上海AI实验室Atria Dawn：用可验证经验训练科研智能体，并复盘769项人机协作任务

龙哥导读

很多科研智能体会写代码、跑实验、做检索，但真正难的问题不是“它做了多少步”，而是“这些步骤有没有被外部结果验收，失败以后有没有形成下一次可用的经验”。Atria Dawn Preview把训练重点放在可执行环境和可核验结果上，同时公开复盘56名参与者的769项研发任务。最值得看的结论并不是AI已经接管科研，而是分工正在变得更清楚：AI越来越多地提出方法、实施修改，人类则仍掌握多数目标、方法和验收标准的最终选择。

前面讨论递归自我改进时，一个问题始终绕不过去：智能体把一次实验做完，和智能体学会把下一轮研究做得更好，中间到底差了什么？Atria Dawn给出的答案很务实——先别急着喊“自我进化”，先让每一次工具操作都能落到真实环境、真实产物和可检查结果上。

于是本文要追的具体问题是：当AI从回答问题走向参与科研项目，它怎样获得可验证经验，人又把哪些权力交出去、哪些权力继续握在手里？论文一半介绍模型和训练路线，另一半分析真实研发日志。后半部分甚至比排行榜更有价值，因为它让“人机协作”从宣传词变成了可计数的任务、选择、干预和修改。

图1：论文Figure 5把人机关系分为研究对象、任务执行者、项目级伙伴，以及仍属设想的持续递归改进阶段。越往后，AI承担的规划与执行越多，人类工作越集中于目标、判断和关键干预。来源：论文官方arXiv网页。

一、这不是又一个“会聊天”的模型，而是面向长链任务的基础智能体

Atria Dawn Preview建立在7440亿参数的混合专家基础模型之上，面向科学研究、机器学习工程、软件开发、深度检索、办公交付和网络安全等长周期工作。混合专家模型并不意味着每次推理都激活全部参数，但如此规模仍意味着训练、部署和长上下文执行都需要很高的算力与工程预算。

论文把公开能力分成四组。Discovery负责检索证据、整理文献、设计实验；Creation负责软件、交互应用、机器学习系统和计算机辅助设计；Delivery负责报告、演示文稿和结构化交付物；Cybersecurity则在授权环境中完成漏洞分析、修复和复测。四组名字看起来很宽，背后共享的是同一件事：任务不能停在一段自然语言答案上，而要继续推进到文件、程序、实验指标或可观察状态。

这也解释了为什么论文把它称为“foundation agentic language model”。普通对话模型优化的是下一段文字是否合理；基础智能体还要处理环境状态、工具反馈、长时间任务、错误恢复和最终验收。它输出的不是单一答案，而是一条由观察、行动、产物和检查组成的轨迹。

不过，论文标题里的“Agentic Superintelligence”更像研究愿景，不是已经完成的能力认证。论文自己反复强调，当前系统仍需要人类确定有价值的方向、解释不确定结果，并在关键节点纠偏。项目级协作已经出现，持续自主改进仍是开放问题。

二、核心方法：把任务、轨迹、产物和验证证据绑成一条训练链

Atria Dawn最核心的训练设计叫“可验证经验流水线”。它不是把大量工具调用记录直接当作高质量数据，而是要求训练任务进入真实可执行环境：模型先观察状态，再选择工具，读取反馈，生成中间产物，必要时调整计划，最终由外部信号检查结果。

这里有四个彼此相扣的对象。第一是任务目标，说明要解决什么；第二是智能体轨迹，记录模型看到了什么、调用了什么、为什么修改；第三是产物，例如代码、实验日志、文件、几何结构或报告；第四是验证证据，例如测试是否通过、指标是否提升、文件状态是否符合要求、引用是否能支持结论。

如果只保留最终成功答案，模型看不到中途如何恢复；如果只保留思考和工具日志，又可能把“写得很努力但结果不对”的轨迹当成经验。流水线真正重要的地方，是把行为与结果连接起来。经验不是一段看似聪明的推理，而是一条能被环境判定成败的行动记录。

不同领域的验证器也不同。软件任务可用单元测试、集成测试和运行状态；机器学习工程可用损失、精度、速度和资源记录；办公任务可检查文件结构、表格内容与应用状态；计算机辅助设计可检查几何关系；深度检索则要检查来源是否真的支持报告中的论断。论文没有声称存在一个万能奖励函数，而是强调针对任务构造外部检查。

轨迹进入训练前还要清洗。未完成、互相矛盾、重复、行为无效或缺少结果证据的样本会被移除。失败轨迹并非一律删除：只要失败结果能够独立确认，它就能用于定位错误，例如工具选择无效、验证不完整、证据缺失，或遭遇错误后没有恢复。

输入：任务 T、执行环境 E、任务专用验证器 V
初始化环境状态 s₀ 与智能体计划
重复：
  观察当前状态 sₜ
  选择并执行工具动作 aₜ
  保存工具输出、中间产物与反馈
  若结果偏离目标，则修改计划或恢复执行
直到完成、失败或达到预算
用 V 检查最终产物、指标、文件状态或来源证据
清理重复、矛盾、未完成和行为无效的轨迹
输出：任务—轨迹—产物—验证证据四元组

伪代码里最关键的是最后两行。工具调用次数多，不等于经验质量高；只有验证器确认产物满足任务，或者确认失败类型确实发生，这条轨迹才有明确教学信号。之后的清洗又避免模型把重复步骤和偶然成功当作普遍策略。

流水线还形成一个外循环：从失败分析中找出反复出现的问题，再构造新任务、改进环境和质量检查。工具总选错，就补工具选择任务；经常忘记验证，就强化验收步骤；长任务容易中断，就加入启动作业、读取日志、查看产物和重排计划的训练。它教的不是某个固定答案，而是“怎样根据状态和反馈继续工作”。

三、16项基准怎么看：五项最高，但绝不是全面碾压

论文表1覆盖16项基准，涉及工具调用、搜索研究、工作区操作、职业任务、软件工程、终端、机器学习工程和网络安全。Atria Dawn在有公开对照值的表格中取得五项最高报告分数。

工具自动化基准为53.8，伯克利函数调用榜单第四版为77.0，深度搜索问答为96.0。浏览检索基准为92.5，网络安全智能体基准为86.5。

其中，工具自动化基准领先表中第二名4.1分，函数调用榜单领先2.9分，网络安全基准领先2.0分。技能、完整工作区和轻量工作区三项则接近最高值，分别只差0.3、0.8和1.9分。这些结果支持“工具调用、深度检索和多文件工作区执行处于领先梯队”，但不能改写成“所有智能体任务都第一”。

图2：论文Figure 1汇总16项基准。Atria Dawn在工具调用、深度搜索和网络安全中的若干项目领先；在软件工程、终端、职业任务和部分研究评测中，其他模型更高。来源：论文官方arXiv网页。

短板同样清楚。专业软件工程基准为59.6，而表中最高为74.7；终端任务为78.3，最高为90.2；职业任务为50.3，最高为68.0；经济价值任务评分为1583，最高为1768；第二代深度研究基准为51.1，最高为54.1。也就是说，模型在能被清晰工具化、验证化的任务上较强，但长周期职业交付和复杂软件工程仍有明显提升空间。

表格还有三个阅读陷阱。第一，不同模型存在缺失项，横线不是零分，也不能据此排出完整总榜。第二，论文明确说明表格来自官方发布网站，并非同一第三方在完全一致时间和预算下统一重跑。第三，各基准使用的执行框架、超时、步数和裁判模型并不相同。

例如函数调用榜单第四版包含5217个案例，官方权重把非实时、实时、无关、多轮和智能体任务组合成总分；技能基准只评79个非多模态任务并平均三次运行；第二代深度研究基准给每个任务四小时并使用模型裁判；专业软件工程基准禁用网络、移除版本历史，每题最多250步和4.5小时；终端基准允许最多500轮，部分任务上限可到12小时。分数只有连同环境、预算和评分协议一起看，才有工程意义。

四、案例真正展示的是“闭环”，不是漂亮截图

论文列了天气预测、算子优化、文献分析、操作系统、交互应用、计算机辅助设计、专业报告和网络安全等案例。案例很多，但判断它们时要看验证强度，而不是看最终界面有多炫。

天气案例中，模型在关闭网页搜索的条件下处理超过100GB数据，实现一个超过4亿参数的视觉Transformer网络，并训练4.5万步，覆盖69个气象变量。论文展示了生成的预测界面，却明确提醒：界面只说明系统完成了数据、模型和可视化链路，不代表天气精度已经达到某个业务水平。

在门控增量网络解码优化中，智能体根据测量结果识别启动开销，从Triton实现切换到原生统一计算设备架构（CUDA）实现，并在性能回退后继续调整。开发阶段七个批大小上的延迟合计比值达到1.46倍，正式工作负载最终通过52/54，但完整正式平均值没有给出。因此，1.46倍是开发测量，不应写成最终认证速度。

微型操作系统（MiniOS）案例更接近可验证交付：从空工作区开始，智能体大约20分钟搭出串口命令行、磁盘访问、持久文件系统和解释器，并通过两次快速仿真器（QEMU）会话检查重启后的持久状态和自动运行。这里真正有价值的是“重启后状态仍在”的可观察证据，而不是一句“成功写了操作系统”。

网络安全案例则在授权、隔离环境中完成检查、确认注入漏洞、修补和复测。先证明漏洞，再修复，再从应用行为确认问题消失，这条链符合可验证经验的定义。它仍不能外推为模型可以在任意真实网络中安全自治，但确实比只输出一段安全建议更接近工程闭环。

五、769项任务揭示的第一件事：AI扩大了“做得了”的范围

模型研发过程中，论文收集了56名参与者的769项任务记录和智能体日志。在739项明确回答是否使用AI的任务中，713项使用了AI，占96.5%。这个数字首先说明研究流程已经高度智能体化，但“用了AI”并不等于“AI独立完成”。

论文进一步追问：如果保持任务范围、质量要求和其他资源不变，参与者能否在没有AI的情况下完成自己的部分？455项已完成且回答有效的AI辅助任务中，151项被评价为无法完成，占33.2%，涉及27名参与者。

图3：论文Figure 7按任务类别统计参与者估计的无AI投入；最右侧无穷列代表在相同范围、质量和资源条件下被评价为无法完成的任务。单元格是各行内部比例，不是跨类别统一成功率。来源：论文官方arXiv网页。

这里必须区分“节省时间”和“让任务成为可能”。如果原本需要十小时，现在两小时做完，是效率提升；如果团队原本因为技能、时间或复杂度根本不会尝试，现在能够交付，则是任务边界扩张。论文认为，只统计节省工时会低估后者。

但33.2%来自参与者对自己任务的回顾性判断，不是随机对照实验。参与者既是模型研发者，也是使用者；他们对“没有AI能否完成”的估计可能受记忆、技能差异和项目压力影响。这个数字适合描述该研发团队的主观经验，不适合直接推算所有科研组织。

六、第二件事更反直觉：AI提方案，人类仍做多数最终选择

论文把研究决策拆成“谁提出”和“谁选择”，避免把整项任务粗暴归给人或AI。对于方法和参数，“AI提出、人类选择”是最常见模式，占55.4%。把人类自己提出并选择的情况也算上，人类在85.5%的方法或参数决策中做最终选择，AI最终选择只占9.2%。

目标或范围更依赖人类：人类最终选择占93.4%；验收标准中，人类最终选择占81.9%。AI提议的比例会随决策类型大幅变化——目标或范围只有16.9%，方法或参数达到55.4%——但AI最终拍板的比例始终在6.1%到9.2%之间。

即使只看那151项“没有AI就做不了”的任务，人类仍在144项中选择最终目标，占95.4%。这说明依赖AI完成任务，并不自动等于把目标控制权交给AI。当前更像是AI扩张候选方案和执行带宽，人类承担价值判断与最后选择。

这种分工也解释了一个看似矛盾的趋势。对同一批22名参与者，论文计算过去七天内每人“智能体动作数÷人类提示数”，再取每日中位数。8月7日到9月4日，中位数从11.0升到28.5。

比值上升表示每次人类提示带动了更长的智能体行动链，却不能单独证明自治程度上升。同期四分位距也变宽，说明不同参与者采用智能体的方式越来越不均匀。更准确的解释是：一条人类判断可以通过更多AI动作放大，而不是人类判断已经消失。

七、工作出错以后：人类更常补信息，AI更常继续动手修改

在588项记录了最关键困难和处理方式的任务中，76.0%通过人类干预继续推进，23.0%由智能体自行恢复，只有1.0%未解决。乍看之下，人类介入很多；但介入方式决定了真正的分工。

最常见的两类帮助是补充上下文或澄清要求，占35.2%；诊断问题或改变方法，占34.7%。人类直接改一部分产物只占3.2%，完全接管只占0.7%。换句话说，人类帮助改变“智能体知道什么、下一步该往哪里走”，远多于亲自替它做完工作。

论文把这总结成一个很形象的差异：改变信息的帮助，大约是改变执行者帮助的18倍。人类像经验丰富的研究负责人，在关键节点指出“你缺了哪个条件”“这个指标解释错了”“这条路线该停”，然后让智能体继续写代码、跑实验和改产物。

图4：论文Figure 10上半部分统计627项任务中主要AI输出如何被使用，下半部分统计354项发生实质修改的任务由谁修改。多数产物进入最终交付，发生较大修改时也主要由AI依据人类反馈继续完成。来源：论文官方arXiv网页。

627项输出用途明确的任务中，56.5%发生实质修改；1.0%未被采用，3.2%只用于启发，因此95.9%的输出以某种形式进入交付物。在354项发生实质修改的任务中，75.4%由AI根据人类反馈修改，19.2%由人类直接修改。

这组数字把“初稿需要修改”换了一个角度。修改多并不必然表示AI产物没用，也可能表示产物留在流程中，人类负责给判断，AI负责重写。真正稀缺的资源从执行时间转向了高质量反馈：人能否看出问题、描述问题，并给出足够的信息让系统继续推进。

八、和三条相似路线相比，Atria Dawn补上的到底是哪一环

第一条对照是AI Scientist路线。相关工作把选题、实验、写作和评审串成自动研究循环，强调端到端产出研究论文。它回答的是“能不能把一项研究流程自动跑通”。Atria Dawn的不同之处，是训练层面强调可验证经验，分析层面又把真实研发项目中的人机职责拆开统计。一个更关注自动研究产品，一个更关注基础智能体与项目协作机制。

第二条对照是算法进化智能体（AlphaEvolve）。它让编码智能体围绕可自动评估的问题生成、修改和筛选算法，强项是评价函数清晰：候选程序一跑，性能好坏可以直接比较。Atria Dawn面对的任务更杂，验证信号可能是测试、文件状态、几何结构、来源证据或人工标准。覆盖面更广，也意味着奖励设计更不统一、验证质量更难保持。

第三条对照是Darwin Gödel Machine。它关注智能体修改自身代码，并通过基准验证改动是否提高能力，目标更靠近开放式自我改进。Atria Dawn没有证明持续递归自我改进已经形成。论文反而指出，经验常常留在单次会话或外部记录中，研究者能把失败教训带到下一项目，基础模型自身却未必因此获得新的研究能力。

三者连起来看，可以把科研智能体拆成三层：AI Scientist处理研究流程编排，算法进化智能体在可度量问题上做大规模搜索，达尔文哥德尔机器尝试让系统修改自身；Atria Dawn则补上跨任务的基础智能体训练，以及人类如何在真实研发中保留目标、选择和监督。它最有信息增量的不是“更自动”，而是把自动执行与人类判断同时放进了研究对象。

九、用户价值：团队真正需要升级的，可能不是提示词，而是验收系统

对研究团队，第一价值是把目标拆成可验收状态。“研究一下这个问题”很难验证；“复现基线、修改模块、在固定数据上运行、保存日志、解释差异”则能形成检查点。任务越长，越需要把最终目标切成可观察的中间状态，否则智能体只是连续生成很多内容。

对工程团队，第二价值是把失败变成训练资产。失败记录只有在原因和结果明确时才有用。工具报错、测试失败、指标回退、文件状态异常，都应和具体动作绑定；否则日志再长，也只是排障噪声。

对管理者，第三价值是重新设计授权。人类不必审批每一个低风险动作，却必须掌握目标、资源、验收标准和高风险权限。论文提到研发中有人为了长任务不中断而使用跳过权限确认的自治模式，这种便利不能自然变成治理原则。权限应按风险和可逆性划分，而不是按“少弹几个确认框”划分。

对普通知识工作者，第四价值是学会提供判断型反馈。未来高价值能力不只是亲手写完每一行，而是能指出目标是否值得、证据是否足够、方案是否偏航、结果是否可接受。AI动作越多，错误也可能沿更长链路传播；一句模糊反馈会被放大，一句准确诊断同样会被放大。

十、四个仍然没有解决的问题

第一，验证器可能只验到“容易量化的部分”。测试通过不代表架构合理，引用存在不代表结论完整，几何约束满足不代表机械结构可制造。智能体可能越来越擅长通过验收，却没有解决验收标准遗漏的问题。

第二，更多智能体和更多尝试不保证研究方向更丰富。共享训练数据和相似先验可能制造相关盲点：看起来有很多候选方案，实际只是在同一条路附近换参数。论文中的数据也显示，AI更常提出方法和参数，而不是提出目标与范围。

第三，经验还没有真正内化为持续研究能力。工作流、技能和外部记录能让系统在下次找到旧经验，但“检索到经验”和“模型本身学会提出更有价值的问题”不是一回事。若每个新项目仍需要人类重复诊断相似错误，递归改进的闭环就没有完成。

第四，实验的外部有效性有限。16项基准来自发布方汇总，比较模型缺失项不一致；人机协作数据来自Atria Dawn自己的研发过程，参与者自评带有主观性；7440亿参数基础模型的成本也让多数团队难以直接复现同等环境。论文提供了罕见的过程数据，但还需要其他组织、不同任务和更长期周期的独立研究。

十一、龙哥点评：科研智能体的瓶颈，正从“能不能做”转向“谁来判断”

Atria Dawn最让人兴奋的地方，是它把研究智能体拉回工程现实：真实环境会报错，实验会回退，文件会损坏，引用会不支持结论，长任务会偏航。只有把这些反馈变成可验证经验，智能体才不只是一个能连续说很久的模型。

最让人审慎的地方也来自同一组数据。每次人类提示已经能驱动越来越多智能体动作，但人类依然负责多数目标、方法和验收标准的最终选择。执行带宽增长得很快，判断带宽却没有自动增长。未来团队可能不是缺智能体，而是缺能定义好问题、识别假进展和及时纠偏的人。

所以，“AI会不会替代研究者”这个问题问得太粗。更现实的拆法是：哪些执行工作会迅速交给AI，哪些判断会变得更稀缺，哪些权限必须始终可撤回，哪些证据必须由独立机制复核。论文给出的阶段性答案是：AI已经从任务工具走向项目伙伴，但人类的价值正在从亲手执行，迁移到选择方向、解释证据和承担责任。

真正的科研智能体，不是一次跑出漂亮结果，而是让每一步都留下可检查的因果链；真正的人机协作，也不是人完全退出，而是人把判断放在最能改变方向的位置。Atria Dawn离“自主科研系统”仍有距离，却把这段距离里最值得测量的东西摆上了桌面。

十二、龙迷三问

第一问：如果验证器本身写错了，谁来验证验证器？科研任务往往存在多种合理答案，单一测试容易诱导系统优化表面指标。更可靠的做法需要测试、审阅、来源检查和反例共同构成多层验收。

第二问：当一次人类判断驱动几十个AI动作，怎样避免错误被高速放大？答案不会是恢复逐步人工审批，而是把高风险节点、不可逆操作、资源上限和异常模式提前写进权限与停止规则。

第三问：研究者未来最值得训练的能力是什么？不是和智能体比打字速度，而是问题定义、实验设计、证据判断、失败诊断和责任意识。执行越来越便宜以后，决定什么值得执行会越来越贵。

参考资料

Atria Dawn论文：
https://arxiv.org/abs/2609.15818

Atria Dawn项目主页：
https://atria-asi.ai/

Atria Dawn官方仓库（Atria-Dawn）：
https://github.com/atria-asi/Atria-Dawn-Preview

算法进化智能体（AlphaEvolve）论文：
https://arxiv.org/abs/2506.13131

Darwin Gödel Machine论文：
https://arxiv.org/abs/2505.22954

AI Scientist相关工作：
https://doi.org/10.1038/s41586-026-10265-5

本文基于龙哥读论文PaperDaily数据库及PaperMiner的MCP进行汇总整理。本文为论文解读与个人学习笔记，不构成任何论文审核意见，及对产品能力、安全性或商业可用性的保证。