面向科研与工程工作流的 Agentic 基础大模型 · 上海人工智能实验室 × 复旦大学
744B MoE · 256K 上下文 · MIT 开源它不是聊天模型的升级，而是一次「换赛道」的后训练。
Atria Dawn Preview 在 GLM-5.2 744B MoE 底座上做 agentic 后训练，把模型从「会对话」推向「能交付」——读论文、写代码、跑实验、改漏洞，全程由外部证据验证结果，而不是靠模型自己说算。
每个训练任务都跑在真实执行环境里，只有「结果被外部信号证实」的经验才被保留。
rollout 中模型像真 agent 一样在环境里犯错、收反馈、再调整，不是静态语料里的文本模仿。
可执行测试、实验指标、文件与应用状态、几何检查、来源证据、或人工定义标准——任一通过才算数。
删除不完整、自相矛盾、重复或行为无效的样本，只保留「任务 ↔ 轨迹 ↔ 产物 ↔ 验证证据」的完整链路。
工具选错、验证不全、证据缺失、恢复失败——这些反复出现的问题反过来构造新任务和质量检查。失败样本在结果可独立确认时也作诊断用例。
强项集中在验证信号最廉价的地方：检索、工具调用、安全。通用推理未测。
蓝 = Atria 自报 · 紫 = 该项官方对比中最高分（BrowseComp: Atria 92.5；SWE-bench Pro: Claude Opus 5 的 74.7）
检索与组织证据、深度研究，把研究问题转成可执行的实验计划。DeepSearchQA 96.0 / BrowseComp 92.5。
从需求描述出完整软件、交互应用、游戏、数据可视化、ML 系统。能跨文件改现有代码库。
文档、表格、会议记录 → 报告、方案、演示。Workspace-Bench 65.0 / JobBench 50.3。
授权环境下：分析攻击面 → 定位漏洞 → 利用 → 修复 → 复验。CyberGym 86.5。
769 份任务记录、56 位参与者、Atria 自研过程的现场统计——agent 提案，人类拍板。
国际 api.atria-asi.ai · 中国 discovery.intern-ai.org.cn
OpenAI 兼容：Chat Completions / Messages / Responses 三套，支持流式。Bearer 鉴权。
HF / ModelScope 下权重（BF16 ≈1.5TB，FP8 ≈756GB），vLLM ≥0.23 或 SGLang 自托管，MIT 许可可商用。
官方列出 Codex 与 Claude Code 两种 harness 兼容。Codex 侧需在 catalog 声明 input_modalities: ["text"]，否则贴图会 400。
纯文本模型，别发图；长输入留好输出预算；截至 2026-09 发布时两端点均无公开定价与 SLA，生产可靠性取决于自托管。
长程多步 agent 流：文献综述 → 实验设计 → 代码实现；研究型浏览与检索；授权环境漏洞分析；桌面自动化；需要 MIT 开源自托管的团队。
要视觉/音频输入的；要公开定价与 SLA 的生产 API；要 GPQA/HLE 类通用推理已验证成绩的；要第三方独立复现背书的——这些目前都没有。