10月21日，上海人工智能实验室正式发布Sage-A1.5智能体模型。沐曦股份旗下曦云C系列GPU于同日完成对该模型的Day 0适配，成为率先支持Sage-A1.5的国产算力平台。此次适配以“上线即适配”的速度，再次在长程任务执行与开放式科学探索的前沿场景中展现了国产GPU的软硬协同能力。

Sage-A1.5的发布将智能体模型的能力边界从“回答已知问题”推向“开展可检验的科学探索”。其对多智能体并行协作、证据验证与策略反思的深度依赖，恰好与GPU集群的并行计算特性形成底层契合。沐曦曦云C系列GPU的Day 0适配，意味着这一前沿模型从发布首日即可在国产算力底座上运行与迭代，为国内研究机构与开发者提供了高效易用、可持续迭代的智能体研究基础设施。

此次Day 0适配的核心支撑，来自沐曦自研的MXMACA软件栈与曦云C系列GPU的“软硬一体”协同。MXMACA全链路覆盖底层驱动、用户态接口、MXCC编译器、算子深度适配及主流训练/推理框架对接，兼容国际主流生态，已实现对6000多个开源项目、1000多款AI模型的原生支持，可将传统模型适配周期从数周压缩至小时级。

自2025年12月以来，沐曦股份已完成44个主流旗舰模型的Day 0适配。范围涵盖智谱、阿里千问、MiniMax、DeepSeek、阶跃星辰、腾讯混元等头部模型厂商，适配速度、数量、生态广度均位居行业前列。沐曦股份将持续深化与国内顶尖AI团队的技术协同，依托自研高性能GPU与MXMACA软件栈的软硬协同优势，加速覆盖更多前沿大模型与创新应用场景，以“硬件算力+软件生态”的全栈能力，为国产大模型的快速迭代与产业化落地筑牢算力底座。

关于Sage-A1.5

Sage‑A1.5 是上海人工智能实验室推出的 35B 混合专家（MoE）智能体模型，旨在通过自适应能力组合推动长周期科学问题的解决。在 A1 的基础上，Sage‑A1.5 不仅学会了求解单个任务，还能在执行过程中组织工作流程并动态调整策略，突出体现了三大核心能力：智能体编排、验证与开放科学发现。

首先，智能体编排通过任务委派以及具有隔离上下文的子智能体之间的并行协作，扩展了单智能体的执行能力，使得复杂任务能够被分解并发处理，同时减少并发子智能体之间的相互干扰。其次，智能体验证通过进度检查、证据校验和反思性策略修订，增强了长周期任务的可靠性，使 Sage‑A1.5 能够识别无效的搜索路径并转向替代方案。此外，开放科学发现将智能体能力从回答预定义问题扩展到开展探索性研究，将科学探究与交互式分析及可审查的研究产物相结合。

能力亮点

l 智能体编排：协调具有独立上下文的子智能体进行并行研究，使其能够质疑假设、通过证据完善结论，并将各自发现综合为全面的结果。

l 验证模式：一种可选的自我审查能力，内嵌于模型自身的思维链中——模型在执行过程中暂停，回顾已确立的内容和失败的尝试，然后在同一轮次中基于修正后的方向采取行动，无需外部评判器。

l 智能体推理：Sage-A1.5 擅长将复杂任务分解为可执行的子步骤，进行前瞻性规划，并根据中间结果动态调整策略。

l 工具使用：原生支持函数调用和工具集成，能够与 API、代码解释器、搜索引擎及其他外部工具无缝交互。

l 科学与专业推理：具备工具集成的科学推理能力和专业知识问答能力。

l 指令遵循：能够在不同领域中精确遵循包含多重约束的详细指令。

性能表现

研发团队在六个方向的实际智能体和研究导向工作流中对 Sage-A1.5 进行了评估——长程搜索、工程任务、指令遵循、科学研究、通用智能体任务和科学智能体任务。尽管属于约 35B 参数规模的模型类别，Sage-A1.5 在面对 Kimi-K3、GLM-5.3 和 GPT-5.6-sol 等前沿规模系统时仍展现出极具竞争力的性能。

它在 XBench-DS-2510（92.0）、IFBench（81.6）、PinchBench（90.0）、FrontierScience-Olympiad（81.0）、FrontierScience-Research（48.3）、CMT（80.0）和 OmniDocBench（91.5）上取得了全面的最先进（SOTA）成绩，并在 GAIA 上达到 95.1 分——高于研发团队对比的所有更大规模模型。在同级别约 35B 参数的模型中，它在广泛的任务上排名第一，包括 BrowseComp（81.7）、SWE-bench Pro（61.2）、MLE-Lite（65.2）、SciCode（44.3，与 Agents-A1 并列）、AA-LCR（81.0）、HLE w/ tools（55.1）、VitaBench（45.4）和 ChemCOTBench（66.5）。与 A1 相比，它在工程和智能体工作负载上有了显著提升（SWE-bench Pro +17.6，SWE-bench Multilingual +14.0，PinchBench +13.1，MLE-Lite +21.3）。

这些结果表明，Sage-A1.5 结合了强大的长程搜索能力、稳健的科学推理能力和可靠的指令遵循能力，使其成为一个功能强大且高效的智能体模型，缩小了与更大规模前沿模型之间的差距。

开源链接：

Hugging Face：

https://huggingface.co/InternScience/Sage-A1.5

ModelScope：

https://www.modelscope.cn/models/InternScience/Sage-A1.5