3줄 요약
- Agents-A1은 상하이 인공지능연구소(Shanghai AI Laboratory)의 InternAgent 팀이
InternScience이름으로 공개한 롱 호라이즌(long-horizon) 에이전트 모델이다. 2026년 6월 26일 플래그십 35B-A3B MoE를 오픈소스로 낸 뒤, 7월 14일 약 4B 규모의 dense 버전 Agents-A1-4B를 추가했다. - 기술 보고서의 제목이 곧 핵심 주장이다 — “파라미터가 아니라 호라이즌을 키운다”(Scaling the Horizon, Not the Parameters). 장기 궤적과 이종(heterogeneous) 에이전트 능력을 함께 스케일링해서, 작은 모델로 훨씬 큰 모델급 성능에 닿는 것을 목표로 한다.
- 4B 모델은 BrowseComp 66.8, XBench-DS-2510 90.0, GAIA 95.1, IFEval 94.8 등에서 동급 크기 모델을 크게 앞서고, 일부 지표는 35B-A3B MoE 계열에 근접하거나 역전한다.
무엇을 공개했나
Agents-A1은 한 개의 모델이 아니라 계열(series)이다. 공개 타임라인은 이렇다.
- 2026.6.26 — 35B-A3B(활성 파라미터 약 3B) MoE 모델과, 일부 도메인의 평가 코드·기술 보고서를 오픈소스로 공개.
- 2026.7.2 — 양자화 변형 계열 공개.
mlx-community가 여러 규모의 양자화 버전을 제공해 맥에서도 구동 가능. - 2026.7.14 — 커뮤니티 요청에 따라 약 4B dense 모델 Agents-A1-4B 공개. “로컬 AI 비서를 더 빠르고 쉽게 만들 수 있게” 하는 것이 명분이다.
배포 아티팩트는 Hugging Face Transformers 포맷의 가중치·설정 파일이며, Transformers·vLLM·SGLang 등과 호환된다. 컨텍스트 길이는 262K 토큰, 추론 파서는 qwen3, 툴콜 파서는 qwen3_coder를 쓰도록 안내한다. 즉 Qwen 계열 아키텍처를 기반으로 삼았다.
핵심 아이디어 — 파라미터가 아니라 호라이즌
여기서 롱 호라이즌(long-horizon, 긴 지평)은 하나의 목표를 위해 여러 단계의 행동을 길게 이어가는 능력을 뜻한다. 검색 에이전트로 치면 검색 → 결과 읽기 → 부족하면 재검색 → 종합을 수십 번 반복하며 도중에 이탈하지 않고 끝까지 완수하는 힘이다. 얼마나 긴 문서를 한 번에 읽고 기억하느냐를 뜻하는 롱 컨텍스트(long-context)와는 다른 축이다 — 262K 토큰 컨텍스트가 후자라면, BrowseComp·GAIA 같은 벤치마크가 전자를 잰다. 모델 이름에 붙은 ‘호라이즌’은 파라미터 대신 이 지평의 길이를 키운다는 선언이다.
Agents-A1은 에이전트-호라이즌 스케일링을 두 방향에서 본다.
첫째, 장기 궤적(long-horizon trajectory)의 스케일링. 도메인에 뿌리내린 “지식-행동 인프라”(domain-grounded knowledge-action infrastructure)의 도움으로 학습한다. 이 인프라는 행동(action)·관측(observation)·검증 결과(verifier outcome)를 함께 구성해서, 에이전트가 문제를 풀어 나가는 과정 자체를 학습 가능한 목표(trainable target)로 바꾼다. 결과만이 아니라 중간 궤적을 학습 신호로 삼는 것이 핵심이다.
둘째, 이종 에이전트 능력의 스케일링. 롱 호라이즌 탐색(Long-horizon Search), 엔지니어링, 과학 연구, 지시 따르기(Instruction Following), 도구 호출(Tool-calling)처럼 성격이 다른 능력을 한 모델 안에 함께 키운다.
모델 카드가 내세우는 강점은 네 가지다.
- 에이전트적 추론 — 복잡한 과제를 실행 가능한 하위 단계로 분해하고, 미리 계획하며, 중간 결과에 따라 전략을 조정한다.
- 도구 사용 — 함수 호출과 도구 통합을 기본 지원해 API·코드 인터프리터·검색엔진 등 외부 도구와 맞물려 동작한다.
- 과학·전문 추론 — 도구를 결합한 과학적 추론과 전문 지식 질의응답을 다룬다.
- 지시 따르기 — 다중 제약이 걸린 세밀한 지시를 정확히 따른다.
3단계 학습 패러다임
이종 능력을 확장 가능하게 키우기 위해 3단계 훈련을 제안한다.
- 전(全) 도메인 지도 미세조정(full-domain SFT) — 베이스 모델을 넓은 에이전트 행동에 정렬한다.
- 도메인별 teacher 모델 학습 — 각 도메인의 전문성을 포착하는 교사 모델을 따로 훈련한다.
- multi-teacher multi-domain on-policy distillation — 여러 교사·여러 도메인에서 나온 지식을 on-policy 증류로 학생 모델에 옮긴다. 이때 이종성을 고려한 최적화(heterogeneity-aware optimization)로 도메인 간 지식 전이 효율을 높인다.
여러 도메인의 전문 교사를 하나의 범용 학생으로 증류하는 구조가, 작은 파라미터로 넓은 능력을 담는 방법론의 뼈대다.
성능
InternScience는 약 4B 파라미터의 dense 모델만으로도 롱 호라이즌 탐색, 엔지니어링·연구, 지시 따르기, 범용·과학 에이전트 과제에서 인상적인 성능을 낸다고 밝힌다. 동급 크기 모델을 크게 앞서고, 일부 점수는 Nex-N2-mini나 Qwen3.6 같은 더 큰 MoE 모델에 근접하거나 넘어선다는 것이다. 표에서 🥇는 해당 벤치마크에서 표 안 최고 점수를 뜻한다.
| 벤치마크 | Qwen3.5-4B | Agents-A1-4B | Qwen3.5 | Qwen3.6 | Nex-N2-mini | Agents-A1 |
|---|---|---|---|---|---|---|
| 모델 유형 | Dense 약 4B | Dense 약 4B | MoE 35B-A3B | MoE 35B-A3B | MoE 35B-A3B | MoE 35B-A3B |
| 🔍 롱 호라이즌 탐색 | ||||||
| BrowseComp | 47.2 | 66.8 | 61.0 | 67.9 | 74.1 | 🥇 75.5 |
| XBench-DS-2510 | 73.0 | 🥇 90.0 | 77.0 | 71.0 | 82.0 | 86.0 |
| Seal0 | 31.5 | 45.8 | 41.4 | 38.7 | 49.6 | 🥇 56.4 |
| GAIA | 58.3 | 95.1 | 59.8 | 78.6 | 82.5 | 🥇 96.0 |
| ⚙️ 엔지니어링·연구 | ||||||
| SciCode | 16.1 | 29.6 | 37.7 | 35.8 | 29.9 | 🥇 44.3 |
| MLE-Lite | 7.6 | 22.7 | 24.2 | 34.9 | 34.9 | 🥇 43.9 |
| LiveCodeBench-V6 | 55.8 | 59.6 | 76.2 | 🥇 78.1 | 59.1 | 76.2 |
| FrontierScience-Research | 1.7 | 33.3 | 2.5 | 2.9 | 5.0 | 🥇 40.0 |
| 📋 지시 따르기 | ||||||
| IFBench | 59.2 | 69.1 | 70.2 | 64.4 | 54.1 | 🥇 80.6 |
| LongBench-v2 | 50.0 | 52.1 | 59.0 | 57.7 | 59.6 | 🥇 60.2 |
| IFEval | 89.8 | 🥇 94.8 | 91.9 | 91.3 | 88.4 | 🥇 94.8 |
| 🤖 범용·과학 에이전트 | ||||||
| τ²-Bench | 79.9 | 78.2 | 🥇 81.2 | 79.0 | 74.5 | 79.8 |
| VitaBench | 22.0 | 🥇 40.3 | 31.9 | 35.6 | 23.0 | 38.8 |
| MatTools | 10.9 | 🥇 49.3 | 21.0 | 15.9 | 34.1 | 47.1 |
공정한 비교를 위해, 다른 모델의 점수는 각자의 원 기술 보고서 수치를 가져오고, 보고되지 않은 항목만 Agents-A1과 같은 평가 프로토콜로 재측정했다고 밝힌다.
사용법과 권장 설정
SGLang과 vLLM 양쪽의 서빙 명령을 제공한다. 표준 구성은 GPU 1장, 262K 컨텍스트다. 도구 호출을 켜려면 vLLM은 --enable-auto-tool-choice --tool-call-parser qwen3_coder를, SGLang은 --tool-call-parser qwen3_coder를 붙인다. 비전 인코더를 건너뛰어 KV 캐시 메모리를 아끼는 --language-model-only(text-only) 옵션도 있다.
로컬에서 돌릴 수 있나 — 그게 약 4B의 실익이다. 가중치만 따지면 FP16에서 약 8GB, 4비트 양자화에서는 약 2.5~3GB로, 8~16GB급 소비자 GPU나 애플 실리콘 맥이면 감당할 수 있다. 4B 공개의 명분 자체가 “로컬 AI 비서를 더 빠르고 쉽게” 만드는 것이었고, mlx-community가 여러 규모의 양자화 버전을 제공해 맥에서도 구동된다. 다만 함정은 컨텍스트다 — 이 모델의 강점인 262K를 다 채우면 KV 캐시가 가중치보다 훨씬 커진다. 짧은 대화용으로는 가볍지만, 풀 컨텍스트 리서치를 로컬에서 돌리려면 메모리 여유가 꽤 필요하다. 앞서 언급한 --language-model-only 옵션이 그 KV 캐시 부담을 덜기 위한 장치다.
권장 샘플링 파라미터는 다음과 같다.
temperature: 0.85top_p: 0.95top_k: 20min_p: 0.0presence_penalty: 1.1repetition_penalty: 1.0
권장 시스템 프롬프트는 모델을 “Intern-A1, 상하이 인공지능연구소 InternAgent 팀이 개발한 딥 리서치 비서"로 정의한다. 일상 대화·간단한 질문에는 도구 없이 바로 답하고, 최신 정보나 심층 조사·다중 출처 검증이 필요할 때만 tavily_search 도구를 쓰라고 지시한다. 처음에는 좁은 질의로 개요를 잡고, 부족하면 더 구체적인 용어로 재질의하며, 충분한 정보를 얻으면 과도한 조사 없이 멈추라는 검색 전략도 담겨 있다.
InternScience는 도구 사용·다단계 추론 등 에이전트 핵심 능력을 재현 가능하게 평가하는 통합 평가 프레임워크도 Agents-A1/evaluation에 함께 공개했다.
가장 눈여겨본 지점
내가 가장 눈여겨본 것은 FrontierScience-Research와 MatTools 두 줄이다. 전자에서 4B 모델은 33.3을 받는데, 같은 표의 Qwen3.5-4B는 1.7, 심지어 35B-A3B급인 Qwen3.5·Qwen3.6·Nex-N2-mini도 각각 2.5·2.9·5.0에 그친다. MatTools에서도 4B가 49.3으로, 15.9(Qwen3.6)나 21.0(Qwen3.5) 같은 훨씬 큰 MoE를 크게 앞선다.
이 격차는 파라미터 수로는 설명되지 않는다. 같은 4B라도 도메인 교사에서 증류한 전문성이 실제로 옮겨졌는지, 아니면 그 벤치마크 형식에 특화됐을 뿐인지가 이 모델의 진짜 시험대일 것이다. 한편 LiveCodeBench-V6나 τ²-Bench처럼 큰 모델이 여전히 우위인 항목도 남아 있어, “작은 모델이 호라이즌 스케일링으로 큰 모델을 따라잡는다"는 주장이 모든 도메인에서 균일하지는 않다는 점도 표가 함께 보여 준다.
출처
InternScience(상하이 인공지능연구소 InternAgent 팀), 모델 카드 Agents-A1-4B (2026.7.14 공개). 기술 보고서: Lei Bai 외, “Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent”, arXiv:2606.30616 (2026, cs.CL).
원문: https://modelscope.ai/models/InternScience/Agents-A1-4B/summary
(원문 모델 카드에는 인용할 이미지가 없어, 벤치마크 표만 마크다운으로 옮긴 텍스트 다이제스트다.)