清华大学自然语言处理实验室（THUNLP）、中国人民大学、面壁智能（ModelBest）与OpenBMB开源社区联合发布并开源了端侧智能体模型AgentCPM-Explore。

该模型仅凭4B参数规模便在深度探索类任务上取得了同尺寸模型的SOTA（State Of The Art）表现，甚至越级赶超了8B级模型，在部分指标上比肩30B级乃至闭源大模型。

大模型的长程任务处理能力真正有望走出数据中心，部署于你我的终端设备之上了。

端侧小模型重塑智能体能力天花板

AgentCPM-Explore只是一个4B参数量的端侧模型，首度具备了处理GAIA、Xbench、Browsercomp等8个长难智能体任务的能力。

在各类主流智能体评测基准上，AgentCPM-Explore展现出了惊人的能力密度。

它在GAIA、HLE、Browsercomp、WebWalker、FRAMES、Seal-0等榜单上均表现出色。

这种表现不仅横扫了同尺寸模型，更在实际效果上超越了两倍参数量的8B级SOTA模型。

在某些特定任务中，它甚至能与30B级以上的大模型掰手腕。

特别值得关注的是在Xbench-DeepResearch这一高难度任务上的表现。

深度搜索任务通常存在较大的采样波动，波动幅度有时可达20%。

为了提供最真实、可复现的性能对比，AgentCPM-Explore采用了高标准的Avg@8评测设定。

相比业界常用的单次或3次设定，这种方法将波动误差控制在2%以内。

在如此严苛的条件下，AgentCPM-Explore的表现超越了OpenAI-o3和Claude-4.5-Sonnet等知名闭源大模型，显著高出了不同量级SOTA模型的表现趋势线。

这种能力的提升并非仅体现在分数的增加，更体现在能力边界的拓展。

在GAIA评测中，4B端侧模型展现出了解决几乎全部题目的潜力。

基于AgentDock和AgentRL基建下的稳定后训练，AgentCPM-Explore实现了相较于Qwen3-4B-thinking-2507的成倍效果跃升。

在允许多次尝试的情况下，它能够解决GAIA文本任务中95%以上的题目。

只要配合正确的训练框架，端侧模型完全具备解决绝大多数复杂难题的资质。

像人类专家一样思考与自我纠错

AgentCPM-Explore最令人印象深刻的特质在于其展现出的类人思考逻辑。

在深度探索任务中，它彻底打破了小模型只会死记硬背的刻板印象。

它不再是一个简单的指令执行器，而更像是一位经验丰富、懂得反思的人类研究员。

最高可实现超过100轮不重复且稳定的环境交互，持续深度探索直至任务准确完成，这种长程续航能力在小模型中极为罕见。

让我们通过一个具体的案例来观察这种智能行为。

例如，面对“美国历届总统的出生地中，哪两个城市之间东西相距最远？”这样一个复杂的地理历史难题，AgentCPM-Explore展现出了一套完整的思维链条。

它首先学会了质疑。模型拒绝盲目信任工具返回的初步结果。

当它发现摘要中将Brookline, MA（马萨诸塞州布鲁克兰）列为最东端时，它并没有直接采纳，而是敏锐地判断摘要可能遗漏了关键信息。基于这种判断，它果断要求重新核查全量数据，展现出了极强的审辩式思维。

随后，它开始求真。模型不满足于被压缩过的二手信息，而是主动寻找完整版的原始数据，以确保最终决策是基于事实全貌做出的。这种对原始信源的执着，是高质量智能体的重要特征。

在探索过程中，它还非常懂变通。当通用的搜索引擎无法提供准确答案时，它会尝试爬取表格数据；当路径行不通时，它会转而搜索数据库。从通用搜索到GitHub精准定位，模型能根据环境反馈实时调整战术，展现出了极高的策略灵活性。

最后，它表现得十分执着。面对连续的搜索无果，模型没有气馁或产生幻觉，而是不断寻找替代信源，直到挖掘出最可靠的数据源为止。这种在长程任务中保持目标一致性和行动稳定性的能力，正是区分普通模型与优秀智能体的关键分水岭。

三大核心技术突破参数规模限制

4B模型有限的参数容量在面对长周期、多交互的智能体任务时，容错空间极低。

研发团队在实战中发现了提升小模型智能体性能的三大核心挑战，并针对性地探索出了行之有效的技术方案。

首要挑战是以模型融合破解SFT（监督微调）过拟合。

小模型在SFT阶段极易陷入死记硬背的陷阱。

团队经过实验发现，仅仅调整Prompt中无关的工具描述，模型的性能就会出现大幅下滑。

这是典型的过拟合症状：模型牺牲了通用的决策能力，转而记住了特定的任务模式。

为了解决这一问题，团队采用了参数融合技术，将训练后的专用模型与训练前的通用模型进行加权融合。

其背后的逻辑相当精妙：通专模型一致的泛化参数得以保留，互补的专业能力得以强化，而因过拟合产生的随机噪音参数则在融合中相互抵消。

实测结果显示，融合后的模型在智能体任务上性能提升约7%，有效地实现了通用能力与专业能力的平衡。

其次是以信号去噪修正RL（强化学习）奖励偏差。

智能体任务的轨迹动辄数十步，小模型对长链路中的负面信号极其敏感。一旦长序列在最后一步出错，传统的RL算法会将惩罚回传至整条链路，导致中间正确的推理步骤也被误杀，最终致使模型训练崩塌。

针对这一难题，团队实施了严格的奖励信号去噪策略。

该策略筛选真正具备策略更新价值的轨迹，对于那些长步骤但最终失败的样本，不进行全轨迹惩罚。

这种做法避免了负面信号污染模型已学到的正确推理逻辑，极好地保护了小模型脆弱的训练过程。

最后是以信息精炼对抗推理长文干扰。

在模型推理时，网页返回的冗长内容中夹杂着大量噪音，这对小模型的注意力分配构成了巨大挑战。

对比实验表明，使用不同能力的模型（如Qwen3-4B对比DeepSeek-v3.1）对上下文进行摘要，最终GAIA性能差异可达10%。

为此，团队引入了上下文信息精炼机制，利用上下文管理工具或多模型协作的方式专门负责网页内容的过滤与摘要。

在信息进入4B模型前完成第一轮过滤，构建出一个高质量的学习环境，让小模型能聚焦于关键信息的处理，避免在海量噪声中迷失方向。

全栈开源构建智能体开发新范式

研发团队不仅开源了模型权重，更开源了从Base模型（GAIA 25.24%）进化至SOTA模型（GAIA 63.90%）的全流程代码。

通过三大基建的开源，开发者可以轻松复现性能翻倍的训练过程，并快速实现私有化部署与自定义扩展。

AgentDock作为工具沙盒统一管理调度平台，解决了智能体开发中的基建难题。

它原生支持16个MCP（Model Context Protocol）服务及百余种工具。

通过多版本轮询与负载均衡机制，支持核心高频使用工具实现100+QPS的高并发调用。

在容错机制上，它实现了输出标准化、自动重试、服务自愈及备用工具自动切换，确保长程任务持续运行的稳定性。

对于开发者而言，它实现了任务分发、容器编排与动态路由的统一管控，智能体所在客户端仅需关注能力接口，无需处理复杂的网络与并发细节，支持工具热插拔与弹性扩缩容。

AgentRL是一个极简高效的异步强化学习框架。

它的接入门槛极低，只需标准ChatCompletions接口即可无缝接入训练流程。

其核心实现极其精简，仅包含7个文件、1000多行代码，这极大降低了学习与二次开发的门槛，方便研究者快速验证新想法。

AgentRL支持采样与训练在同一GPU上全异步流水线运行，极致压榨硬件性能。

同时，它实现了训采完全解耦，采样进程可独立扩缩容，兼容PyTorch原生并行及FSDP2/Tensor Parallel/Context Parallel，轻松支持128K+长文本训练。

AgentToLeaP则是智能体能力的一键式评测平台。

它支持GAIA、HLE等8个主流榜单的一键测评，一行命令即可启动全流程评测。

该平台采用模块化扩展设计，评测集独立管理，结果统一输出。

开发者可参考文档，轻松接入自定义测试集，大大提升了评测效率。

从模型到训练框架，再到评测平台，AgentCPM-Explore开源，其实是一次对端侧智能体可能性的全面探索。

参考资料：

https://github.com/OpenBMB/AgentCPM

https://modelscope.cn/models/OpenBMB/AgentCPM-Explore/

https://huggingface.co/openbmb/AgentCPM-Explore