Atria Dawn：一个科研 Agent 模型，以及它自己是怎么被人和 AI 一起做出来的

AI 提方案、人拍板：一份 AI 参与研发 AI 的实地记录

3 分钟版

问题　语言模型 Agent 越来越多地参与 AI 系统本身的研发。但任务分数回答不了一个问题：在真实的模型研发项目里，谁发现值得做的问题、谁在多个方案中做选择、谁解读不确定的结果、谁决定下一步？

思路　模型部分：在 744B 参数 MoE 基座上，用「可验证经验流水线」训练——每个训练任务都连到真实执行环境，结果用测试、指标、文件状态、几何检查、来源证据等外部信号验证，只保留任务、轨迹、产物与验证证据完整对应的经验。研究部分：分析研发过程中 56 名参与者的 769 条任务记录和 Agent 日志，区分「谁提议」与「谁选择」。

结果　16 个基准中 5 个最高（AutomationBench 53.8、BFCL v4 77.0、DeepSearchQA 96.0、BrowseComp 92.5、CyberGym 86.5），但 SWE-bench Pro、Terminal-Bench 2.1、GDPval 等明显落后于最强模型。研发记录中，455 个有效回答里 151 个（33.2%）被认为没有 AI 做不了；方法和参数决策中 AI 提议 55.4%，但人类做最终选择的占 85.5%。

所以呢　Agent 正在从「执行任务」变成「项目伙伴」，但目标设定、方向选择和遇阻时的诊断仍主要靠人。基准分数来自官方发布页，研发记录来自参与者自述，都需要打折看。

关键数字

• 5/16 取得最高报告分的基准数（§2.2 · Table 1）
• 33.2% 被认为「没有 AI 做不了」的 AI 辅助任务占比（§4.1）
• 85.5% 方法 / 参数决策中由人类做最终选择的比例（§4.2）
• 76.0% 遇到困难后靠人类介入推进的任务比例（§4.3）

局限与疑问

• 基准成绩来自官方发布页，各模型评测条件可能不一致。
• 研发记录依赖参与者事后自评，「没有 AI 做不了」是主观判断。
• 案例研究只来自一个团队的一个项目，难以推广。
• 论文未列出作者机构信息。

arXiv 摘要页 · PDF