腾讯最新论文展示了一个仅有1.96B参数的语言模型，通过从零开始训练，就能够像agent一样进行规划、推理和工具调用。这篇论文的核心亮点在于，它证明小模型可以在预训练阶段就被“教导”出agentic行为——模型学会将任务分解成多个步骤、调用工具、在长流程中跟踪状态并进行自我纠错，而不是仅在指令微调后才“听起来很有帮助”。该模型通过Multi-Latent Attention机制压缩历史记忆（KV缓存），实现了128K的长上下文处理能力，从而能一次性读取大量输入文本。它针对的主要问题是：小模型在单轮问答中表现尚可，但一旦任务变长就容易“断线”或丢失上下文。

不同于直接蒸馏大模型的做法，该论文的训练策略逐步转变：先从日常文本开始，然后转向数学和代码领域，最后进入agent轨迹（agent trajectories）训练。每条agent轨迹都被设计成完整的工作流形式，明确分为分析（analysis）、计划（plan）、行动（action，包括工具调用）、自我检查（self-check）和总结（summary）五个部分。研究团队为多种场景生成了这些工作流，包括数学求解、真实GitHub仓库的代码修复、带搜索工具的深度研究以及通用工具调用。通过“agentic中训练”（agentic mid-training），模型在预训练过程中大量学习这些完整工作流，从而将规划和错误修正内化为自然行为。

在SWE-Bench Verified（GitHub真实bug修复基准）上，加入agentic中训练后，模型成功率从12.4%提升至17.7%，展现出显著进步。

https://arxiv.org/pdf/2512.22047

阿里的MAI-UI-2B是一个专为gui agent设计的2B参数基础模型，基于Qwen3-VL骨干，针对真实世界移动交互场景优化。该模型通过自进化数据管道扩展导航数据，融入用户交互（ask_user）和多模态控制协议（MCP）工具调用，支持点击、滑动、输入、询问用户、MCP调用和回答等扩展动作空间，实现超越UI的操作。其创新包括本地设备-云协作系统，根据任务状态和数据敏感度动态路由执行，提升设备端性能33%并减少云调用超过40%；此外，采用在线强化学习框架，扩展并行环境至512并增加步骤预算至50，显著提升鲁棒性。实验中，MAI-UI-2B在AndroidWorld上达到49.1%成功率，相对提升75.4%，在ScreenSpot-Pro等GUI grounding基准上也超越Gemini-3-Pro等模型，标志着高效、可扩展gui agent的重大进步。

https://arxiv.org/abs/2512.24618

基于这些资料，我更坚定地认为未来是混合模式：大基座统领多小模型，形成MoE（Mixture of Experts）式生态。为什么？小模型的崛起不是孤例，NVIDIA的论文《Small Language Models are the Future of Agentic AI》（arXiv:2506.02153）直接支持：SLMs（小模型）更适合Agentic AI，因为它们高效、经济，能替换40-70%的LLM调用。

小模型优势（从腾讯/阿里可见）：

• 专精与分布式：如Youtu-LLM的Agent轨迹训练，MAI-UI的GUI优化。小模型像“乐高积木”——一个管视觉，一个管工具，鲁棒性强、隐私好。NVIDIA指出，SLMs在重复任务中性能媲美LLMs，但推理延迟低、部署易。
• 经济性：参数少，跑在边缘设备，成本降80%以上。X上讨论提到，小模型开源友好，社区能快速迭代。

大基座优势：

• 统一协调：如Qwen-Max或Llama-405B，负责任务路由、复杂推理。IBM报告预测：大模型做“统帅”，小模型做“士兵”。

趋势预测：

• 混合时代：NVIDIA倡导异构系统——SLMs默认，LLMs选调用。Red Hat认为，企业不需要“一刀切”大模型，小模型更可定制。 腾讯小模型可做执行层，阿里MAI-UI做端侧代理，大基座云端规划。
• 挑战与机遇：协调开销需优化（如MoE架构）。X帖子提到，多小模型在idea生成和研究中可能超大模型，但需支持生态。

总之，这些资料让我看到，小模型的“干大事”潜力正重塑Agent开发。纯小模型适合轻量场景，纯大基座适合复杂决策，但主流将是“大统领小”。开发者们，不妨从腾讯/阿里开源起步，构建混合Agent！

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓