训练一个能查资料、写代码、做研究的智能体,到底需要多少道工序?过去两年行业的答案是越来越多:中期训练、监督微调、偏好优化、在线策略蒸馏、强化学习,流程越叠越长,每加一个环节就多一套数据、一组超参。来自杜克大学、字节跳动、马里兰大学帕克分校和纽约州立大学布法罗分校的研究团队,用近日发布的 Axion 1.0 给出了一个反方向的答案:只保留两阶段监督微调(SFT)和强化学习(RL),其余全部砍掉。
砍掉之后效果如何,团队给了六个基准的成绩单。旗舰的 Axion 1.0-122B 在限制部分网站访问的完整 Humanity's Last Exam(HLE)评测中取得 59.0%,高于论文列出的 GPT-6 Astra(57.2%);在需要跨论文综合信息的 FrontierScience Research 上得分 66.7%;FrontierScience Olympiad 上 122B 与 35B 版本分别取得 87.0% 与 86.0%。35B 版本在信息搜寻基准 SEAL-0 上得分 62.2%。对照之下,这套「简化流程」训练出的模型在科学推理与工具使用上已与前沿闭源模型同场竞技。
方法论的核心不在流程而在数据构造。第一阶段教会模型「处理题目内部的推理」:以数学、物理、化学、生物和计算机科学题目为种子,根据基础模型的作答表现动态提高难度——答对的题目连同解法交给生成模型继续加难,把原题答案变成新题的中间量、把固定数值参数化、扩大取值范围破坏枚举策略,最终收集约 1.08 万条第一阶段训练轨迹。第二阶段教模型「走出去找答案」:从公开结构化数据出发,由程序先选定唯一实体并算出答案,再让语言模型把过程改写成自然语言问题;参考答案在出题时即已锁定,模型必须通过搜索、网页访问和 Python 自行补齐信息,约 7500 条正确工具交互轨迹由此产生。
随后的强化学习阶段以异步 GRPO 在真实工具环境中展开,奖励设计依托于程序化出题的可验证性:答对给完整奖励,经过验证的中间进展也给部分奖励,且前置步骤通过检查后后续步骤才计入——检索中偶然出现正确内容不会被骗过。两个主模型分别基于 Qwen3.5-122B-A10B 与 Qwen3.6-35B-A3B 底座;团队还把同一方法用于 4B 与 9B 小模型,仅两阶段 SFT 后 9B 版本即在 HLE-130 上取得 63.1%,说明这套数据构造方法可跨规模迁移。
这份工作最「激进」的部分是开源粒度:数据构造、生成、筛选、验证的完整流程,提示词、训练代码、约 1.8 万条训练轨迹、模型权重全部公开,任何人都可以复现或改造。在智能体训练数据普遍被视作核心竞争力、各家讳莫如深的当下,这种「全裸开源」本身就构成一种行业表态——智能体基座模型的训练方法,可能并没有想象中那么神秘。
对产业而言,Axion 1.0 的价值在于给中小团队提供了一条低成本路径:不需要为多阶段流程各自准备数据与基建,围绕「可验证的任务构造」就能起步训练自己的智能体模型。当然,通用智能体的能力上限仍取决于环境与数据的多样性,科学推理导向的训练配方迁移到其他领域的表现还有待检验。但至少在「训练一个强大智能体需要多复杂」这个问题上,这份工作把门槛实实在在地往下压了一截。