Atria Dawn Preview 智能体大模型实战指南:架构解析、评测解读与 Codex / Claude Code / Kimi Code 接入部署

原创2026-09-29 18:57:111,867 阅读
文章标签:人工智能大模型基础模型推理模型

Atria Dawn Preview 智能体大模型实战指南:架构解析、评测解读与 Codex / Claude Code / Kimi Code 接入部署

Atria Dawn Preview 是上海人工智能实验室发布的新一代智能体大模型预览版,基于 744B MoE GLM-5.2 基座训练,面向需要持续理解环境、调用工具并完成多步任务的科研自动化与办公场景。本文以该模型的官方仓库文档(README_CN.md)为主体,结合仓库内的模型配置文件与聊天模板源码,完整讲解模型的四大能力维度、架构参数、评测基准、模型获取方式,以及将纯文本智能体模型接入 Codex、Claude Code、Kimi Code 三种 CLI 编码代理的端到端配置方案,读者可按本文步骤直接完成本地部署与在线调用。

模型定位:从研究问题到可验证的结果

Atria Dawn Preview 的设计目标是将开放性问题推进为可执行、可验证、可复现的结果。模型能够结合任务目标与环境反馈,完整参与问题分析、方案设计、工具调用、代码实现、实验执行、结果分析以及失败恢复等环节,这与仓库中提供的聊天模板所内置的工具调用协议(<tool_call>、<|observation|>、<tool_response>)相互印证:该模型生来就是为"感知环境 → 决策 → 行动 → 接收反馈 → 再决策"的循环式智能体工作流设计的。

模型从以下四个维度赋能智能体任务,重点强化在科研自动化、办公等真实生产力场景下的端到端交付能力:

维度 覆盖范围
Discovery 检索和组织证据,开展深度研究,并将研究问题转化为可执行的实验方案
Creation 构建软件、交互应用、游戏、数据可视化和机器学习系统
Delivery 将文档、数据和设计要求转化为报告、演示文稿及其他结构化成果
Cybersecurity 在经过授权的环境中分析安全问题、验证漏洞、实施修复并完成复验

从配置源码看模型架构

当前仓库直接托管了模型的全部权重与配置文件,其中 config.json 记录了完整的架构参数,可作为理解模型技术底座的权威依据。

稀疏 MoE 与索引器架构

由 config.json 可以确认以下核心结构事实:

  • 模型类型:glm_moe_dsa(MoE + DSA 索引器架构),架构名为 GlmMoeDsaForCausalLM(见 config.json 第 1-4 行);
  • 层数与专家配置:共 78 层(num_hidden_layers: 78),其中前 3 层为稠密(dense)MLP,其余为稀疏(sparse)MoE 层(first_k_dense_replace: 3 与 mlp_layer_types 数组相互对应);路由专家数 256(n_routed_experts),共享专家 1 个,每个 token 激活 8 个专家(num_experts_per_tok: 8);
  • 路由机制:采用 noaux_tc 的 topk 方法(topk_method),norm_topk_prob: true,routed_scaling_factor: 2.5,打分函数为 sigmoid;
  • DSA 索引器:配置中包含 index_topk: 2048、index_n_heads: 32、index_share_for_mtp_iteration: true 等索引器相关参数,且 indexer_types 数组按 full/shared 交替分布,印证了"MoE + 索引器"(DSA)的混合架构设计。

注意力与序列能力

  • 长上下文底座:max_position_embeddings: 1048576(约 1M token),RoPE 参数 rope_theta: 8000000.0(见 config.json 第 210-214 行);README 标注的服务上下文为 256K,即当前对外推荐的稳定上下文长度;
  • 注意力头设计:64 个注意力头、64 个 KV 头、head_dim: 192,并采用 q_lora_rank: 2048、kv_lora_rank: 512 的 LoRA 压缩注意力,qk_nope_head_dim: 192 + qk_rope_head_dim: 64 的分段设计;
  • MTP 多 token 预测:num_nextn_predict_layers: 1,即包含 1 层 next-token 预测层,用于提升解码效率;
  • 词表:vocab_size: 154880,tie_word_embeddings: false。

权重规模与精度

仓库以 model.safetensors.index.json 为索引,将权重切分为 353 个 safetensors 分片(model-00001-of-00353.safetensors 至 model-00353-of-00353.safetensors),索引元数据记录的总权重大小为 1506659919872 字节(约 1.5 TB),与 744B 参数的稠密等效规模相称;config.json 中 dtype: bfloat16 表明本仓库提供的是 BF16 全精度权重,对应的 FP8 量化版本则以独立模型的形式提供(见下文模型下载)。

模型下载:两种变体、256K 上下文

根据 README_CN.md 的"模型下载"章节,官方提供两个模型变体,均支持 256K 上下文:

模型名 简介 上下文
Atria-Dawn-Preview Instruct 模型(BF16,即当前仓库所托管版本) 256K
Atria-Dawn-Preview-FP8 FP8 量化 Instruct 模型(显存占用更低,适合资源受限环境) 256K

两个变体在 Hugging Face 与 ModelScope 平台同步发布,国内用户可优先从 ModelScope 下载以获得更快的拉取速度。

除权重分片外,仓库还随附了推理所需的完整配套文件,本地加载时应确保这些文件与权重位于同一目录:

  • config.json:模型架构配置;
  • generation_config.json:默认生成参数(temperature: 1.0、top_p: 0.95,EOS 集合为 [154820, 154827, 154829]);
  • tokenizer_config.json:分词器配置,model_max_length: 1048576,并注册了 <|system|>、<|user|>、<|assistant|>、<|observation|> 等对话与工具专用特殊 token;
  • chat_template.jinja:官方聊天模板,负责消息组装、工具声明与推理标签渲染;
  • tokenizer.json:词表文件。

性能评估:五大类 15 项基准实测

根据 README_CN.md 的"性能评估"章节,官方对 Atria Dawn Preview 进行了全面评估,覆盖搜索、编程、工具调用、生产力与安全五大方向。以下是官方公布的评测数据(各 benchmark 行内的加粗值为该行最优):

Discovery(深度研究)

Benchmark Atria Dawn Preview DeepSeek V4 Pro 0813 KIMI K3 Qwen 3.8 Max GLM 5.3 GPT 5.6 sol Claude Opus 5
DeepSearchQA 96.0 - 95.9 - 94.7 93.2 -
BrowseComp 92.5 83.4 91.2 - - 92.2 90.8
WideSearch 81.9 - 79.6 81.9 82.7 83.3 -
DeepResearch Bench II 51.1 46.6 51.3 49.2 52.7 50.7 54.1

Creation(构建与编程)

Benchmark Atria Dawn Preview DeepSeek V4 Pro 0813 KIMI K3 Qwen 3.8 Max GLM 5.3 GPT 5.6 sol Claude Opus 5
MLE-bench Lite 86.2 86.8 85.8 81.3 80.8 88.9 88.0
SWE-bench Pro 59.6 58.3 61.6 65.1 60.3 61.4 74.7
Terminal-Bench 2.1 78.3 78.7 - 89.3 85.4 85.1 90.2

Tool Use(工具调用)

Benchmark Atria Dawn Preview DeepSeek V4 Pro 0813 KIMI K3 Qwen 3.8 Max GLM 5.3 GPT 5.6 sol Claude Opus 5
BFCL v4 77.0 71.4 69.1 - 74.1 - -
AutomationBench 53.8 41.7 45.9 49.7 49.2 45.7 49.4
SkillsBench 66.4 65.0 51.9 66.7 63.3 62.5 63.7
τ³-Bench Banking 41.2 44.3 37.1 55.2 40.2 46.9 48.7

Delivery(成果交付)

Benchmark Atria Dawn Preview DeepSeek V4 Pro 0813 KIMI K3 Qwen 3.8 Max GLM 5.3 GPT 5.6 sol Claude Opus 5
Workspace-Bench 65.0 55.7 60.6 63.9 63.9 56.0 65.8
Workspace-Bench-Lite 68.2 58.1 65.8 67.4 67.7 60.5 70.1
GDPval 1583 1517 1611 1722 1667 1682 1768
JobBench 50.3 54.1 54.3 52.7 58.2 45.4 68.0

Cybersecurity(网络安全)

Benchmark Atria Dawn Preview DeepSeek V4 Pro 0813 KIMI K3 Qwen 3.8 Max GLM 5.3 GPT 5.6 sol Claude Opus 5
CyberGym 86.5 83.3 78.7 73.8 84.5 83.6 -

上表数据均来自官方 README(README_CN.md 与 README.md)的公开评测结果;- 表示该模型在对应基准上无公开结果。整体来看,Atria Dawn Preview 在 DeepSearchQA、BrowseComp、BFCL v4、AutomationBench 与 CyberGym 五项上取得最优成绩,其优势集中在深度检索、工具调用与安全攻防类任务上,与其智能体定位高度一致。

部署与在线使用

Atria Dawn Preview 支持本地部署与在线调用两种方式,在线调用请使用您所在地区对应的服务(国内使用 InternLM 开放平台 Token 计划入口,海外使用 Atria 官方 API 控制台,两者均提供配套教程文档)。

本地部署:推理框架与版本要求

如需本地部署,官方推荐以下两种主流推理框架(对应 GLM-5.2 基座的部署方案):

框架 最低版本 参考资源
SGLang v0.5.13.post1+ 官方 Cookbook 中的 GLM-5.2 自回归部署章节
vLLM v0.23.0+ 官方 Recipes 中的 GLM-5.2 部署配方

部署时需注意:

  • 将仓库全部文件(权重分片、config.json、tokenizer.json、tokenizer_config.json、chat_template.jinja、generation_config.json)置于同一模型目录,推理框架会自动加载官方聊天模板;
  • 默认生成参数由 generation_config.json 指定:temperature: 1.0、top_p: 0.95,如需更确定的输出可自行调低 temperature;
  • 上下文长度按 256K 规划显存与 KV cache 预算;模型权重配置本身支持更长的位置嵌入(1M),但服务端实际上下文以当前部署框架与 API 支持为准;
  • 本仓库为 BF16 权重(约 1.5 TB),单卡显存无法满足时,请优先考虑 FP8 量化变体或使用多卡张量并行/专家并行(配置中 ep_size: 1,可根据框架能力调整)。

聊天模板中的智能体协议

本地推理时,chat_template.jinja 是理解模型行为的关键。该模板体现了几项对智能体任务至关重要的设计:

  • 推理努力度(Reasoning Effort):模板会将 reasoning_effort 参数映射为系统提示中的 Reasoning Effort: Max/High,用于控制模型在回答问题前的思考深度;
  • 工具声明与调用:工具以 <tools> XML 标签包裹的 JSON 函数签名形式注入(见 chat_template.jinja 第 17-32 行),模型以 <tool_call>函数名<arg_key>键</arg_key><arg_value>值</arg_value></tool_call> 格式输出调用(第 34-35 行),工具结果通过 <|observation|> 与 <tool_response> 回传(第 87-112 行);
  • 思维链标签:助手消息以 <think> 推理内容 </think> 包裹(第 63-75 行),生成提示时同样会预留 <think> 起始标签(第 117-119 行),对应推理模型的标准输出协议;
  • 纯文本约束的内置实现:模板对用户消息中的 image/video/audio 内容会替换为提示语 "You are unable to process this ... because you don't have multi-modal input ability"(第 45-47 行),与下文各 CLI 客户端"纯文本输入限制"的配置形成双保险,这从源码层面印证了 Atria Dawn Preview 是纯文本模型这一重要前提。

接入 Codex CLI

Codex 通过 Responses API 与 Atria 通信。将自定义 provider 添加到 ~/.codex/config.toml 即可完成基础接入:

model = "Atria-Dawn-Preview"
model_provider = "atria"

[model_providers.atria]
name = "Atria"
base_url = "https://api.atria-asi.ai/v1"
env_key = "ATRIA_API_KEY"
wire_api = "responses"

提示:env_key 指定存放 API Key 的环境变量名(示例为 ATRIA_API_KEY),请先在 Atria 控制台创建密钥并导出到环境变量。

将输入限制为纯文本(关键步骤)

Atria-Dawn-Preview 只接受文本输入,而 Codex 默认假设每个模型都支持多模态输入,会为 -i/--image 或 TUI 粘贴的图片自动附加图像;该端点会因此返回 400 Atria-Dawn-Preview is not a multimodal model 错误。解决办法是向 Codex 声明模型支持的输入模态,让其在客户端直接移除图片输入。

第 1 步:创建模型目录文件

将下面的内容保存为 ~/.codex/atria-catalog.json:

{
  "models": [
    {
      "slug": "Atria-Dawn-Preview",
      "display_name": "Atria-Dawn-Preview",
      "base_instructions": "你是运行在 Codex CLI 中的编程代理。你将在共享工作区中与用户协作,完成软件工程目标。\n\n你只能接收文本输入。你无法获取图片、截图、PDF 或其他二进制附件。如果用户提到你无法查看的附件,请直接说明这一点,并要求用户粘贴相关文本。",
      "supported_reasoning_levels": [
        { "effort": "low", "description": "快速响应,使用较轻量的推理" },
        { "effort": "medium", "description": "在速度和推理深度之间保持平衡" },
        { "effort": "high", "description": "为复杂问题提供更深入的推理" }
      ],
      "shell_type": "unified_exec",
      "visibility": "list",
      "supported_in_api": true,
      "priority": 1,
      "support_verbosity": false,
      "truncation_policy": { "mode": "tokens", "limit": 10000 },
      "experimental_supported_tools": [],
      "context_window": 256000,
      "max_context_window": 256000,
      "input_modalities": ["text"]
    }
  ]
}

该文件中有三个关键设置:

  1. "input_modalities": ["text"]:声明纯文本输入,是禁用多模态输入的开关;
  2. context_window / max_context_window 设为 256000:与模型实际支持的上下文上限一致。Codex 会依据这两个值规划提示词并判断何时自动压缩上下文;若不设置,Codex 会采用较保守的默认值,浪费可用的上下文空间;
  3. 其余字段均为解析器强制要求:缺少任何一个字段都会导致 missing field <name> 错误,Codex 将无法启动。

第 2 步:让配置指向该文件

model = "Atria-Dawn-Preview"
model_provider = "atria"
model_catalog_json = "~/.codex/atria-catalog.json"

[features]
view_image = false

[model_providers.atria]
name = "Atria"
base_url = "https://api.atria-asi.ai/v1"
env_key = "ATRIA_API_KEY"
wire_api = "responses"

其中 features.view_image = false 是可选设置,它会移除图像查看工具,避免模型尝试调用一个会被拒绝的工具。

重要:model_catalog_json 会替换模型目录,而不是与其合并。任何未列在该文件中的模型都会回退到默认元数据(默认元数据假设模型支持多模态输入),并记录 warning: Model metadata for <slug> not found 警告。如果你使用 -m 切换模型,或通过编辑 model 切换模型,请将该模型也添加到同一个文件中,否则纯文本限制不会作用于该模型。

此方案要求 Codex CLI 0.154.0 或更高版本。

接入 Claude Code

Claude Code 没有内置的"纯文本模型"声明机制,需要通过 PreToolUse 钩子在工具执行前拦截对 PDF 与图片的读取。将以下 Python 脚本保存为 ${Target_dir}/block_pdf_image_read.py(务必使用绝对路径):

#!/usr/bin/env python3
"""
PreToolUse 钩子:阻止 Read 工具读取 PDF 和图片文件。
"""
import json
import sys


IMAGE_EXTENSIONS = (
    ".apng",
    ".avif",
    ".bmp",
    ".gif",
    ".heic",
    ".heif",
    ".ico",
    ".jfif",
    ".jpeg",
    ".jpg",
    ".jxl",
    ".png",
    ".svg",
    ".tif",
    ".tiff",
    ".webp",
)


def main():
    hook_input = json.loads(sys.stdin.read())
    file_path = hook_input.get("tool_input", {}).get("file_path", "")

    if file_path.lower().endswith(".pdf"):
        reason = "不允许使用 Read 工具读取 PDF 文件。"
    elif file_path.lower().endswith(IMAGE_EXTENSIONS):
        reason = "不允许使用 Read 工具读取图片文件。"
    else:
        sys.exit(0)

    output = {
        "hookSpecificOutput": {
            "hookEventName": "PreToolUse",
            "permissionDecision": "deny",
            "permissionDecisionReason": reason,
        }
    }
    print(json.dumps(output, ensure_ascii=False))

    sys.exit(0)


if __name__ == "__main__":
    main()

脚本逻辑说明:钩子从标准输入读取 Claude Code 注入的 JSON(含 tool_input.file_path),当目标文件以 .pdf 或列出的图片扩展名结尾时,返回 permissionDecision: "deny" 以拒绝 Read 工具调用;其余文件直接放行(sys.exit(0) 且不输出决策)。

随后将该脚本注册到 ~/claude_dir/settings.json 的钩子配置中:

"hooks": {
    "PreToolUse": [
      {
        "matcher": "Read",
        "hooks": [
          {
            "type": "command",
            "command": "python3 ${Target_dir}/block_pdf_image_read.py",
            "timeout": 5
          }
        ]
      },
      {
        "matcher": "",
        "hooks": []
      }
    ]
}

这样可以在 PreToolUse 阶段拦截图片、PDF 等多模态输入,确保 Claude Code 只会向纯文本的 Atria Dawn Preview 发送文本内容。

接入 Kimi Code

Kimi Code 通过兼容 OpenAI 的 Chat Completions API 与 Atria 通信。将自定义 provider 添加到 ~/.kimi-code/config.toml 即可。本示例适用于 Kimi Code 0.43.1 及更高版本,请先检查版本(不同版本的配置字段可能有所差异):

kimi --version
cp -a ~/.kimi-code/config.toml ~/.kimi-code/config.toml.bak

1. 将 provider 和模型写入用户配置

将以下内容合并到 ~/.kimi-code/config.toml。注意 default_model 保持在顶层并放在各个表之前;已有条目请更新而非重复添加字段或表。将你的 atr_... 密钥填入 api_key 行(密钥在 Atria 控制台创建,且只会显示一次):

default_model = "atria/Atria-Dawn-Preview"

[providers.atria]
type = "openai"
# 必须包含 /v1,Kimi 会原样追加 /chat/completions
base_url = "https://api.atria-asi.ai/v1"
# 只能使用字面量:不会展开 ${VAR},也不会读取 OPENAI_API_KEY
api_key = "ATRIA_API_KEY"

[models."atria/Atria-Dawn-Preview"]
provider = "atria"
# 区分大小写的实际请求名称,与上面的表名不同(上面的表名是本地别名)
model = "Atria-Dawn-Preview"
display_name = "Atria Dawn Preview"
# 必填:缺少此项时,该条目会静默加载失败。请保持为实际限制值,
# 这样上下文预算和压缩功能才能正常工作。
max_context_size = 256000
# 发送到接口的 max_tokens 值。缺少此项时,Kimi 会改为发送 max_context_size,
# Atria 会拒绝该请求(有效范围为 1-65536)。
max_output_size = 65536
# 这是纯文本模型:添加 image_in 会失败,并提示 "is not a multimodal model"。
# 请明确声明 tool_use,否则 Kimi 会将功能视为未知。
# "thinking" 用于开启推理功能;如果省略,effort 会被强制设为
# "off",并且不会发送 reasoning_effort。
capabilities = ["tool_use", "thinking"]
# 如果没有 support_efforts,effort 会保持为不透明的 "on",完全不会发送
# reasoning_effort。列出这些选项后,/think 命令和选择器才能正常工作。
support_efforts = ["low", "medium", "high", "xhigh", "max"]
default_effort = "max"
# 必填,用于允许关闭 thinking。省略此项会失败,并提示 "reasons by
# default but declares no off effort"。
off_effort = "none"

各字段的配置要点:

  • capabilities = ["tool_use", "thinking"]:显式声明工具调用与思维链能力,thinking 是开启推理功能的开关;省略时推理会被强制关闭且不发送 reasoning_effort;
  • support_efforts:列出可选推理强度,使 /think 命令与 effort 选择器正常工作;省略时 effort 保持为不透明的 "on",不会向接口发送 reasoning_effort;
  • off_effort = "none":必填,用于允许关闭 thinking,省略会报 "reasons by default but declares no off effort";
  • max_output_size = 65536:对应接口允许的 max_tokens 上限(有效范围 1-65536),缺省时 Kimi 会发送 max_context_size 导致请求被拒绝。

由于密钥以明文存储,请确保文件权限保持私密:

chmod 600 ~/.kimi-code/config.toml

2. 重启并验证

验证配置,然后发送一个纯文本任务:

kimi doctor
kimi provider list
kimi

预期输出:

OK config.toml  /home/<user>/.kimi-code/config.toml
All checked config files are valid.

atria  type=openai  models=1  source=inline
Default model: atria/Atria-Dawn-Preview

如果 provider 列表中没有 atria,说明模型条目解析失败,最常见的原因是缺少 max_context_size。

许可证与引用

本仓库的代码和权重依照 MIT 协议开源(与英文版 README 中 License 徽章一致)。官方同时提供了 BibTeX 引用格式(论文标题为 "Atria Dawn: The Dawn of Agentic Superintelligence",arXiv 编号 2609.15818,发表于 2026 年),需要引用时可直接使用 README_CN.md 末尾的 @misc{guo2026atriadawndawnagentic, ...} 条目。

小结

本文围绕 Atria Dawn Preview 官方文档,从模型定位(Discovery / Creation / Delivery / Cybersecurity 四大能力)、架构源码(config.json 中的 78 层 MoE、256 路由专家、1M 位置嵌入等参数)、15 项公开评测结果、模型下载渠道,到 Codex / Claude Code / Kimi Code 三种 CLI 编码代理的完整接入配置,给出了可落地的实操路径。核心要点可归纳为三条:

  1. Atria Dawn Preview 是纯文本智能体模型,所有客户端接入都必须显式声明文本模态(Codex 的 input_modalities、Kimi Code 的 capabilities)或通过钩子拦截多模态输入(Claude Code 的 PreToolUse 钩子);
  2. 本地部署时请遵循 SGLang(v0.5.13.post1+)或 vLLM(v0.23.0+)的版本要求,并完整保留仓库中的配置、分词器与聊天模板文件;
  3. 上下文与输出长度等参数务必按模型真实上限配置(256K 上下文、最大 65536 输出 token),否则会导致请求被拒绝或上下文预算浪费。

如需了解更详细的部署细节或获取最新信息,可直接查阅仓库根目录的 README_CN.md 与 README.md。

登录后查看全文
Atria-Dawn-Preview