Sign in Subscribe
AI 科技新聞

Sage-A1.5 是什麼？35B 開放權重模型對上 Kimi-K3，基準勝負與授權怎麼看

Sage-A1.5 是上海人工智慧實驗室釋出的 35B 開放權重智能體模型，啟用參數約 3B。本文依模型卡與技術報告，整理它在 22 項基準中勝過 Kimi-K3、GLM-5.3 與 GPT-5.6-sol 的項目、輸掉的項目、Apache-2.0 授權與自架條件。

Philo

Philo

— 18 min read
Share
Sage-A1.5 與 Kimi-K3、GLM-5.3、GPT-5.6-sol 等模型在十二項基準的長條圖比較
Sage-A1.5 官方模型卡的基準比較圖，數字由研究團隊自行公布，非本站拍攝或實測。 圖片來源：官方原文。

Sage-A1.5 在 2026 年 10 月 21 日下午（台灣時間）被一則中文貼文推上 X 熱門，貼文說這個只有 35B 的模型在多個指標上壓過 Kimi-K3、GLM-5.3 和 GPT-5.6-sol。

這句話很容易讓人以為，一個實際運算只用到約 3B 參數的小模型，已經在各方面追上規模大得多的模型。參數是模型內部可調整的數值，數量愈多通常愈大也愈耗資源，所以「小贏大」值得回頭查證。

回到官方模型卡與技術報告，這些數字確實存在，但範圍比貼文窄。模型卡的比較表有 22 項基準，Sage-A1.5 同時勝過三個大模型的有 8 項，三個都輸的有 9 項，其餘 5 項介於中間。

貼文列出的 SWE-Bench Pro 61.2 與 BrowseComp 82.8，沒有一項同時贏過三個大模型，前者還是三個都輸。這個差別會影響用法，因為它的勝場集中在搜尋、科學問答與指令遵循，寫程式的成績仍落後。

Sage-A1.5 以 Apache-2.0 釋出權重，又擅長多步驟查資料與科學問題，所以對想自架的團隊值得測試。如果主要需求是修大型程式庫，現有證據不支持拿它取代前沿模型。

要判斷這個結論站不站得住，得先從它是什麼模型、從哪裡來看起。

Sage-A1.5 是什麼？從 Agents-A1 延伸出來的專家混合模型

Sage-A1.5 是上海人工智慧實驗室的 Sage-A1.5 團隊釋出的 35B 專家混合模型，權重放在 Hugging Face 的 InternScience 帳號下，目標是執行多步驟的智能體任務。

智能體是能自己規劃步驟、呼叫搜尋或程式工具、再依結果調整做法的模型。專家混合（MoE）把模型拆成許多小專家，每個詞元只啟動其中一部分。詞元是模型處理文字的單位。

所以總參數是 35B，實際運算只動用約 3B。依官方模型卡，它以 Qwen3.6-35B-A3B 為底座，這個底座在 Hugging Face 上同樣標示 Apache-2.0。

技術報告把它定位成前一代 Agents-A1 的後續版本。Agents-A1 的 GitHub 倉庫建立於 2026 年 6 月 23 日，報告也拿 Agents-A1 與 Ornith-1.5 當作同級對照。

時間點需要分清楚。Hugging Face 倉庫在 10 月 15 日建立，技術報告 10 月 20 日上傳 arXiv，X 貼文 10 月 21 日才讓它被更多人看到。它不是當天才發布的新聞，而是公開約一週後被中文圈熱傳。

原始權重檔共約 72 GB，採 BF16 格式，也就是每個參數占 2 位元組。這個大小是我把 Hugging Face 檔案清單加總得到的，其中約 1.7 GB 是多詞元預測用的檔案，後面談自架條件時會用到。

了解來歷之後，下一個問題是它多出了哪些能力，因為這些能力決定後面的成績怎麼讀。

Sage-A1.5 與 Kimi-K3、GLM-5.3、GPT-5.6-sol 等模型在十二項基準的長條圖比較
Sage-A1.5 官方模型卡的基準比較圖，數字由研究團隊自行公布，非本站拍攝或實測。 圖片來源：官方原文。

Sage-A1.5 新增三項能力：子代理分工、驗證模式與科學探索

技術報告把這次升級歸納成三項：任務分工、中途驗證與開放式科學探索。

任務分工稱為 Agentic Orchestration。模型可以呼叫名為 spawn_subagent 的工具，把互相獨立的子問題交給多個子代理並行處理，每個子代理都有自己的上下文與工具。上下文是模型單次工作能看到的資料範圍。

子代理完成後回傳答案、狀態、證據與未解決問題四個欄位，由主代理整合。模型卡寫明批次大小與回合上限是執行端設定，預設每批最多 5 個任務、每個子代理最多 20 回合。

因為子代理看不到主對話，所以每項任務都要寫成自足的描述。真正執行子任務的是你自己的框架，模型只負責決定何時派工。

論文表 4 顯示，啟用分工後 BrowseComp 從 81.7 升到 82.8，DeepResearch Bench II 從 43.7 升到 47.5。BrowseComp 只多 1.1 個百分點，所以這項功能對報告型任務的幫助比對單題搜尋明顯。

驗證模式稱為 Verification Mode，預設關閉。啟用方式是在請求裡傳入 chat_template_kwargs 的 verification 為 true，而且必須有非空的系統訊息，否則伺服器會回 HTTP 400。

開啟後，模型會在推理途中停下來，複查已確認的事實與失敗的路徑，再改變方向。這段自我檢查寫在 reasoning_content 裡，沒有另一個批評模型參與。

論文表 5 的驗證教師模型在 BrowseComp 得到 81.0（一般模式）與 85.5（驗證模式）。在兩種模式都有產出答案的成對題目中，平均輸出詞元從 23,245 降到 21,962。

但這是訓練用的教師模型，不是釋出的 Sage-A1.5 本體，所以不能直接當成開啟驗證後的成績。

第三項是科學探索。報告附了多個案例，例如用公開的小鼠腦區解碼資料重做分析，結果與先前研究的結論一致。報告自己也說，這些案例都在計算模擬與歷史資料重放中完成，沒有做實際的物理實驗。

能力清單聽起來很完整，但模型好不好用，最後還是要回到基準表。

Sage-A1.5 基準成績：哪些項目勝過 Kimi-K3、GLM-5.3 與 GPT-5.6-sol？

以模型卡的 22 項基準來看，Sage-A1.5 的強項集中在搜尋、科學推理與指令遵循，而不是軟體工程。

以下我把貼文提到的項目與幾個落後的項目放進同一張表，數字都取自模型卡的比較表，分數越高越好。

基準 測什麼 Sage-A1.5 Kimi-K3 GLM-5.3 GPT-5.6-sol 對三個大模型
IFBench 遵守多重限制的指令 81.6 72.1 53.4 72.7 全勝
FrontierScience-Olympiad 奧林匹亞等級科學題 81.0 69.0 67.0 73.0 全勝
CMT 凝態物理專家題 80.0 34.0 40.0 50.0 全勝
PinchBench 代理執行日常任務 90.0 88.2 86.6 87.3 全勝
GAIA 網路搜尋助理題 95.1 92.2 92.2 88.3 全勝
BrowseComp 難找答案的網頁問題 82.8 91.2 76.2 90.4 只勝 GLM-5.3
SWE-Bench Pro 大型程式庫修改 61.2 63.3 64.6 64.6 全輸
HLE w/ tools 專家題加工具 55.1 56.0 62.5 64.5 全輸
ALE-CLI 真實工作任務 19.1 27.6 28.5 28.6 全輸

表中 BrowseComp 的 82.8 是啟用子代理分工的結果，不分工時是 81.7。前五列是勝出的項目，貼文提到的 IFBench、FrontierScience-Olympiad、CMT 與 PinchBench 都在其中。

前文的 8 項是我逐列比對模型卡表格的結果，規則是 Sage-A1.5 的分數高於三個大模型。除了表中的五項，還有 XBench-DS-2510、FrontierScience-Research 與 OmniDocBench。

OmniDocBench 的 GLM-5.3 沒有成績，因為它是純文字模型，所以只拿另外兩個模型比。

輸給三個大模型的 9 項，是 DeepResearch-Bench2、MLE-Lite、SciCode、SWE-bench Pro、SWE-bench Multilingual、HLE w/ tools、ALE-CLI、VitaBench 與 ChemCOTBench。

BrowseComp、AA-LCR、HiPhO、CritPt 與 MatTools 這 5 項介於中間。BrowseComp 與 DeepResearch-Bench2 不論取分工前或分工後的分數，歸類都一樣。

貼文把 SWE-Bench Pro 61.2、BrowseComp 82.8 與 IFBench 81.6 放在同一串「壓過」的敘述，但前兩項都落後 Kimi-K3 與 GPT-5.6-sol 約 2 到 8 個百分點。技術報告自己的寫法比較謹慎，說在這兩項是「具有競爭力」。

另外，模型卡也主張在同為 35B 的模型中，它在大部分項目排第一。這個說法有例外，因為 Agents-A1 在 GAIA 拿到 96.0，比 Sage-A1.5 的 95.1 高，HiPhO 與 MatTools 也是 Agents-A1 較高。

還有一點容易漏掉，對照組裡的 OpenAI 模型是 GPT-5.6-sol。依 OpenAI API 更新日誌，GPT-6 Sol 在 2026 年 9 月 22 日發布，GPT-6.1 Sol 在 9 月 29 日發布，所以這張表不是與目前最新的 OpenAI 模型比。至於這些分數是在什麼條件下測出來的，才是下一個要確認的地方。

延伸閱讀：Kimi K3 開放權重下載：2.8 兆參數、100 萬 Token，真的能在本機執行嗎？

這些分數怎麼來的？誰測的、什麼條件、哪裡要打折

這些分數都是研究團隊自己公布的資料，我查詢時沒有看到第三方複現，所以每一項都要連同測試條件一起讀。

最需要留意的是對手的數字。技術報告表 1 說明，為求公平，對手分數優先採用原始技術報告，沒有公布的項目才用同一套協議自行評測。

這表示同一列裡可能混著對手自己的數字與 Sage 團隊代測的數字。表格說明只交代這個原則，沒有逐列標出哪些是哪一種。

SWE-Bench 系列用 mini-SWE-agent 框架，溫度 1.0、top-p 0.95，上下文 200K，開自動壓縮，全程離線並限制能看到的 Git 歷史。框架與參數不同時，同一個模型的分數就會不同，所以直接與對手原報告相比要保留空間。

BrowseComp 加了重試機制。當代理超過 300 次工具呼叫或用完上下文，就清掉累積的內容從頭再跑，最多 5 輪。這讓分數包含了重新嘗試的機會，與只跑一次的設定不同。

PinchBench 只有 23 項任務，每項跑 5 次，並由 DeepSeek-V4-Flash 擔任 LLM 評分者。LLM 評分者是用另一個模型來打分數，所以評分標準會受那個模型影響。

CritPt 則是把解答送到 Artificial Analysis 做官方評測，是報告中少數由外部單位評分的項目。

技術報告的限制段也承認幾件事。分工與驗證的訓練仍集中在搜尋與研究整合，超長軌跡會累積大量上下文負擔，而且合併後的單一模型還沒有完全保留每位領域教師的巔峰表現。

最後一點可以用數字佐證。搜尋教師模型在 BrowseComp 得 85.5，釋出的 Sage-A1.5 是 81.7，這 3.8 個百分點的落差，和報告所說合併後沒有完全保留教師表現相符。

分數有了條件，下一步就是看自己能不能把它跑起來，以及授權允不允許用在工作上。

延伸閱讀：Prime Agent 是什麼？ARC-AGI-3「95.5%」背後，AI 能力開始從模型轉向 Harness

自己部署 Sage-A1.5：授權、硬體與兩個選用模式

授權方面，模型卡標頭與 Hugging Face 標籤都寫 Apache-2.0，GitHub 上的 Agents-A1 倉庫也是 Apache-2.0。Apache-2.0 是常見的寬鬆授權，允許商業使用與修改，但要保留授權與版權聲明。

但我在 10 月 21 日查看 Hugging Face 倉庫的檔案清單，裡面沒有獨立的 LICENSE 檔案，授權只出現在模型卡標頭。所以要商用的話，建議把當天的授權頁面存檔，並一起確認底座模型的授權條款。

硬體方面，主模型卡的 vLLM 範例標示為單張 GPU、262,144 詞元上下文，沒有列出顯示卡型號或顯存門檻。

原始權重檔約 72 GB，所以用 BF16 載入時，單卡顯存必須大於這個數字，再加上上下文的快取空間。這是我依檔案大小推算，並不是官方規格。

主模型卡沒有提到的是，同一個 Hugging Face 帳號在 10 月 21 日另外放出四個量化版本。量化是把數值壓成較少位元，換取較小的檔案。

FP8 版約 39 GB，GGUF 格式的 Q4_K_M 約 22 GB、Q8_0 約 38 GB、F16 約 71 GB。GGUF 是 llama.cpp、Ollama 與 LM Studio 這類本機工具使用的格式。

這幾張卡片自己給了顯存參考。Q4_K_M 說單張 24 GB 的 GPU 在中等上下文長度下可以舒適服務，Q8_0 建議單張 48 GB。F16 則建議兩張 48 GB、單張 96 GB，或至少 96 GB 統一記憶體的 Apple 晶片 Mac。

代價是準確度。量化卡片註明所有基準分數都是用原始 BF16 權重測的，量化版只說會犧牲少量準確度，沒有公布量化版的基準成績，所以前面那張表不能直接套用到 Q4_K_M。

它同時是視覺語言模型，所以官方提供「只跑文字」的選項，用 --language-model-only 參數跳過視覺編碼器，把顯存留給 KV 快取。KV 快取是模型記住前文計算結果的暫存區。

服務框架有 SGLang 與 vLLM 兩種範例。兩者都有選用的多詞元預測（MTP）設定。這是讓模型一次預測好幾個後續詞元、再由主模型驗證的加速做法。

官方建議的取樣參數是 temperature 1.0、top_p 0.95、top_k 20、min_p 0、presence_penalty 1.5 與 repetition_penalty 1.0。如果不照建議設定，分數可能與卡片上的數字有落差。

子代理分工需要註冊工具，權限要自己收斂。模型卡說明子代理沒有固定工具組，預設繼承主代理的全部工具，可以包含程式執行與內部介面，所以要在你的框架裡限制它能用什麼。

安裝時建議固定版本，先在隔離環境測試，再接上內部資料。卡片的安裝範例用 uv 建立虛擬環境，這是比直接裝在系統層更容易回復的做法。

能不能跑只是第一關，值不值得跑，還要看你的工作屬於哪一類。

適合誰、不適合誰：導入前先做這幾項檢查

我的判斷是，Sage-A1.5 適合已經有自己的代理框架、想在內網跑搜尋與科學問答流程的研究團隊，也適合想拿開放權重模型做微調或對照實驗的開發者。

它不適合想直接取代前沿模型來修程式的工程團隊，也不適合只想用現成聊天介面的人。因為它在 SWE-Bench Pro 與 ALE-CLI 都輸給三個大模型。

硬體也是門檻。原始版本需要約 72 GB 以上的顯存，要用量化版才能放進單張 24 GB 的卡，而量化版的準確度缺少官方數字。

導入前可以先用自己的 20 題真實任務做小測試，題目要涵蓋查資料、整理報告與一兩個程式修復。同一批題目也交給你現在使用的模型，這樣比較才有意義。

接著分別記錄開與不開驗證模式、開與不開子代理分工的結果。因為這兩項功能會增加輸出量與回合數，所以要把成本與延遲一起記下，而不只看答對率。

最後把授權頁面、模型版本與框架版本存檔。開放權重模型更新很快，今天的分數換一個框架版本就可能不同。

Sage-A1.5 常見問題

Sage-A1.5 真的壓過 Kimi-K3 了嗎？

在 22 項基準中，它同時勝過 Kimi-K3、GLM-5.3 與 GPT-5.6-sol 的有 8 項，主要是搜尋、科學與指令遵循。程式修復與真實工作任務仍落後，所以只能說部分項目勝出。

Sage-A1.5 可以商用嗎？

模型卡與標籤標示 Apache-2.0，原則上允許商用。但倉庫沒有獨立 LICENSE 檔，建議存檔授權頁面，並由法務確認底座模型與使用情境。

跑 Sage-A1.5 需要多少顯存？

主模型卡沒有給門檻，只提供單 GPU 的 vLLM 範例。原始 BF16 權重約 72 GB，所以顯存要大於這個數字，另需預留 KV 快取。量化版的卡片有參考值：Q4_K_M 約需單張 24 GB，Q8_0 約需單張 48 GB，但量化版沒有公布基準分數。

驗證模式與子代理分工要怎麼開？

驗證模式靠 chat_template_kwargs 傳入 verification 為 true，並提供非空系統訊息。子代理分工要在你的框架註冊 spawn_subagent 工具，並自行執行子任務。

Sage-A1.5 和 Qwen3.6-35B-A3B 差在哪？

Sage-A1.5 以後者為底座，再用多領域監督微調與強化學習訓練。

報告的表 3 與表 5 拿 Qwen3.5-35B-A3B 當未訓練基線，MLE 那張表才用 Qwen3.6-35B-A3B。這些表比的是中間的教師模型，例如搜尋教師的 BrowseComp 是 85.5，基線是 61.0，但教師不是釋出的 Sage-A1.5。

先用自己的任務測，再決定要不要換

Sage-A1.5 的價值在於，一個約 3B 啟用參數的開放權重模型，在搜尋、科學推理與指令遵循上可以和規模大得多的模型同場比較。這是值得追蹤的進展，也讓自架代理的選擇變多。

但貼文的「壓過」只在 8 項基準成立，程式修復仍有明顯差距，而且所有分數都是團隊自己公布的。如果你的工作偏研究與資料搜尋，可以排進測試名單。

想持續追蹤開放權重與智能體模型的新進展，可免費訂閱 AI 郵報，引用數字時再回到官方模型卡與技術報告核對。

資料來源

Read more