Agents-A1-4B性能评测全解读：GAIA 95.1%与BrowseComp 66.8如何达成

Agents-A1-4B 是 InternScience 推出的 4B 参数级 agentic 模型，专注长时程搜索（Long-horizon Search）、工具调用、工程研究与指令跟随。它的性能评测数据相当亮眼：GAIA 95.1、BrowseComp 66.8、XBench-DS-2510 90.0、IFEval 94.8，多项成绩追平甚至超越更大的 MoE 模型。本文带你逐项解读这份 Agents-A1-4B 性能评测报告，并讲清楚高分背后的技术原因与落地部署要点。

4B 模型成绩速览：哪些基准拿了第一 🏆

先看核心分数（数据来自 README.md 的官方对比表，对比对象为同规模的 Qwen3.5-4B 与更大的 MoE 模型）：

基准测试	Qwen3.5-4B	Agents-A1-4B	Qwen3.6	Nex-N2-mini	Agents-A1 (35B)
BrowseComp	47.2	66.8	67.9	74.1	75.5
XBench-DS-2510	73.0	90.0 🥇	71.0	82.0	86.0
Seal0	31.5	45.8	38.7	49.6	56.4 🥇
GAIA	58.3	95.1	78.6	82.5	96.0 🥇
FrontierScience-Research	1.7	33.3	2.9	5.0	40.0 🥇
IFEval	89.8	94.8 🥇	91.3	88.4	94.8 🥇
VitaBench	22.0	40.3 🥇	35.6	23.0	38.8
MatTools	10.9	49.3 🥇	15.9	34.1	47.1

几个值得注意的点：

• XA 级领先：在 XBench-DS-2510、IFEval、VitaBench、MatTools 上，4B 小模型直接拿到了表中最高分（🥇），超过了参数量大一个量级的 MoE 模型。
• 接近旗舰：GAIA 上 35B 旗舰版为 96.0，4B 版为 95.1，仅差 0.9 分——小模型与旗舰之间的差距被大幅压缩。
• 长时程搜索是强项：BrowseComp 66.8 相比同规模 Qwen3.5-4B 的 47.2 提升了近 20 分。

GAIA 95.1% 解读：通用 Agent 能力为何这么强

GAIA（General AI Assistants）是衡量通用 Agent 能力的代表性基准，题目要求模型分步拆解任务、调用工具、跨多轮交互后给出准确答案，是典型的"长时程 + 多工具"综合测试。

Agents-A1-4B 拿到 95.1，意味着它不是"碰巧答对"，而是在以下三个环节都表现稳定（对应 README.md 的官方能力描述）：

1. 任务拆解与规划（Agentic Reasoning）：把复杂问题分解为可执行子步骤，并根据中间结果动态调整策略；
2. 工具使用（Tool Use）：原生支持 function calling，能无缝调用搜索引擎、代码解释器、API 等外部工具；
3. 长上下文记忆：模型支持 262144（262K）上下文长度（见 config.json 中的 max_position_embeddings），多轮搜索积累的海量中间信息不会"记不住"。

作为参照，同规模 Qwen3.5-4B 在 GAIA 上仅 58.3，Agents-A1-4B 领先了约 37 分——这正是"为 Agent 场景专门训练"与"通用模型直接测"之间的差距。

BrowseComp 66.8 解读：长时程搜索是如何做到的

BrowseComp 考察的是长时程浏览搜索能力：答案往往藏在多轮搜索、多来源交叉验证之后，单靠模型参数里的知识根本答不出来，必须真正"边搜边想"。

4B 版拿到 66.8，已经接近 Qwen3.6（67.9），超过旗舰级 MoE Nex-N2-mini 的差距也只在 7 分左右。结合官方技术路线（README.md），这一成绩主要来自两方面：

• 长时程轨迹扩展（scaling long-horizon trajectories）：训练时借助一套"领域落地"的知识-行动基础设施，联合构造动作（actions）、观察（observations）与验证器结果（verifier outcomes），把 Agent 的整个搜索过程变成可训练的目标——模型学会的不仅是"最终答案"，而是"怎么一步步搜到答案"；
• 搜索策略被写进系统提示：官方推荐的 system prompt 中明确规定了研究策略——先用聚焦的查询获取概览，不足时再用更具体的词细化，信息够了就停止、不要过度搜索（见 chat_template.jinja 中的默认系统提示词）。

技术原因：三阶段训练 + 异构能力蒸馏

为什么一个小模型能"通吃"搜索、工程、科研、指令跟随这些异构任务？官方给出的训练范式分三步（README.md）：

阶段	做什么	解决什么问题
① 全领域 SFT	全领域监督微调	让基座模型对齐广泛的 Agent 行为
② 领域级教师模型	每个领域单独训练专家教师	获得搜索/工程/科研等各领域专长
③ 多教师多领域在线蒸馏	带"异质性感知优化"的 on-policy 蒸馏	高效地把各教师专长迁移到同一个学生模型

核心思想可以用一句话概括："扩展地平线，而不是扩展参数量"（Scaling the Horizon, Not the Parameters）——与其把模型做大，不如把模型"看得更远、做更多步"的能力做强。

架构与效率：混合注意力撑起 262K 上下文

从 config.json 可以看到几个与评测表现直接相关的架构细节：

• 混合注意力：32 层中每 4 层用一次全注意力（full_attention_interval: 4，见 config.json 的 layer_types），其余层为线性注意力。这种设计显著降低长上下文的计算与显存开销，是"小模型也能跑长时程 Agent 任务"的关键；
• 262K 上下文：max_position_embeddings: 262144，官方部署配置即为 262K 上下文 + 单卡运行（README.md）；
• 多模态底座：vision_config 定义了视觉编码器，配套 preprocessor_config.json 与 processor_config.json，支持图文输入；
• 推理与工具调用格式内建：chat_template.jinja 模板支持 think 推理块和 tool_call 工具调用块，配合 --reasoning-parser qwen3 与 --tool-call-parser qwen3_coder 参数即可稳定解析多轮工具交互。

部署上单卡即可跑起，以 vLLM 为例（完整命令见 README.md）：

vllm serve InternScience/Agents-A1-4B \
  --port 8000 \
  --tensor-parallel-size 1 \
  --max-model-len 262144 \
  --reasoning-parser qwen3

模型文件清单与本地获取方式

本仓库为 Hugging Face Transformers 格式的模型仓库，文件结构如下：

• model-00000-of-00002.safetensors / model-00001-of-00002.safetensors：模型权重，分两个分片存储；
• model.safetensors.index.json：权重索引，共 723 个张量，可据此核对权重完整性；
• config.json：模型结构配置（Qwen3.5 架构，bfloat16）；
• tokenizer.json 与 tokenizer_config.json：分词器配置，词表 248320，包含 tool_call、think 等特殊 token；
• chat_template.jinja：对话模板，内置默认 system prompt 与工具调用协议；
• README.md：模型卡，含完整性能表、部署命令与推荐采样参数。

如需离线获取权重，可以克隆本镜像仓库（注意开启 Git LFS 以拉取完整权重）：

git clone https://gitcode.com/hf_mirrors/InternScience/Agents-A1-4B

如何复现：评测框架与推荐采样参数

官方开源了统一的 Agent 评测框架，覆盖工具使用与多步推理等核心能力，本文评测数据均在该框架下标准化产出，第三方模型也在同一协议下测评（未公开结果的模型由官方按相同协议补测，见 README.md）。这意味着你可以：

1. 用同一框架评测自己的模型，做公平横向对比；
2. 按官方协议复现 Agents-A1-4B 的成绩；
3. 扩展新 Agent 场景到自己的基准上。

复现时建议使用官方推荐采样参数（README.md），多轮行为更稳定：

参数	推荐值
temperature	0.85
top_p	0.95
top_k	20
presence_penalty	1.1

同时建议保留官方 system prompt，并根据实际环境动态更新其中的 Current date。

总结

Agents-A1-4B 的这份性能评测告诉我们一件事：在 Agent 场景里，"会做多步任务"比"参数大"更重要。

• GAIA 95.1：通用 Agent 能力逼近 35B 旗舰（96.0），比同规模模型高出约 37 分；
• BrowseComp 66.8：长时程搜索能力接近 Qwen3.6 水平；
• 背后是长时程轨迹训练 + 三阶段多教师蒸馏的训练范式，以及混合注意力架构带来的 262K 长上下文效率优势；
• 单卡即可部署，权重、模板、配置一应俱全，适合想自建本地 AI 助手的开发者直接上手。

如果你想体验"小模型办大事"的 Agent 效果，这个 4B 模型目前是小参数量级里值得优先试的选项之一。