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 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:
"input_modalities": ["text"]:声明纯文本输入,是禁用多模态输入的开关;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;- 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:
- 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); - 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;
- 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。