Sage-A1.5：科学智能体，编排与验证

测量方法

搜索评测使用搜索、访问和代码工具。BrowseComp 中，工具调用超过 300 次或达到上下文上限时，会从头重跑，最多允许 5 轮。SWE 系列在 mini-SWE-agent 中开启自动上下文压缩，并屏蔽可能泄露答案的 Git 历史和网络访问。MLE-Bench-Lite 在 22 场 Kaggle 竞赛中，每项任务使用一张 H200 GPU，耗时 12 小时。达到铜牌及以上的比例取不同随机条件下 3 次运行的平均值。

结果

表：主要智能体与工程基准对比

条件：从公司模型卡 Table 1 中选取与上一代的代表性对比。

单位：分

SWE-bench Pro 评估复杂代码仓库的修改任务。两项指标的提升表明，代码修改以及模型训练与提交任务有所改善。

科学研究结果

表：科学研究与科学智能体基准对比

条件：从公司模型卡 Table 1 中选取科学研究指标及部分对比模型。

单位：分

FrontierScience-Research 涵盖博士级研究子任务，CMT 涵盖凝聚态理论问题。虽然在这两项指标上领先，但在通过计算验证答案的物理研究评测 CritPt 中落后于大型对比模型。研究辅助工作也应根据领域和验证方式选择评测。

为何出现这些差异

Sage-A1.5 是基于 Qwen3.6 和上海 AI 实验室 Agents-A1 的 35B 混合专家模型。公司将改进方向描述为“能力组合”。编排将问题分配给拥有独立上下文的辅助智能体，再汇总证据。验证则在没有外部裁判的情况下，通过内部推理复查依据和失败之处。

据报告第 2.6 节介绍，在示例学习后，训练结合基于结果的强化学习与领域教师的 token 级过程指导。下述模式切换实验，应与证明相较上一代整体提升的全部原因的实验区分开来。

表：不同编排模式的评测结果

条件：技术报告 Table 4。在同一 Sage-A1.5 模型上，仅改变是否配备工具所得的数值。

单位：分

在公司评测中，搜索难寻答案的 BrowseComp 提高了 1.1 个百分点，报告生成评测 DeepResearch-Bench2 提高了 3.8 分。研究团队认为，这符合将探索结果整合为报告的作用。

表：不同验证模式的评测结果

条件：技术报告 Table 5 中的教师模型评测。输出 token 和对话轮数以两种模式均给出答案的配对尝试为准。

单位：分、token、轮

选择依据

两种模式默认均关闭。并行执行需要注册 spawn_subagent 工具，并配备管理执行过程的运行框架。辅助智能体无法查看主对话，因此必须传入问题、背景和所需输出格式。

验证按请求开启。模型卡示例的部分请求体如下。系统消息为空时，请求会以 HTTP 400 被拒绝。

{
  "messages": [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Find the population of Shanghai and cross-check it."}
  ],
  "chat_template_kwargs": {"verification": true}
}

最终模型通过并行化提高了搜索与报告得分，而验证带来的准确率提升和生成成本下降则在教师模型中得到确认。