Agents-A1とは？35BのMoEで1兆パラメータ級の性能に迫る理由

Agents-A1はInternScience公開の35B MoEモデル

Agents-A1は上海AI研究所（InternScience）が公開した、35BパラメータのMixture-of-Expertsモデルです。AIモデルは、パラメータ数（モデルが持つ重みの総数）を増やすほど性能が上がるとされてきました。しかし、Agents-A1はパラメータ数を35Bにとどめ、学習に使う軌跡を長くしています。

Agents-A1を開発したのは、中国の研究機関である上海AI研究所（InternScience）です。 論文はInternScienceという組織名で、arXiv 2606.30616として公開されました。

Agents-A1はMixture-of-Experts（MoE）構成で、35Bパラメータのオープンウェイト（重みが公開され、誰でも動作させることができるモデル）です。 ベースモデルにはQwen3.5-35B-A3Bが使われており、MoEはモデル全体を毎回すべて動作させるのではなく、必要な専門家だけを選んで計算するため、パラメータ総数のわりに計算コストを抑えられる構成です。

scaling the horizonで長い軌跡をMoEに学ばせる

Agents-A1の核心は、モデルの規模ではなく学習に使う軌跡の長さを伸ばしたことにあります。 論文の題名「Scaling the Horizon, Not the Parameters」も、パラメータではなく軌跡の長さを伸ばすという意味です。

論文は軌跡を長くしたことで、Agents-A1が1兆パラメータ級の性能に迫ったと報告しています。少ないパラメータで長い作業をこなすAgents-A1は、1.6兆パラメータの巨大MoEであるLongCat 2.0とは対照的です。

Agents-A1は平均45,000トークンにおよぶ長い「知識と行動の軌跡」で学習しています。 研究チームは、外部知識の参照・行動・観測・検証結果を連結した一連の流れを、そのまま学習データにしています。

学習は3段階で進み、全ドメインSFTとドメイン教師の訓練を経て、最後に多教師蒸留で複数の教師モデルが生成した回答を手本に1つの生徒モデルへ知識を圧縮して移します。 第1段階では全ドメインを対象にした教師あり微調整（SFT）で、ベースモデルにエージェントとしての振る舞いを幅広く身につけさせます。

第2段階では検索・科学推論・機械学習エンジニアリング・指示追従・ツール呼び出し・一般的なエージェントタスクという6つのドメインごとに専門の教師モデルを訓練し、第3段階では複数の教師モデルからドメインルーティングつきで蒸留を行い、6つの異なるドメインの知識を1つの生徒モデルへ統合します。第1段階のSFTだけでもおよそ10万件の長期軌跡を使っており、学習データの規模自体も小さくありません。

1兆パラメータ級KimiとのAIモデル性能比較

Agents-A1は1兆パラメータ級のKimi-K2.6・DeepSeek-V4-proと比較して、指標によって優位だった場合と拮抗した場合の両方があります。 論文は規模がはるかに大きい2つのモデルとの比較を報告しており、5指標で上回り3指標は拮抗しています。

論文のアブストラクトは、SEAL-0・IFBench・HiPhO・FrontierScience-Olympiad・MolBench-Bindの5指標で、Agents-A1が1兆パラメータ級モデルを超えたと報告しています。 具体的な数値は、SEAL-0（56.4）・IFBench（80.6）・HiPhO（46.4）です。

5指標のうち残る2つは、FrontierScience-Olympiad（79.0）とMolBench-Bind（56.8）です。長期探索・指示追従・科学推論の指標で、1兆パラメータ級モデルを上回る結果が出ています。

SciCode・HLE・BrowseCompの3指標は、拮抗にとどまったとアブストラクトは書いています。 具体的な数値はSciCode（44.3）・HLE（47.6）・BrowseComp（75.5）で、35Bの規模で1兆パラメータ級のモデルにすべての指標で追いついたわけではありません。

無料のオープンソースLLM Hugging Faceで商用利用も可

Agents-A1はApache 2.0ライセンスで公開され、商用利用を含めて無料で使うことができるモデルです。 考え方だけでなくモデルの重みそのものも公開されています。

Agents-A1の重みはApache 2.0ライセンスで公開され、商用利用を含めて幅広く使うことができます。 モデル形式はSafetensors、テンソル型はBF16です。

モデルはHugging Face（InternScience/Agents-A1）と、GitHub（InternScience/Agents-A1）の両方で配布されています。GitHubではモデル本体に加えて評価コードと技術報告書も公開されており、論文の数値をローカル環境で再現できるかどうかを、自分で検証することができます。

4Bパラメータの小型版は、初回公開から約2週間半後の2026年7月14日に追加公開されました。 初回公開は2026年6月26日で、35Bのフルサイズだけでなく軽量な環境で試したい読者向けの選択肢も用意されています。

長い軌跡を学ばせれば35Bでも1兆級に迫る

Agents-A1は「パラメータを増やす」以外に「学習させる軌跡を長くする」という選択肢を、35Bのオープンウェイトモデルとして実証した研究です。 1兆パラメータ級のKimi-K2.6・DeepSeek-V4-proと比較すると、Agents-A1が上回った指標もあれば拮抗にとどまった指標もあり、すべての指標で勝ったわけではありません。

それでもApache 2.0ライセンスで誰でも試すことができるモデルとして公開されているため、長い軌跡で学ばせる方法が自分の用途で通用するかは、実際に動作させてチェックすることができます。小型のモデルでも長い作業の流れを学ばせれば、実務で使うことができる性能になるという考え方は、ローカル環境で軽量なモデルを実務に使うM2 MacでのローカルLLMコーディング、最先端モデルの約75%にとも通じます。