根據 36 Kr 的媒體報導，Shanghai AI Lab 似乎已開源一款名為 Agents-A1 的新代理導向模型；該報導將這次發布包裝成一個挑釁性的問題：一個 35B 參數的代理，能否與規模大得多的系統相抗衡。

根據此來源群組中目前有限的公開證據，核心新聞是 Shanghai AI Lab 被報導開源了 Agents-A1，並將這款模型定位為 AI 代理中的效率路線，而非單純追求參數量競賽。這很重要，因為建置者與企業團隊越來越在評估：在生產環境中，更好的工具使用、規劃與工作流程執行能力，是否能勝過單純的模型尺寸。

目前的來源材料相當薄弱。所提供的證據中並沒有完整的 36 Kr 文章正文，因此諸如授權條款、基準測試名稱、支援的代理任務、訓練方法、上下文長度與部署需求等關鍵細節，都無法從這個來源群組中獨立核實。即便如此，僅憑標題就已指向 企業 AI 中一個熟悉而重要的戰場：當考量到真實世界的任務編排時，較小、較易部署的代理模型，是否能挑戰更大型的基礎模型。

Shanghai AI Lab 似乎正在推出什麼

從目前可得的報導筆記來看，Shanghai AI Lab 已開源 Agents-A1，並明確將其表述為一個 35B 參數的代理模型。標題的措辭暗示，該實驗室不只是釋出另一個通用大型語言模型，而是一個針對代理行為最佳化的系統——換句話說，這是一個旨在進行規劃、呼叫工具、拆解任務並執行多步驟工作流程的模型。

這種區分很重要。在當前市場中，許多團隊評估模型時，已不再只看聊天品質或靜態基準分數。他們更關心它是否能在軟體產品中可靠地行動、連接企業系統，並在低監督下完成任務。一個專為 AI 代理 打造的模型，可能在某些語言基準上不如更大的競爭者，但如果它的工具使用錯誤更少，或在大規模運行時更便宜，那麼在產品環境中反而可能更有用。

目前可得的證據無法確認 Agents-A1 與中國或全球其他開源版本相比處於什麼位置，也沒有提供技術論文或倉庫連結。在這些材料可取得之前，最安全的做法是將這次發布視為一個被報導的開源模型釋出，並帶有強烈的性能暗示，而非一個已完整記錄的競爭結果。

為什麼參數規模之爭現在仍然重要

標題中將 35B 模型與萬億參數系統作比較，觸及的是更廣泛的市場轉向。過去兩年，AI 競爭常被描述為規模競賽：更大的訓練、更多的參數，以及更龐大的基礎設施投入。但隨著部署擴大，超大型模型在成本與延遲上的權衡，已越來越難以忽視。

對企業 AI 買家而言，如果一個 35B 模型能以較低的服務成本、更容易的微調，以及更實際的本地部署或受控雲端部署方案，提供出色的代理表現，那它就會很有吸引力。對新創公司而言，較小的開源模型可以帶來更大的客製化空間，並減少受制於封閉供應商 API 定價與政策變動的風險。對研究人員來說，問題在於：架構選擇、訓練資料、強化學習策略，以及代理專用的後訓練，是否能彌補原始規模上的巨大差距。

這正是 Agents-A1 定位的真正意義。Shanghai AI Lab 正介入一場業界早已可見的辯論：使用者究竟需要最大型的模型，還是最適合特定工作流程的系統？在 程式碼助手 工具、研究副駕、瀏覽器代理與工作場域自動化產品中，答案往往是後者。

不過，萬億參數的比較仍應審慎解讀。單看參數量並不是能力的乾淨代理指標，而且許多前沿系統採用混合專家架構或未公開的最佳化，使得直接比較變得困難。在缺乏基準方法與任務層級證據的情況下，這類說法更像是一種定位聲明，而非已經定論的結論。

開源策略與競爭脈絡

如果這次開源發布能由程式碼或模型權重進一步證實，那麼 Agents-A1 將符合一個更廣泛的模式：中國研究實驗室與公司正透過開源分發來爭取開發者關注與生態採納。開源模型可以迅速在學術團隊、新創公司與希望更能控制客製化、資料處理與推理基礎設施的企業團隊中擴散。

對 Shanghai AI Lab 來說，開源 Agents-A1 可能同時達成多個目標：招募開發者、塑造 AI 代理的研究討論方向，以及證明代理能力可以在不追逐最大訓練規模的情況下提升。這樣的訊息，在許多團隊既想要強大的任務執行能力、又無法合理化前沿模型運營成本的市場中，會很有共鳴。

這次發布也落在一個競爭激烈的領域。開放權重與部分開放的替代方案持續以較低成本的實驗能力，對封閉平台形成壓力。與此同時，建置者仍會拿來與 OpenAI 和 Anthropic 這類系統做基準比較，因為這些供應商往往為工具呼叫與長程任務處理的可靠性設定標準。像 Agents-A1 這樣的新進者，不僅需要證明自己能解決基準任務，還要證明自己能在重複的代理循環與生產環境的邊緣案例中維持準確性。

這一點對企業 AI 尤其重要。採購團隊更在意的不是標題式比較，而是模型能否安全地存取內部知識庫、呼叫 API、遵守政策限制，並在工作流程中斷時恢復運作。

證據、宣稱，以及哪些仍未核實

本報導最大的限制在於證據基礎。來源群組只包含一則來自 36 Kr 的項目，而擷取出的正文不可用。這意味著在所提供材料中，幾項核心事實仍未被核實。

從來源筆記中可確認的是：36 Kr 報導 Shanghai AI Lab 開源了 Agents-A1，且該模型被描述為 35B 規模。也可確認的是，文章的敘事框架認為，這款模型在某種意義上可能與更大型的系統競爭，甚至超越它們。

在這個來源群組中無法確認的是：確切發布日期；是否同時提供權重與程式碼；具體的開源授權；基準名稱與分數；用於比較的萬億參數模型身分；硬體需求；支援的工具使用框架；上下文視窗；安全護欄；以及任何外部評估。

因此，標題中的任何性能暗示，在底層證據公開之前，都應視為供應商相關或媒體轉述的說法。如果 Shanghai AI Lab 已發布基準結果，在未經獨立複現之前，這些仍屬於供應商自述的基準。這一點很重要，因為代理評估對提示設定、工具配置、重試規則與環境設計尤其敏感。

對於將 Agents-A1 與 OpenAI、Anthropic 或其他開源模型生態系統做比較的讀者來說，缺乏詳細方法論是一個重大警示。在 AI 代理中，腳手架的微小變化都可能導致結果的大幅波動，因此沒有可重現設定的分數宣稱很難解讀。

這對建置者與企業意味著什麼

對建置者而言，Agents-A1 的傳出發布，最重要的是它傳遞出一個信號：針對代理的開源模型正在成為更明確的產品類別。通用大型語言模型可以被改造為程式碼助手或工作流程引擎，但一個專為代理行為訓練與調校的模型，可能降低提示工程的負擔，並提升多步驟任務的一致性。

這對延遲與成本受到嚴格限制的產品領域可能很重要。35B 系統可能比前沿規模的替代方案更容易自行託管，為受監管產業的內部部署，或希望擁有可預測推理經濟性的新創公司，打開大門。如果 Agents-A1 在工具使用、規劃與錯誤恢復方面確實表現強勁，它可能會對正在打造內部副駕、客服自動化或 工作場域自動化 系統的企業 AI 團隊具吸引力。

對企業買家而言，實務問題將會很直接。Agents-A1 能否與現有編排堆疊整合？它是否支援團隊已在使用的工具呼叫模式？它在高檢索需求的情境下表現如何？長任務鏈中的幻覺與失敗率是多少？而且，它能否像其他開源部署一樣受到治理？

對研究人員而言，更有意思的啟示在於方法論。如果一個 35B 模型能在代理任務上接近更大型系統，那將支持這樣的觀點：對某些用途而言，後訓練、環境設計，以及針對行動型任務的強化學習，可能與蠻力式預訓練規模一樣重要。但這個假設仍需要已發表的證據。

接下來要觀察什麼

最重要的後續訊號，是 Shanghai AI Lab 出現官方倉庫、模型卡或技術報告。這些材料能釐清 Agents-A1 在實務上是否真的屬於開放，以及支撐性能敘事的證據是什麼。

第二，要觀察獨立測試。來自研究人員、開源社群或企業開發者的第三方評估，遠比標題式比較更重要。在代理系統中，可重現的工具使用測試與長程工作流程基準尤其有價值。

第三，要觀察部署細節。如果 Agents-A1 能在對 35B 模型而言相對可近的基礎設施上運行，那將強化它在打造生產級 AI 代理團隊中的吸引力。如果它需要特殊的服務設定或大量最佳化才實際可用，採用率可能仍會受限。

最後，觀察該模型是否在特定應用層獲得動能，例如程式碼助手平台、企業內部 AI 副駕，或基於瀏覽器的代理。真正的採用，可能更取決於開發者能否在具體工作流程中獲得穩定行為，而不是行銷式比較。

Creati.ai 觀點

Agents-A1 的故事之所以重要，並不只是因為「35B 對萬億」這個標題，而是因為它反映了 AI 市場正在前進的方向。買家越來越關心有用的行動，而不只是更大的基礎模型。如果 Shanghai AI Lab 能證明 Agents-A1 以較低的運營成本，仍能提供可靠的工具使用與工作流程執行，這將對 AI 代理堆疊作出有意義的貢獻。

但就目前而言，這項主張仍超前於本來源組中可得的證據。對創辦人與產品團隊來說，正確的反應是保持好奇但不失紀律：追蹤發布，等工件出現後進行測試，並在你自己的任務上比較它。在企業 AI 中，贏家很少是標題最聳動的模型；真正勝出的，往往是在連接到真實系統、真實政策與真實失敗模式時仍能穩定運作的模型。