作者：默思編輯部 發布：2026-09-16
上海人工智慧實驗室（Shanghai AI Laboratory）於2026年9月發表Atria Dawn Preview，並同步公開一篇由143位作者共同撰寫的預印本論文，在16項基準測試上對這款模型進行評估。這是一款744億參數的混合專家（Mixture-of-Experts, MoE）代理型模型，建構在GLM-5.2的基礎之上。
這款模型最受關注的技術亮點，是其訓練方式採用了團隊稱為「可驗證經驗管線」（Verifiable Experience Pipeline）的方法。傳統的模型訓練或微調，多半仰賴人類標註的問答對，或是從網路文本中學習語言模式；而這套管線的核心概念，是讓模型的工具使用能力「紮根」於真正可執行的環境當中——也就是說，模型在學習如何呼叫工具、執行程式碼、或完成多步驟任務時，是透過在真實可執行的沙盒環境中反覆嘗試、並根據實際執行結果（成功或失敗）獲得回饋，而不是單純模仿人類寫下的範例答案。
近年AI模型的發展重心，已經從單純的問答對話，逐漸轉向能夠自主規劃、呼叫工具、執行多步驟任務的「代理」（agent）能力。這類能力若僅靠模仿學習訓練，很容易在真實世界的複雜任務中出現「看起來合理但實際上行不通」的錯誤——例如模型生成的程式碼在語法上完美，卻在實際執行時因環境設定差異而失敗。透過在可執行環境中訓練並驗證，理論上能讓模型學到的不只是「像人類寫的答案」，而是「真正能跑得通的解法」，這對代理型應用的實用性至關重要。
一篇論文由143位作者共同掛名，這個規模在AI研究論文中相當罕見，通常代表這是一項涉及大規模基礎設施建置、資料標註、以及跨多個子團隊協作的重大工程專案，而不只是一個小型研究團隊的實驗性成果。這也反映出中國AI實驗室在訓練大型代理型模型上，已經具備能夠協調大規模團隊、投入龐大工程資源的能力。
對於關注AI代理應用開發的工程師與研究者而言，Atria Dawn Preview代表的「可驗證經驗」訓練範式，提供了一個值得參考的技術路線：與其單純擴大模型規模或訓練資料量，透過建構更貼近真實使用情境的可執行訓練環境，來提升模型在實際任務中的可靠度，可能是接下來一段時間更具成本效益的技術投資方向。
想建立能駕馭AI代理與工具串接的程式基礎，歡迎參考Python課程。