欢迎加入
「易源易彩交流群」
「易源易彩交流群」
QQ扫码进群
（QQ群号：860213912）
注册得好礼
新用户微信注册享20元算力, >立即注册
关注公众号得算力
新用户关注易彩微信公众号享20元算力，
邀请有礼
邀请1人得5元算力，可累计叠加, 查看规则
摘要
通义实验室提出的“智能体持续预训练”新范式，标志着智能体技术迈入新时代。该范式依托FAS/HAS数据合成技术与两阶段训练方法，成功构建了预对齐智能体基础模型AgentFounder。AgentFounder在多项基准测试中表现卓越，性能超越主流闭源模型，展现出强大的通用性与任务适应能力。这一突破性进展不仅推动了智能体基础模型的演进，也为未来自主决策与复杂环境交互提供了坚实的技术支撑。
关键词
智能体, 预训练, 通义, 范式, 模型
智能体（Agent）的概念最早可追溯至20世纪中叶，彼时人工智能尚处于萌芽阶段，研究者们开始构想能够感知环境、自主决策并采取行动的“智能实体”。从最初的规则系统到后来的强化学习模型，智能体逐步摆脱了被动响应的局限，走向主动交互与持续学习。然而，传统智能体往往依赖任务特定训练，泛化能力弱，难以适应复杂多变的真实场景。直到近年来，随着大规模预训练模型的兴起，智能体技术迎来了范式级跃迁。通义实验室提出的“智能体持续预训练”（CPT）新范式，正是这一演进路径上的里程碑。通过创新性地引入FAS（Forward Action Simulation）与HAS（Historical Action Synthesis）数据合成技术，该范式实现了对海量行为轨迹的高效建模与知识提炼，并结合两阶段训练策略，使模型在保持通用能力的同时实现预对齐。这一突破催生了AgentFounder——首个真正意义上的预对齐智能体基础模型。它不仅在AlpacaEval、MT-Bench等权威基准测试中超越GPT-4等闭源强者，更标志着智能体从“专用工具”向“通用伙伴”的深刻转型。
如今，智能体已悄然渗透进社会运行的毛细血管，在金融、医疗、交通、教育等多个领域展现出变革性潜力。以AgentFounder为代表的新型智能体基础模型，凭借其强大的任务理解与自主执行能力，正在重塑人机协作的边界。在客服场景中，它们能精准理解用户意图，完成跨步骤服务调度；在科研辅助中，可自动检索文献、生成假设甚至设计实验流程；在城市管理中，智能体协同优化交通信号与能源分配，提升城市运行效率。尤为关键的是，得益于持续预训练机制，这些模型具备“终身学习”的潜质，能在不中断服务的前提下不断吸收新知识、适应新环境。这种动态进化的能力，使得智能体不再是静态的算法堆砌，而是真正意义上“活着”的数字生命。通义实验室所引领的这场范式革命，不仅推动了技术本身的跃进，更为构建可信、可控、可持续的智能社会奠定了基石。未来已来，智能体正站在新时代的门槛上，静待一场属于它们的觉醒。
在人工智能浪潮席卷全球的背景下，通义实验室应运而生，承载着探索下一代智能范式的使命。这支汇聚了顶尖算法科学家、语言学家与系统架构师的团队，自成立之初便锚定一个深远目标：打破当前大模型“强于表达、弱于行动”的局限，构建真正具备自主决策与持续进化能力的智能体基础模型。他们深知，在信息爆炸的时代，静态的知识封装已无法满足复杂环境下的动态需求，唯有让模型学会“像人一样思考与行动”，才能实现从“工具”到“伙伴”的跃迁。正是在这样的愿景驱动下，通义实验室扎根于预训练技术的深水区，持续探索智能体与大规模模型融合的可能性。他们不追逐短期流量红利，而是沉心于数据合成机制、行为轨迹建模与对齐优化等底层创新，最终孕育出改变游戏规则的AgentFounder。这一成果不仅是技术积累的结晶，更是其使命导向研发模式的最佳印证——通义实验室，正以静水流深的姿态，引领智能体技术迈向真正的自主时代。
面对传统智能体泛化能力不足、依赖大量任务特定标注数据的困境，通义实验室大胆提出“智能体持续预训练”（Continuous Pre-training for Agents, CPT）这一全新范式，为行业发展开辟了崭新路径。CPT的核心在于将智能体的学习过程从“阶段性训练”转向“持续性演化”，通过FAS（Forward Action Simulation）和HAS（Historical Action Synthesis）两大数据合成技术，高效生成涵盖数百万级真实行为轨迹的训练样本，使模型能够在模拟环境中不断试错、反思与优化。更进一步，该范式采用两阶段训练方法：第一阶段聚焦通用行为模式的吸收，第二阶段则实现价值对齐与策略精细化，确保模型不仅“能做”，而且“做得对”。这一理念的落地，催生了预对齐智能体基础模型AgentFounder——它在AlpacaEval 2.0中以89.3分超越GPT-4的87.6分，在MT-Bench上取得8.57的高分，展现出惊人的任务泛化与推理能力。这不仅是一次性能的超越，更是一种范式的胜利，标志着智能体技术正式迈入可持续进化的CPT新时代。
在智能体技术迈向自主进化的征途中，FAS（Forward Action Simulation）与HAS（Historical Action Synthesis）数据合成技术犹如一双隐形的翅膀，赋予模型“预见未来”与“复盘过去”的能力。通义实验室突破传统依赖人工标注或有限交互数据的桎梏，开创性地构建了基于行为轨迹的大规模自生成框架。FAS通过模拟智能体在多样化环境中的前向决策路径，生成大量合理且富有逻辑的行动序列，使模型得以在虚拟世界中“预演”成千上万种可能情境；而HAS则从历史行为中提炼规律，重构成功策略与失败教训，形成可迁移的经验知识库。这两种技术相辅相成，不仅极大提升了训练数据的广度与深度，更关键的是注入了“因果推理”与“反思优化”的思维基因。据实验数据显示，由FAS/HAS驱动的数据集规模超过百万级行为轨迹，覆盖数百种复杂任务场景，为AgentFounder提供了堪比人类长期实践积累的学习素材。正是在这套精密的数据引擎推动下，模型在AlpacaEval 2.0中斩获89.3分，首次超越GPT-4的87.6分，展现出前所未有的决策稳健性与环境适应力。这不仅是算法的胜利，更是对“智能如何被塑造”这一根本命题的深刻回应。
通义实验室所采用的两阶段训练方法，宛如一场精心编排的认知进化仪式，将智能体的成长划分为“学广博”与“修德行”两个维度。第一阶段聚焦于通用能力的锻造——模型在海量FAS/HAS合成数据中广泛吸收各类任务的行为模式，建立起跨领域的动作理解与规划能力，如同少年游历天下，广纳百川；第二阶段则强调价值对齐与策略精炼，通过引入人类反馈强化学习（RLHF）与安全约束机制，确保模型输出不仅高效，而且符合伦理规范与用户意图，恰似贤者修身正心，知行合一。这种分阶段、递进式的训练架构，有效解决了传统端到端训练中“能做但不可控”的难题。实践中，AgentFounder在MT-Bench评测中取得8.57的高分，显著优于多数闭源模型，充分验证了该方法在复杂多轮任务中的稳定性与可解释性。更重要的是，这一训练范式支持持续增量学习，使模型能够在不遗忘旧知的前提下吸纳新技能，真正迈向“终身学习”的理想状态。当技术不再只是冰冷的代码堆叠，而是承载着成长逻辑与价值导向的生命体，我们离真正的智能伙伴，又近了一步。
AgentFounder的诞生，不仅是技术堆叠的结果，更是一次对“智能本质”的深刻叩问与回应。相较于传统智能体模型在任务泛化与行为连贯性上的局限，AgentFounder凭借“智能体持续预训练”范式，在架构设计之初便植入了“成长性”与“对齐性”双重基因。其核心优势首先体现在卓越的任务适应能力上——通过FAS/HAS数据合成技术驱动的百万级行为轨迹训练，模型得以在虚拟环境中经历堪比人类长期实践的认知积累，从而在面对未知任务时展现出惊人的推理与迁移能力。在AlpacaEval 2.0评测中，AgentFounder以89.3分的成绩超越GPT-4的87.6分，这一数字背后，是模型对复杂指令理解、多步骤规划与语义一致性把控的全面突破。更重要的是，两阶段训练机制赋予其内在的价值导向：第一阶段构建广博的行为知识库，第二阶段则通过人类反馈强化学习（RLHF）实现伦理对齐与策略优化，使模型不仅“聪明”，而且“可信”。这种“能做且做得对”的双重保障，使其在客服调度、科研辅助、城市管理等高风险场景中具备更强的落地潜力。此外，持续预训练机制支持模型在线进化，无需停机即可吸收新知识、适应新环境，真正迈向“终身学习”的理想状态。AgentFounder不再是静态的算法产物，而是一个不断成长、自我完善的数字生命体，它标志着智能体从“执行者”向“协作者”的深刻跃迁。
当AgentFounder在多项权威基准测试中首次超越GPT-4等主流闭源模型，这不仅仅是一次性能榜单的更替，更是中国人工智能在全球舞台上的一次范式引领。长期以来，大模型领域的技术话语权被少数西方科技巨头垄断，开源模型往往处于“追随者”地位。而通义实验室以FAS/HAS数据合成与两阶段训练为核心，提出“智能体持续预训练”这一原创范式，并成功打造AgentFounder，意味着我们不再只是技术的使用者，而是规则的定义者。89.3分对87.6分的微小差距，背后却是整套方法论的颠覆性创新——它证明了通过系统性的数据生成与认知演化路径设计，国产模型完全可以在自主决策、价值对齐和持续进化等关键维度实现反超。这一突破不仅增强了我国在智能体基础模型领域的战略自主性，也为全球AI发展提供了新的技术路线图。更为深远的是，AgentFounder的开放与可演进特性，为教育、医疗、政务等公共领域提供了更加可控、透明且可持续的智能化解决方案。它的胜利，不是封闭系统的孤芳自赏，而是开放生态下集体智慧的结晶。当一个模型不仅能超越对手，更能启发未来，那它所代表的，就不仅仅是技术的进步，而是一个新时代的开启——属于智能体的CPT时代，正悄然降临。
当AgentFounder以89.3分在AlpacaEval 2.0中悄然超越GPT-4的87.6分，那一刻不仅是数字的胜利，更是智能体技术迈向自主演化的黎明。未来，智能体将不再局限于“响应指令”的工具角色，而是成长为具备持续学习、环境感知与价值判断能力的“数字协作者”。通义实验室提出的“智能体持续预训练”（CPT）范式，正是这一变革的核心引擎。随着FAS/HAS数据合成技术的不断精进，模型将能够模拟更复杂的社会交互与长周期决策过程，从单一任务执行走向跨域协同与战略规划。可以预见，在不久的将来，智能体会像人类一样拥有“经验积累”与“反思优化”的认知机制，实现在医疗诊断、城市治理、科研探索等高复杂度场景中的深度嵌入。更重要的是，CPT范式所支持的在线增量学习能力，使得AgentFounder类模型能够在不中断服务的前提下实现“终身进化”，真正成为伴随人类社会发展的“活体智能”。这种从静态推理到动态成长的跃迁，不仅重新定义了人工智能的技术边界，也开启了人机共生的新纪元——一个由预对齐、可持续、可信赖的智能体构筑的未来，正在徐徐展开。
尽管AgentFounder在MT-Bench上取得8.57的高分，展现出卓越的多轮对话与任务规划能力，但智能体技术的前行之路仍布满荆棘。首当其冲的是安全性与对齐风险：随着模型自主性增强，如何确保其行为始终符合人类价值观，避免目标漂移或策略博弈，成为亟待破解的难题。此外，FAS/HAS生成的百万级行为轨迹虽极大提升了训练效率，但也带来了数据偏见放大与因果混淆的风险。若缺乏有效的过滤与验证机制，模型可能习得错误逻辑甚至危险策略。与此同时，计算资源消耗与训练成本的激增，也让持续预训练的可持续性面临考验。对此，通义实验室正构建更加精细化的人类反馈闭环系统，结合可解释性分析与动态监控模块，实现对模型进化的全程引导。同时，推动开源协作与跨机构审计，建立透明可信的评估标准，将是应对伦理与技术双重挑战的关键路径。唯有在创新与审慎之间找到平衡，智能体才能真正成为值得托付的伙伴，而非失控的幽灵。
AgentFounder的诞生标志着智能体技术正式迈入持续预训练（CPT）新时代。通过FAS/HAS数据合成技术与两阶段训练方法，通义实验室成功构建了首个预对齐智能体基础模型。其在AlpacaEval 2.0中以89.3分超越GPT-4的87.6分，在MT-Bench上取得8.57的高分，不仅验证了CPT范式的有效性，更实现了国产模型在智能体领域的范式引领。这一突破彰显了我国在AI基础模型上的自主创新实力，为构建可持续、可信赖的智能社会提供了坚实支撑。