的上下文，减少互相干扰。二是智能体验证：通过进度检查、证据验证和策略反思来提升长周期任务的可靠性，让智能体在发现搜索路径无效时主动换方向。三是开放科学探索：不只是回答预设问题，还能做探索性研究，把科学探究和交互式分析、可审查的研究产物连起来。 论文用复杂的智能体任务和多学科科学应用展示了这些能力。
深读
导读 这是一篇关于 35B 参数 MoE 智能体模型 Sage-A1.5 的技术报告。它不只是在已有模型上堆能力，而是试图解决智能体在长周期任务中“能执行但不会纠错、不会协作”的短板。读完能了解当前开源智能体模型在任务编排、自我验证和开放科学探索三个方向上的具体设计思路。 关键信息 - 模型参数量为 35B，采用 Mixture-of-Experts (MoE) 架构，基于此前发布的 Sage-A1 构建。 - 三个核心改进方向：智能体编排、智能体验证、开放科学探索。 - 智能体编排的核心做法是将任务拆解给多个子智能体并行执行，每个子智能体拥有独立的上下文，以减少相互干扰。 - 智能体验证包含三种机制：进度检查、证据验证、策略反思，使智能体能在发现搜索路径无效时主动切换方向。 - 开放科学探索的目标是让智能体不仅能回答预设问题，还能进行探索性研究，并将科学探究与交互式分析和可审查的研究产物连接起来。 逐节讲解 模型定位与核心思路 Sage-A1.5 是一个 35B 参数的 MoE 智能体模型，在 A1 的基础上发展而来。论文指出，与 A1 相比，Sage-A1.5 不仅学会了解决单个任务，还学会了在任务执行过程中组织工作并修正自己的方法。核心思路是通过“自适应能力组合”来提升长周期问题的求解能力。 三个改进方向 论文重点介绍了三个改进方向。第一，智能体编排：将单智能体的执行模式扩展为任务委派和子智能体并行协作，每个子智能体有独立的上下文，从而将复杂任务分解并并发处理，同时减少并行子智能体之间的干扰。第二，智能体验证：通过进度检查、证据验证和策略反思三种机制来增强长周期任务的可靠性，使智能体能够识别无效的搜索路径并转向其他方法。第三，开放科学探索：将智能体的能力从回答预设问题扩展到进行探索性研究，把科学探究与交互式分析和可审查的研究产物连接起来。 能力展示与目标 论文通过复杂的智能体任务和多学科科学应用来展示上述能力。此外，作者希望 Sage-A1.5 能为社区提供一个可获取的开放科学探索基础，为从长周期任务执行到协作式、可验证、可审查的科学探索提供一条实用路径。 值得注意 原文是一篇技术报告（arXiv 预印本），内容仅为摘要级别，没有提供任何具体的实验结果、基准测试成绩、消融研究或与同类模型的定量对比。三个改进方向的具体实现细节（如子智能体如何通信、验证机制的具体触发条件）也未展开。