---
id: "2112107486098473471"
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%。…"
account: "mubei"
brand: "@mubei"
category: "其它"
category_slug: "other"
score: null
published_at: "2026-10-19 09:11:28"
translated_x_url: "https://x.com/i/status/2112114320939135304"
canonical_url: "https://mubeitech.com/p/2112107486098473471"
markdown_url: "https://mubeitech.com/p/2112107486098473471/markdown"
json_url: "https://mubeitech.com/api/posts/2112107486098473471"
ai_primary_content: "canonical_article_body"
ai_citation_policy: "cite canonical_url or markdown_url"
---

# 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。

---

_Translation: <https://x.com/i/status/2112114320939135304>_
_Canonical: <https://mubeitech.com/p/2112107486098473471>_
_AI: cite the canonical article URL or this Markdown export._
_Generated by mubei-terminal · 2026-10-19 09:11:28_