{"id":"2112107486098473471","account":"mubei","brand":"@mubei","title":"在单题测试里拿第一的决策模型，丢进真实智能体，成功率只有69.5%。 专训智能体状态的4B小模型，却跑出了91.5%。…","summary":"在单题测试里拿第一的决策模型，丢进真实智能体，成功率只有69.5%。 专训智能体状态的4B小模型，却跑出了91.5%。 刷题第一名，怎么一上真实战场就翻车？ 因为平时的基准测试，全是一题一结的干净环境。 但真实的AI智能体，跑的是环环相扣的连续任务。 普林斯顿大学和谷歌最近发布的…","body":"在单题测试里拿第一的决策模型，丢进真实智能体，成功率只有69.5%。\n专训智能体状态的4B小模型，却跑出了91.5%。\n刷题第一名，怎么一上真实战场就翻车？\n\n因为平时的基准测试，全是一题一结的干净环境。\n但真实的AI智能体，跑的是环环相扣的连续任务。\n普林斯顿大学和谷歌最近发布的新论文，把这层纸给捅破了。\n\n真实业务里，步骤只要有一处走偏，就会掉进没见过的错误状态。\n那些只擅长独立做题的模型，压根没见过犯错后的烂摊子。\n一步踩坑，后面全部跟着抓瞎。\n\n而那个跑出91.5%的4B小模型，赢在专门训过错误状态轨迹。\n它在智能体翻车的现场摸爬滚打过。\n它见过走投无路的死胡同，更懂得怎么把跑偏的步骤拽回来。\n\n这也顺手解开了整个行业最头疼的死结：又贵又慢。\n以前的智能体框架，每走一步都要调一次顶配大模型。\n不仅账单疯狂燃烧，多跑几轮长任务能把人活活等死。\n可现实是，大部分工具调用的选择，本质上只是一道多选题。\n\n新架构换了个极简的思路：混合分工。\n让懂犯错的4B小模型在门前站岗，设一道置信度门槛。\n有把握的选择小模型自己秒回，真拿不准了再叫大模型兜底。\n\n最后跑出来的数据有多夸张？\n整体运行速度直接飙了2.5倍。\n执行成本被狠狠砍掉了81%到89%。\n把犯错的数据喂给小模型，这笔死贵的账终于算通了。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2112114320939135304","translated_status_id":"2112114320939135304","published_at":"2026-10-19 09:11:28","created_at":"2026-10-19 09:04:00"}