拿下5项全球第一,却在“终端干活”上被甩开12分:Atria Dawn的偏科,暴露了AI智能体的路线之争

原创2026-10-24 19:12:341,343 阅读
文章标签:人工智能大模型基础模型推理模型

拿下5项全球第一,却在“终端干活”上被甩开12分:Atria Dawn的偏科,暴露了AI智能体的路线之争

最近AI圈有个挺有意思的现象。

上海人工智能实验室悄悄开源了一个叫 Atria Dawn Preview 的模型,7440 亿参数、MIT 许可、能免费领额度试用。消息一出,技术社区先热闹起来:有人忙着测 API,有人研究怎么把它接进自己常用的编程工具,还有人直接喊出“白嫖一个亿 token”。

但真正让业内吵起来的,不是它有多强,而是它“偏科”偏得太明显。

在 16 项公开基准测试里,它拿下 5 项第一;可一到“终端里连续干活”“真实代码仓库里改bug”这类考试,它又明显掉队,被对手甩开十几分。

一边是“全能型选手”的高光,一边是“程序员基本功”的短板。这个反差,恰好把当下智能体模型最核心的路线之争,摆到了台面上。

一、先搞明白:它到底是个啥?

一句话说,Atria Dawn 不是那种你问一句它答一句的聊天机器人,而更像一个能自己开电脑、自己找资料、自己动手把项目做完的“数字项目经理”。

你给它一个目标,比如“帮我调研某个行业”“把这批数据做成一份能交差的报告”“在这个网站里找找有没有安全漏洞”,它会自己拆步骤、调用工具、看结果、发现不对再返工。

用个更接地气的比喻:

普通大模型像个知识渊博的顾问,坐在会议室里给你出主意;

Atria Dawn 更像一个刚招进来的高学历实习生,你给他一间办公室、一台电脑和一套权限,他能自己查资料、跑数据、写文档,最后把东西放到你桌上。

它背后的“7440 亿参数”听起来吓人,其实可以理解成一个超大的专家团。虽然专家很多,但每次干活只叫醒其中一小部分,所以既保留了知识面,又不至于每次都兴师动众。这种结构,业内叫 MoE,你可以把它想成“一个随叫随到的专家组”。

另外它支持 256K 超长上下文,大概相当于一次性读完一本二三十万字的长篇报告,还能记住前面说过什么。这对动辄要看几十份资料、跑十几个步骤的长任务来说,很关键。

二、它强在哪?四个场景,专治“事情做不完”

官方给它的定位很明确:不是陪你聊天,而是把开放性问题推进成可执行、可验证、能复现的结果。

翻成大白话就是:不光要“做出来”,还得能拿出证据证明“我真做对了”。

第一,找资料、做研究,它是真的能打。

在 DeepSearchQA 上它拿到 96.0 分,在 BrowseComp 上拿到 92.5 分,都是公开最好成绩。这两个考试考的不是“背知识”,而是“给你一个模糊问题,你能不能自己上网找线索、交叉验证、最后给出有出处的结论”。

它演示过一个挺夸张的案例:在没有联网搜索的情况下,自己处理了 100 多 GB 的气象数据,搭了一个 4 亿多参数的模型,训练 4.5 万步,最后做出一个能看 69 个气象变量的预报界面。

这已经不是“帮你写两行代码”了,更像一个能自己开题、自己跑实验、自己出图的研究生。

第二,做报告、做表格、做汇报材料,它很懂“交付”。

在 Workspace-Bench 这类办公场景测试里,它拿到 65.0 分,距离第一名只差 0.8 分;轻量版拿到 68.2 分,差距 1.9 分。别小看这零点几分,这类考试考的是“给你一堆散乱的文件和数据,能不能整理成老板能直接拿去开会的东西”。

它演示过清洁能源选址、医疗投资、半导体资本开支这类报告,里面有数据、有计算、有表格、有图表,不是那种“看起来很专业、细看全是空话”的 AI 稿。

第三,干自动化流程,它是第一名。

在 AutomationBench 上,它拿到 53.8 分,比第二名高出 4.1 分;在 BFCL v4 工具调用测试里拿到 77.0 分,也是第一。

这两个分数翻成人话就是:它很会“用工具”。填表、走流程、调接口、操作软件,这些琐碎但容易出错的活,它比很多模型更稳。

第四,查安全漏洞,它是真有两把刷子。

CyberGym 上它拿到 86.5 分,排第一,压过一堆明星模型。演示里,它在授权的隔离环境里完成了一整套流程:先看网站、再试漏洞、确认注入问题、修掉、最后再测一遍确认修好了。

这就像一个自带复检习惯的安全巡检员,不是“我觉得修好了”,而是“我修完又打了一遍,确实好了”。

三、最有传播力的,其实是它背后那份“人机分工报告”

比跑分更有意思的,是团队顺手做了一项研究:把自家研发过程中的 769 条任务记录、56 位参与者 全拿出来分析。

结果挺扎心,也挺真实。

96.5% 的任务都用上了 AI。 也就是说,在这支造模型的团队里,AI 已经不是“偶尔用用的玩具”,而是天天上班的同事。

更震撼的是,大约三分之一由 AI 参与完成的任务,参与者认为“没有 AI 根本做不完”。注意,不是“做得慢一点”,是“这事压根不会有人去尝试”。

但在“谁拍板”这件事上,人类守得很牢:

  • 方法和参数上,AI 提出方案的占比达到 55.4%,但最终由人拍板的比例是 85.5%;
  • 目标和范围上,人类最终决定的比例是 93.4%;
  • 验收标准上,人类拍板的比例是 81.9%。

还有一组特别生动的数字:遇到最棘手的困难时,76% 的任务是靠人介入才继续推进的,AI 自己缓过来的占 23%。而人的介入方式,绝大多数不是“撸袖子自己改”,而是补背景、说清楚要求、帮忙诊断问题——真正上手接管的比例只有 0.7%。

一句话总结就是:AI 负责干活,人负责拍板。

而且人并没有变轻松。四周时间里,每位工程师每发一次指令,AI 平均执行的动作数从 11 次涨到了 28.5 次。人的一句话,能在后面牵出一长串机器动作。

这也是为什么团队在论文里专门提醒:别把“AI 干得多”误读成“AI 自己能做主”。判断力,仍然是稀缺品。

四、那它为什么在“终端编码”上翻车?

来看几组不太好看的数字。

在 Terminal-Bench 2.1 上,它拿 78.3 分,Qwen 3.8 Max 是 89.3 分,Claude Opus 5 是 90.2 分,差了十几分。

在 SWE-bench Pro 上,它拿 59.6 分,Claude Opus 5 是 74.7 分。

在更贴近真实职场交付的 JobBench 上,它只有 50.3 分,连 DeepSeek 和 Kimi 都没跑过;GDPval 上拿 1583 分,也排在同场竞技者的后段。

这就像什么?

一个能独立做完一整个科研项目、能写完整报告、能查漏洞的“全能管家”,你让他坐在终端前面,连续几十轮敲命令、在一个陌生代码仓库里精准改 bug,他反而不如那些“从小刷题长大”的 coding 专才。

这不是它不会写代码。它能在 20 分钟里从空目录搭出一个带文件系统和命令行的迷你操作系统,也能做机械装配图和机器人关节建模。它的问题是:它的训练目标,本来就不是“当一个手速惊人的程序员”。

它被奖励的是“证据链完整、结果可验证、失败能恢复”,而不是“补全得快、终端操作熟、代码风格像老手”。

还有一个细节很能说明这种取舍:它是一个纯文本模型,不接受图片和 PDF。

你想把设计稿、扫描件、截图丢给它?不行。接进某些编程工具时,还会直接报错“这不是多模态模型”,得手动声明“只收文字”,甚至要加一层拦截,防止工具偷偷塞图片进去。

在多模态满天飞的今天,这个选择多少有点“反潮流”。但换个角度看,它其实是在说:我把预算和训练精力,全砸在长链条任务和结果核验上了,不打算什么都沾一点。

五、路线之争:你要“全能管家”,还是“专业程序员”?

这才是这次讨论真正的价值。

一边,是通用智能体底座:知识面广、能跨场景、会查资料、会调工具、能交付完整成果,目标是“把现实里的事情办成”。

另一边,是编码专用模型:在代码仓库里泡大,熟悉终端、熟悉报错、熟悉各种工程细节,目标是把“写代码、改代码”这件事做到极致。

拿“全能管家”的短板,去对比“专业程序员”的长板,本身就不太公平;反过来,让 coding 专才去写行业研究报告、做安全复验、跑完整实验,也未必顺手。

Atria Dawn 的选择很明确:它要当那个能独立推进项目的“底座”,而不是一个更会敲命令的“代码工具人”。

这个路线对不对,现在下结论还太早。但它至少证明了一件事:智能体的竞争,正在从“谁更会答题”,转向“谁能在真实世界里把活干完,还能自证清白”。

六、普通人能不能用?谁该上车,谁该绕道?

先说门槛。

最省事的方式是云端 API。 它兼容主流的 OpenAI、Anthropic 接口风格,能接进不少现成的 AI 客户端和编程工具。社区里已经有人把它接进 Cherry Studio、Codex、Kimi Code、Claude Code 这类工具,基本是填个地址、贴个密钥的事。国内还有免费额度可以试水,对想尝鲜的人挺友好。

本地部署就别想了。 7440 亿参数的模型,不是一张消费级显卡能塞下的,得靠服务器集群,用 SGLang 或 vLLM 这类框架跑。普通笔记本、家用台式机,看看热闹就行。

再说适合谁。

适合:

  • 科研人员、研究生:文献调研、实验方案、数据处理、结果分析;
  • 咨询、投行、行研、运营:把散乱资料整理成报告、表格、汇报材料;
  • 安全团队:在授权环境里做漏洞验证、修复和复验;
  • 想搭“长流程自动化”的团队:需要 AI 自己拆任务、调工具、跑到出结果;
  • 想低成本试水的开发者:接口兼容性好,许可证也宽松。

不太适合:

  • 天天在终端里改 bug、追求“一句话修完仓库”的纯 coding 场景;
  • 需要读设计稿、扫描件、截图的工作;
  • 想把模型装进手机或普通电脑本地跑的人;
  • 要直接上生产环境的团队——官方自己都标了“预览版”,限速、配额、稳定性都得自己兜底。

还有一个很现实的提醒:长任务很烧 token。 它一次能连续输出六万多 token,听起来很多,但真跑起长流程,上下文一膨胀,账单也跟着膨胀。想拿它干大活,最好提前做好预算和分段。

写在最后

Atria Dawn 的这次“偏科”,其实比它拿几个第一更有看头。

它像是在提醒整个行业:智能体不是“更聪明的聊天框”,而是一套新的工作方式——AI 负责执行、试错、产出,人负责定方向、做判断、承担最后的责任。

那条“终端编码”的短板,不是简单的技术缺陷,而是路线选择留下的脚印。你想让它什么都会一点,还是想让它在某件事上强到离谱?这两条路,短期内很难同时走通。

最后想问问你:如果你的工作里有一半时间在查资料、整理表格、写报告,你会选一个“什么都能干的全能管家”,还是一个“写代码快到飞起”的专业选手?

评论区聊聊,你更愿意把哪部分工作,交给 AI?

登录后查看全文
Atria-Dawn-Preview