9月15日消息，上海人工智能实验室发布并开源新一代智能体模型 Atria Dawn 预览版，定位长周期任务：研究人员和工程师把开放性问题交给它，由模型拆解目标、调用工具、执行多步任务并产出可验证的结果。模型基于 744B 参数的 MoE 架构 GLM-5.2 底座训练，上下文长度 256K，权重以 MIT 许可证在 Hugging Face 与 ModelScope 开放下载。官方公布的评测表显示，它在检索、工具调用与网络安全类基准上领先 DeepSeek V4 Pro、Kimi K3、Claude Opus 5 等旗舰模型，但在编码与通用办公交付任务上仍落后于 Claude Opus 5。 据报道，这项工作由上海人工智能实验室联合复旦大学、中国科学院软件研究所、中国人民大学、中国科学院自动化研究所、华东师范大学和哈尔滨工业大学共同完成。模型权重于9月13日上线 Hugging Face。Atria 这个名字取自南三角座最亮星，官方的中文名称沿用「Atria Dawn 预览版」。
744B 参数、MIT 许可，部署路径全部公开
Atria Dawn 预览版不是聊天模型。官方模型卡把它定位为面向长周期任务的新一代智能体模型，能力围绕四类场景组织：Discovery，检索并组织证据、把开放性研究问题转成可执行的实验计划；Creation，完成软件开发、交互应用、数据可视化与机器学习系统；Delivery，把文档、数据和设计需求交付成报告、演示文稿等结构化产物；Cybersecurity，在授权环境下分析安全问题、验证漏洞、应用修复并复验。
规格方面，模型总参数 744B，采用 MoE 架构，基座为 GLM-5.2，上下文 256K。模型卡标注它只接受文本输入，不支持图像等多模态内容；官方给出的 Claude Code 接入方案里，需要通过 hook 拦截多模态请求再转发。开源包含 BF16 全精度与 FP8 量化两套权重，本地部署支持 SGLang（v0.5.13.post1 及以上）与 vLLM（v0.23.0 及以上）。不自行架设集群的，可以通过官方 API（api.atria-asi.ai）或中文入口（discovery.intern-ai.org.cn）在线调用。 对国内开发者和企业，这组开源细节把获取门槛压低：MIT 许可证允许商用和二次改造，FP8 量化版降低显存开销，配合主流推理框架可以在自有算力上部署，数据不出域。
官方评测：检索、工具与安全领先，编码与办公落后
官方在模型卡中公布了与 DeepSeek V4 Pro 0813、Kimi K3、Qwen 3.8 Max、GLM 5.3、GPT 5.6 sol 和 Claude Opus 5 的对比评测。领先项集中在信息检索与智能体工具使用：DeepSearchQA 96.0，BrowseComp 92.5，BFCL v4 77.0，AutomationBench 53.8，CyberGym 86.5，SkillsBench 66.4，这几项在对比表中排第一。 落后项写在同一张表里。SWE-bench Pro 得分 59.6，低于 Claude Opus 5 的 74.7；Terminal-Bench 2.1 为 78.3，Claude Opus 5 达到 90.2；GDPval 得分 1583，Claude 为 1768；JobBench 50.3，低于 Claude Opus 5 的 68.0。DeepResearch Bench II 51.1，低于 Claude Opus 5 的 54.1。
这份评测是厂商自报口径，目前没有独立的第三方复测数据。
官方演示：1 分钟全球天气预测，20 分钟构建 MiniOS
官方技术报告给了三个演示。第一个面向科研：禁用联网搜索，只给模型 100GB 以上的全球气象数据，模型设计并训练了一个超过 4 亿参数的视觉骨干网络，完成 4.5 万步训练、学习 69 个气象变量后，1 分钟内给出未来一周的全球天气预测；官方称在该案例的评测设置下，部分预测指标优于英伟达 FourCastNet。第二个面向工程：从一段自然语言需求出发，20 分钟构建出可运行的 MiniOS 操作系统。第三个是安全：在隔离靶场里完成从漏洞发现、利用验证到修复与复验的完整流程。
官方报告还附了一组人机协作研究数据：在 769 条任务记录、56 名参与者的使用中，96.5% 的任务选择使用该模型；33.2% 的已完成任务被认为没有 AI 难以完成；64.6% 的方案由 AI 提出，但 85.5% 的最终选择由人作出；76.0% 的困难任务在人类介入后继续推进。这组数据出自同一份报告，样本为报告包含的研究。
官方自己划出的能力边界
把这张评测表放回当下「开源追平闭源」的常见叙事里，信息量集中在落后项。官方把编码（SWE-bench Pro、Terminal-Bench）与通用办公交付（GDPval、JobBench）上和 Claude Opus 5 的差距列在同一张表里。对选型的人，这张表本身就是使用说明：它适合研究与工程中步骤多、耗时长、依赖工具调用的任务，不适合当作全能旗舰的平替。
纯文本输入的取舍与这一定位一致。四类能力场景——检索证据、设计实验、写代码、交付报告——都以文本和工具循环为主，模型卡也没有把多模态列入规划；图像理解类任务仍需交给别的模型。
底座选择也写在明面上：官方写明它基于 GLM-5.2 底座训练。744B 参数的底座加上 MIT 许可，国内机构拿到的是一个可以自部署、可改造的完整起点，而不是只能调用 API 的黑盒。至于这批评测数字在独立复测下能保留多少，目前没有答案。
新一条线：研究、编码、检索
上海人工智能实验室过去一年的公开路线是「科学智能」：Intern-S1 与 Intern-S1-Pro 面向科学多模态，Intern-Discovery 平台承载跨学科、长周期的科学发现任务，Intern·Agent 框架覆盖化学、物理、生物等 12 类科研任务。Atria 把同样的长周期思路从科学场景推广到通用的研究与工程任务，检索、实验、编码、交付、漏洞验证被收进同一个模型的能力范围。
AI 速览
