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%。

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新论文，把这层纸给捅破了。

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。 那些只擅长独立做题的模型，压根没见过犯错后的烂摊子。 一步踩坑，后面全部跟着抓瞎。

而那个跑出91.5%的4B小模型，赢在专门训过错误状态轨迹。 它在智能体翻车的现场摸爬滚打过。 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。

这也顺手解开了整个行业最头疼的死结：又贵又慢。 以前的智能体框架，每走一步都要调一次顶配大模型。 不仅账单疯狂燃烧，多跑几轮长任务能把人活活等死。 可现实是，大部分工具调用的选择，本质上只是一道多选题。

新架构换了个极简的思路：混合分工。 让懂犯错的4B小模型在门前站岗，设一道置信度门槛。 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。

最后跑出来的数据有多夸张？ 整体运行速度直接飙了2.5倍。 执行成本被狠狠砍掉了81%到89%。 把犯错的数据喂给小模型，这笔死贵的账终于算通了。