Atria Dawn：面向科研的智能体模型——AI 提方案，人类拍板

标题喊出"超级智能的黎明"，论文真正的张力在哪里

2026 年 9 月，一篇题为《Atria Dawn: The Dawn of Agentic Superintelligence》的论文挂上 arXiv。标题喊得很响，它自己的第一句话却异常冷静：当 AI agent 开始参与研发自己的后继者，智能的生产方式和人类研究者的角色被同时重塑。这句话把镜子转向了 AI 研究本身。过去 agent 是"被研究的东西"，现在它开始进入研发流程，于是一个原本模糊的问题变得尖锐：在真实的模型开发项目里，到底谁识别值得做的问题、谁在候选方法里做选择、谁解读不确定的结果、谁决定下一步追什么？Atria Dawn

这件事在 2026 年已不是科幻式的思想实验。开源基座、可下载权重、成熟的 agent 工具链，让"用模型开发下一代模型"有了规模化落地的现实条件。论文选的时机因此很关键：它不是预言未来，而是给正在发生的事情做了一次现场记录。

这篇论文一次给了三样东西。第一样是一个面向科研与工程工作流的智能体基座模型（agentic foundation language model）。它不只会答问题，还能在多步流程里调用工具、观察环境、持续行动，靠一套名为可验证经验管线的新训练方法喂大。第二样是一张 16 项基准的成绩单，它自称在其中 5 项拿到所报告的最高分。第三样最特别：它把这次研发过程本身当成案例研究，分析了 769 条任务记录和 56 名参与者的 agent 日志，得出一个关于人机分工的结论。

想象一个典型的场景：研究者把"给这份数据找一个可信的因果解释"交给 agent，agent 检索文献、写代码跑分析、生成图表，研究者审阅每一步，决定要不要改方向。过去这个循环发生在人的脑子里，现在它发生在人与 agent 的协作里，而且没有人替研究者兜底。

这种"AI 参与 AI 研发"的自我指涉，是论文选择把张力落在明面上的原因。单独的任务成绩回答不了论文真正关心的问题：在真实的模型开发项目里，谁识别值得做的问题、谁在候选方法里做选择、谁解读不确定的结果、谁为下一步负责。要回答这些问题，必须去看人机责任分工的实际分布，而不是看榜单上的分数。这就是为什么论文把三样东西叠在一起给：方法、成绩、案例研究，缺一样都撑不起它结尾的治理论断。

于是张力出现了。标题承诺的是"智能体的黎明"，论文自己的数据却显示，超过八成半的最终决策仍由人类做出。这两件事并不矛盾，恰恰是同一份证据的两面：AI 的参与率和产出比例在涨，人类手中的最终拍板权没有交出去。读这篇论文的关键不是记住几个基准分数，而是看懂"自主性上升"与"人类拍板"如何在同一次研发里并存。带着一个问题往下走：在这次研发里，到底谁在决定追什么？

要把"干活"变成可训练的东西，验证从哪里来

要让模型"会干活"，先得回答一个刁钻的问题：怎么判断它干得对不对？

过去让模型变"好"，靠的是 RLHF，也就是用人类反馈给模型打分、让它对齐偏好的训练方法。但"讨喜"和"做对了"是两回事。科研与工程任务动辄几十步工具调用，让人类逐条打分既慢又贵；只凭模型自称成功又太容易自欺。Atria 团队的答案，是把验证从人身上挪到环境身上。

可验证经验管线（Verifiable Experience Pipeline，VEP）把训练样本构造成一个闭环四元组：任务、轨迹、工件、验证证据。每个训练任务都挂到真实可执行环境上；agent 观察环境、选择工具、查看输出、根据反馈修订动作，这一步一步的互动被完整记录下来，成为轨迹；最终产出的修好的代码、写好的报告、调通的流程，是工件；而最终结果必须被一类外部信号验证，包括测试、指标、文件与应用状态、几何检查、来源证据和人类定义标准。验证通过之后，还要再过一道轨迹筛选，剔除不完整、矛盾、重复或行为无效的样本。只有四元组齐全的经验，才被并入模型的可复用能力。

注意这套设计里"外部"两个字的分量。验证信号不是模型自己给自己打的气，而是环境里跑出来的：测试要么通过要么失败，指标要么达标要么不达标，几何检查要么通过要么不通过。模型的自我评价不在任何一环里出现，这从根上切断了"自己给自己写好评"的路。

管线的产出也不是抽象的：论文展示的工件样本里有天气可视化、MiniOS 的 QEMU 串口记录、CAD 装配体，还有带评分的分析报告，每一件都要能回溯到它对应的验证证据。

这像一份严格的实习生培养档案。任务是派工单，轨迹是工作日志，记录每一步做了什么、改了什么，工件是交付物，验证证据是验收单。实习生说自己"搞定了"不算数，必须交付物在、验收单在、日志对得上，这段经历才值得写进下一份工作能力里。VEP 干的正是这件事：把"可验证"变成训练样本的准入门槛，论文原话是，只有把任务、轨迹、工件和验证证据连成整体的经验，才会进入模型的可复用能力。

还有一层：失败也被利用起来。反复出现的问题，比如工具选错、验证不全、恢复失败，会变成下一轮新增任务和质检的输入，管线能自己长出更多训练任务。失败运行在结果已被外部独立确定的情况下，本身也能作为诊断样本留下来。训练数据不是一次性采完的静态池子，而是从自己的错误里持续长出来的。

这套思路不是 Atria 的孤例发明。"用可执行环境当验证裁判"在 2026 年已经是一条热闹的研究线。SWE-Universe 从 52,960 个真实仓库里构建了 807,693 个可执行软件工程环境，让 building agent 写出验证脚本 evaluation.sh，再用迭代自校验和防 hack 检测器确保脚本真的执行代码，而不是写个 grep 糊弄过关。SWE-Universe

图注：SWE-Universe 的可执行环境构建管线：building agent 产出验证脚本 evaluation.sh，迭代自校验在 buggy 与 resolved 两种仓库状态下比较退出码，in-loop hacking detector 拦截表面 hack 的脚本，通过者流入可执行环境池。SWE-Universe

与它并行的还有两条分支。AgentMercury 走合成路线，从业务场景生成可执行世界，规模是 4,783 个环境、跨 14 个行业；AgentMercury 另一篇 VPR 则把验证信号从"整段轨迹的最终结果"细化到"每一步动作"，用任务自带的 oracle 给每一步打分。oracle 是任务自带的权威验证器，逐拍判定动作是否合法，它还发现质量差的 oracle 不但没用反而有害。VPR

Atria 的 VEP 与它们同源但取向不同：验证看的是最终结果（outcome-level），环境是真实可执行环境，再加上失败分析驱动的任务构造。它的特色不是发明"验证"这个概念，而是把"验证通过"变成训练样本的准入门槛，并让这套管线在真实科研与工程任务上跑起来。那么，这条管线喂大的模型，到底是什么？下一章回答这个问题。

这个 744B 参数的模型，为什么叫 Preview

Atria Dawn Preview，名字里的 Preview 不是谦辞，是配置说明书。论文开宗明义：它建立在一个 744B（约 7440 亿）参数的混合专家基座上，原话是 "Built on a 744-billion-parameter mixture-of-experts foundation model"。也就是说，这个模型没有从零预训练，而是在开源基座 GLM-5.2 之上做了一层面向 agent 的后训练。这一句同时解释了两件事。它为什么能跟前沿闭源模型同台对比，因为它站在一个前沿级开源基座上。它为什么只叫 Preview，因为作者不声称自己是生产级终版。

基座 GLM-5 的公开事实也值得看清：总参数 744B 的 MoE 架构，也就是混合专家，每个 token 只激活其中一小部分。GLM-5 的公开口径是 40B 激活参数，GLM-5.2 的激活参数未公开。预训练用掉 28.5T tokens，集成 DeepSeek Sparse Attention 稀疏注意力，也就是 DSA，一种只让少量 token 参与注意力计算的机制，用以降低部署成本。后训练侧用的是 Slime 异步强化学习基础设施，权重以 MIT 许可开源。GLM-5

为什么这个开源基座撑得起 agentic 后训练？官方博客给出了它在 8 个前沿基准上的水位。

图注：Z.ai 博客的对比图：8 个 agentic、reasoning、coding 类基准上，GLM-4.7、GLM-5、Claude Opus 4.5、Gemini 3 Pro、GPT-5.2 五组柱状得分，图内可见 SWE-bench Verified 上 GLM-5 得 77.8。GLM-5

图上 GLM-5 与 Claude Opus 4.5 互有胜负，多个基准仍是闭源模型更高，所以它只是"够格当前沿基座"，谈不上全面领先。真正的意义在于：一个开源、MIT 许可、前沿水位的基座存在，才让"只做后训练、不重新预训练"这件事在结果上站得住。

落到部署层面，Preview 的身份就更清楚了。Hugging Face 模型卡显示：架构标签是 GlmMoeDsaForCausalLM，即 GLM 系 MoE 加 DeepSeek 稀疏注意力的组合；纯文本模态；上下文窗口 256K；主版本 BF16 权重、另有一个 FP8 量化变体；许可证 MIT。Atria 模型卡

把它放进上海 AI Lab 的发布序列里看得更清楚。同属 internlm 组织的兄弟模型里，Intern-S2-Preview 是多模态科学模型，InternLumina-U2 是视觉模型，Atria Dawn Preview 是唯一一个纯文本、走 agentic 路线、还用了 MIT 许可的成员。它在这个家族里承担的角色是"干活的智能体"。Atria 模型卡

把"基座 + 后训练"的配置摊在台面上，同行可以直接下载权重、跑自己的评测。这大概是 Preview 这个名字最诚实的地方：它明说自己是什么、不是什么。那么，这份配置在 16 项基准上到底行不行？下一章看成绩单。

16 项基准拿下 5 项第一：这张成绩单该怎么读

论文把 16 项基准分成两组：General Agentic Intelligence 12 项加 Agentic Coding 4 项，覆盖真实研究、工程与数字化工作。它在其中 5 项拿到所报告的最高分：

另有 SkillsBench（66.4 对 Qwen 3.8 Max 的 66.7）、Workspace-Bench（65.0 对 Claude Opus 5 的 65.8）、Workspace-Bench-Lite（68.2 对 70.1）三项两分之内的惜败。真正刺眼的是落后项，它们全部落在 Creation 与 Delivery 这两组：GDPval 1583 对 Claude Opus 5 的 1768；SWE-bench Pro 59.6 对 74.7；Terminal-Bench 2.1 78.3 对 90.2；JobBench 50.3 对 68.0。论文自己承认，最大的提升空间在 long-horizon professional work，也就是需要连续干很久、交付完整成果的专业工作。换句话说，5 个第一集中在发现、工具调用与网络安全，交付与创作类任务一胜未得。把这张成绩单放到全景图里，形状更直观：

图注：论文 Figure 1：Atria Dawn Preview 与 DeepSeek V4 Pro 0813、KIMI K3、Qwen 3.8 Max、GLM 5.3、GPT 5.6 sol、Claude Opus 5 在多个基准上的相对位置对比，精确数字以论文表 1 为准。Atria Dawn

这样读，成绩单的结构结论是可靠的：强在发现、工具调用与网络安全，弱在长时程专业工作与交付类任务。但每个数字还要补一个问句：谁报告的？

表 1 的注释白纸黑字写着 "as reported on the official release website"，即全部数字是厂商自报，没有任何独立第三方复现。表里还频繁出现占位符 –，它表示对方没报告这项结果，不是零分。部分基准的打分模型还来自相近生态：GDPval 用 glm-5.3 当 judge，JobBench 用 Grok-4.3，Workspace-Bench 用 Doubao Seed 2.0 Lite，DeepResearch Bench II 用 GPT-5.5。这不是针对 Atria 的指控，而是 2026 年评测行业的通病。上海 AI Lab 自己的另一篇论文给出了量化旁证：把同一个基座 GLM-5.2 拿到 SWE-Bench Pro 的防泄漏改版上重测，成绩从厂商口径的基线 78.80% 掉到 59.51%，跌幅约 19 个百分点；只移除泄漏通道一步就跌了 21.48 分（McNemar p<0.001），而对照模型 DeepSeek-V4-Pro 三档几乎持平（49.98%、49.11%、49.93%）。它说明跌幅来自"刷题"而非环境干扰。SWE-Bench Pro Verified

图注：SWE-Bench Pro Verified 论文 Figure 1：7 个模型在 Baseline、Anti-hacking、Verified 三档设置下的得分，GLM-5.2 的柱高明显跌落，DeepSeek-V4-Pro 三柱基本持平。SWE-Bench Pro Verified

这里要澄清两点，免得误读。第一，这 19 分跌的是 GLM-5.2 在 SWE-Bench Pro 改版上的表现，不等于 Atria 的 16 项数字错了 20 分。它的作用是提醒你，"厂商自报成绩可能虚高"这件事有真实案例。第二，论文表里 Atria 的 SWE-bench Pro 59.6、官方博客的 77.8、这个基线的 78.80% 跑在三种不同框架上，不是同一指标，别拿来做直接对比。带着这层警惕再看成绩单：结构结论可信，绝对分数存疑。那成绩单之外的研发现场呢？下一章，论文把镜头转向自己。

769 条任务记录给出的画像：AI 提案，人类拍板

先立统计口径，再摆数字。769 条任务记录加 agent 日志，来自 56 名参与者，分析窗口是 2026 年 8 月 7 日到 9 月 4 日；其中 22 人组成一个同质子集做更细的分析。这是一次自我引用的案例研究：用本论文报告的模型，开发本论文报告的模型。它只描述 Atria 这次开发，不能外推成一般 AI 协助科研的结论。

数字的第一层是参与率。739 条有明确回答的任务里，713 条涉及 AI，占比 96.5%。换个说法：这个项目几乎每一件正经事都有 AI 在场。

第二层是"没 AI 就干不成"的比例。455 条已完成且有可用回答的 AI 协助任务里，151 条（33.2%）被参与者评为"同等范围、质量与资源下，没有 AI 则不可行"。这个数字最容易被误读成少数重度用户撑起来的，事实恰恰相反：这 151 条来自 27 名参与者，跨约半数的人。

图注：论文 Figure 7：按任务类别分行的热力图，单元格颜色深浅表示该行内任务占比，最右 ∞ 列是被参与者评为"无 AI 则不可行"的任务比例。Atria Dawn

第三层，也是全章最关键的一层，是决策归因。在执行角色的三类决策（目标与范围、方法与参数、验收标准）里，AI 提案的占比在 16.9% 到 55.4% 之间浮动，但 AI 最终拍板的占比始终只有 6.1% 到 9.2%；人类最终选择则稳定在 81.9% 到 93.4%。在 151 条"无 AI 不可行"的任务子集里，这个子集同时包含管理角色，人类最终目标选择率高达 95.4%。论文自己点破了这组数字的含义：变化的是谁生成选项，不变的是谁做选择。

图注：论文 Figure 8：前三根柱是执行角色在目标与范围、方法与参数、验收标准上的决策归因，第四根柱是 151 条"无 AI 不可行"任务的最终目标选择归因，百分比因取整可能不求 100%。Atria Dawn

这个反直觉的对比值得停下来看一眼。AI 在"提方案"上越来越活跃，方法类决策里 AI 提案达到 55.4%；在"拍板"上却纹丝不动，从未超过 9.2%。摆在一起看，96.5% 的参与率和人类手中八成以上的最终决策并不矛盾，它们是同一枚硬币的两面：agent 干活，人把关。

再看两个补充数字。恢复模式：588 条有困难记录的任务里，76.0% 是依靠人类干预才继续推进的，agent 自行恢复的只有 23.0%，还有 1.0% 没有解决。人类干预的构成更耐人寻味：提供上下文与澄清占 35.2%，换诊断与改方法占 34.7%，而亲自接管只有 0.7%。也就是说，人介入的方式主要是"改变 agent 知道什么"，而不是"改变谁来动手"。输出修订：627 条有明确去向的任务里，56.5%（354 条）的输出被实质性修订，其中 AI 在人类反馈后改写占 75.4%，人类直接动手编辑的只有 19.2%；最终 95.9% 的输出以某种形态进入了交付物。另外从开发期到后期，22 人子集里每天的中位 agent 动作数从 11.0 涨到 28.5，说明 AI 的使用强度在持续爬坡。

论文在结论里把这些数字凝练成一句总结：在 567 条被记录的方法与决策里，AI 提出了 64.6%，而人类做出了 85.5% 的最终选择。这个 64.6% 对 85.5% 的比例差，就是"项目级伙伴"最凝练的数学表达。

组合起来，画像已经很清晰：AI 承担大量提案、执行与修订，人类把精力集中在"什么值得追"和"证据如何引导研究"上。论文管这叫从任务级执行到项目级伙伴的转移。这些数字意味着什么，边界又在哪里？最后一章收束。

"超级智能的黎明"与"人类拍板"：这篇论文到底在主张什么

论文把这次观察上升成一个阶段论断：人机协作正从任务级执行走向项目级伙伴（project-level partnership）。它把演化画成四个阶段：从研究对象（人类全控），到任务执行者（人类设计流程），到项目伙伴（在人类目标下自主规划与迭代），再到一个推测性的 RSI 阶段，也就是关于模型能否递归自我改进的开放问题（RSI，recursive self-improvement）。当前案例研究的位置，在第二、三阶段之间。

这个主张的证据边界必须说清：单一团队、单代模型、56 人子集。论文自己也反复强调，上升的比例本身并不说明这种委托值多少钱、由谁负责；而且每一次人类判断，现在会通过更多 agent 动作传播，而不是更少。把它读成"agent 越来越自主"，是误读。

"项目级伙伴"也不是 Atria 的孤例。更早的 AIssistant 把文献综述与 perspective 写作拆成 7 加 8 个 agent 的双工作流，在每个 agent 节点都接入人类选择，5 名专家用户报告端到端耗时从 99 分钟降到 34 分钟，节省约 65.7%。它证明"人类在环的科研 agent"在更广的文献里有回声，但样本只有 5 人、场景只有写稿，与 Atria 的 769 条任务和 56 人不能做任何量化对比。AIssistant

图注：AIssistant 框架示意：Research 与 Paper Writing 两条 agent 流水线，每个 agent 节点都标出 Human-in-the-Loop 介入与外部工具选择路径，示意"人类选择嵌入 agent 链"这类系统的工作形态。AIssistant

论文真正想说的是一个治理论断：向更自主的 AI 研究推进，必须同时推进发现能力和有意义的人类监督的能力，在风险与方向上保留可问责的人类权威（accountable human authority）。这一句是全文的题眼。它的推演逻辑是：更强的 AI 必须配更强的监督，否则监督会变成形式主义的 placebo，等于没有监督。它还有一个更坦白的地方：论文自陈，当下的人机边界并不是治理设计出来的。Open Challenge 4 的原话是，"在实践中划定边界的，是便利性，而不是对权威的任何刻意分配"。换句话说，人类之所以还在拍板，一半是因为应该，一半是因为方便。

论文最后把自己摆到一个自我追问的位置：这种"agent 自主性增长与人类判断依赖并存"的组合，究竟把我们放在离真正的 RSI 多近的地方？它没有给出答案，只把这个称作"推测性的下一阶段"，留作开放问题。这种克制本身值得注意：一整篇讲能力推进的论文，结尾落在一连串没解决的问题上。

最后，给你三个读这篇论文的过滤器：谁报告（厂商还是独立第三方）、谁裁判（judge 来自哪个生态）、样本多大（56 人还是五万人）。套上这三问，这篇论文的局限三件套也清楚了：Preview 状态、厂商自报成绩、没有独立复现。它们不否定论文的价值，只划定它的适用范围。

回到标题。黎明可以是一个方向的起点，而不必是已经实现的超级智能。这篇论文最值得记住的数字，不是 96.5%，也不是 53.8，而是那个 6.1%：769 条任务里，AI 亲手拍板的份额从未超过一成。agent 在提方案、在写代码、在改报告，方向盘始终在人手里。这大概就是"agentic superintelligence 的黎明"最诚实的样子：太阳刚露头，驾驶员还没换人。

想深入可以读原文：Atria Dawn: The Dawn of Agentic Superintelligence（arXiv:2609.15818）

参考文献

• Atria Dawn: The Dawn of Agentic Superintelligence（arXiv:2609.15818）：https://arxiv.org/abs/2609.15818
• AISSISTANT: Human-AI Collaborative Review and Perspective Research Workflows in Data Science（arXiv:2509.12282）：https://arxiv.org/abs/2509.12282
• SWE-Universe: Scale Real-World Verifiable Environments to Millions（arXiv:2602.02361）：https://arxiv.org/abs/2602.02361
• AgentMercury: Your Agent Can Synthesize Verifiable Environments for Business Scenarios at scale（arXiv:2608.20634）：https://arxiv.org/abs/2608.20634
• Verifiable Process Rewards for Agentic Reasoning（arXiv:2605.10325）：https://arxiv.org/abs/2605.10325
• GLM-5: From Vibe Coding to Agentic Engineering（Z.ai 官方博客）：https://z.ai/blog/glm-5
• SWE-Bench Pro Verified: A Reliable Benchmark for Software Engineering Agents（arXiv:2609.08149）：https://arxiv.org/abs/2609.08149
• Atria Dawn Preview Hugging Face 模型卡：https://huggingface.co/internlm/Atria-Dawn-Preview