上海人工智能实验室发布 Sage-A1.5：35B MoE 长程执行与科学探索智能体模型全面开源

核心背景与行业痛点

在 Coding Agent 与科研智能体（AI Scientist）向前演进的过程中，行业普遍陷入了“参数量军备竞赛”的误区——动辄调用数百甚至数千亿参数的超大稠密模型。然而，大量实践证明，模型解决长程复杂任务的短板并非语言理解本身，而是在长程连续交互中缺乏对目标的持续聚焦能力，在执行数十步终端命令或代码修改后极易产生规划偏移（Goal Drift）与幻觉溃散。如何在相对紧凑且可控的参数规模下，让模型掌握长程视界规划（Long-Horizon Planning）与跨学科工具组合能力，是开源学术界攻坚的关键方向。上海人工智能实验室团队在 arXiv:2610.28578 中给出了全新答卷——Sage-A1.5。

架构亮点与底层机制

1. 35B 动态混合专家架构（Horizon-Scaled MoE）：

• 包含 350 亿总参数量，激活参数维持在极低区间，兼顾边缘单节点服务器的部署成本与超高推理吞吐；
• 贯彻 Agents-A1 团队提出的“Scaling Agent Horizon”理论，专门针对超长执行轨迹（Trajectory）的梯度更新与状态表征进行针对性优化；

1. 自适应能力动态组合（Capability Composition）：

• 模型在单次推理回合中，不仅学习“调用哪个工具”，更学习如何将基础代码分析、系统架构抽象、数学建模与假设检验四项核心原子能力进行动态拼接；

1. 真实仓库级训练语料合成管线：

• 针对大型开源软件仓库（Repository-Level Tasks），采集包含真实 Git Commit、跨文件符号依赖以及复杂编译器报错的实战轨迹进行多阶段对齐强化。

权威 Benchmark 与实测跑分对比

技术报告详尽披露了 Sage-A1.5 在编程智能体与科学探索评测上的成绩（Figure 1, Section 4）：

• 长程软件工程基准（Repository-Level SWE）：
• 在数十个大型多模块代码仓库真实 Issue 修复测试中，Sage-A1.5 展现出极高的一致性，在解决率（Issue Resolution Rate）上全面超越开源 70B 稠密基线模型；
• 多步任务执行容错率：
• 在执行步骤超过 50 步的极限测试中，模型 Goal Drift（目标偏离）发生率相较前代 A1 模型削减超过 45%；
• 科学假说与探索任务：
• 在跨学科文献分析、生化数据拟合与实验方案闭环设计的综合测试中，展现出高度严密的推理链条，无缝完成从假设提出到可执行 Python 代码验证的全流程。

开发者实战落地与开箱指南

• 技术论文与架构详解：详见 arXiv:2610.28578；
• 模型权重与生态支持：已在 Hugging Face 平台全面上线 Sage-A1.5 权重文件；
• 科研与企业部署建议：高校实验室、企业内部自动化重构团队在算力受限（如仅配备 2~4 张常规显卡）的场景下，Sage-A1.5 是替代昂贵闭源商业 API、构建本地私有化科研助手与代码修复 Agent 的极佳高性价比底座。