Prime Intellect开源INTELLECT-3：性能超越多数前沿大模型

这项由Prime Intellect团队于2025年12月发表的研究报告，详细介绍了他们开发的INTELLECT-3模型及其完整的开源训练基础设施。这个研究团队包括了来自多个机构的研究人员，包括Mika Senghaas、Fares Obeid、Sami Jaghouar等十多位专家。研究成果发表在arXiv预印本服务器上，论文编号为arXiv:2512.16144v1。

说起训练大型语言模型，就像是培养一个超级聪明的学生。传统的训练方式就好比只给学生看书做题，但Prime Intellect团队想要的是让这个学生不仅能读书，还能动手解决实际问题，甚至能像真正的专家一样思考和行动。他们开发的INTELLECT-3模型虽然只有106亿参数（其中12亿处于活跃状态），但在数学、编程、科学推理等各种测试中的表现，居然能够超越许多规模大出好几倍的知名模型。

更重要的是，这个团队没有把他们的"秘方"藏起来，而是把整套训练工具都开源了出来。这就像一位顶级厨师不仅公开了自己的招牌菜谱，还把厨具、炉灶、甚至整个厨房的设计图纸都免费分享给大家。他们开源的不仅仅是最终的INTELLECT-3模型，还包括了名为prime-rl的强化学习训练框架、用于创建训练环境的verifiers库、安全的代码执行系统Prime Sandboxes，以及一个名为Environments Hub的社区平台。

在具体的测试成绩上，INTELLECT-3在2024年和2025年的AIME数学竞赛中分别取得了90.8%和88.0%的成绩，在编程测试LiveCodeBench v6中达到69.3%的正确率。这些数字看起来可能比较抽象，但可以这样理解：如果把这些测试比作高难度的考试，INTELLECT-3基本上能在每十道题中答对九道，这个水平已经超越了许多参数量是它好几倍的大型模型。

一、革命性的训练基础设施

Prime Intellect团队构建的训练系统就像是一个高度自动化的现代化工厂。在传统的模型训练中，就好比你要一个人既当老师教学生，又要当考官出题评分，还要管理整个教室的秩序。这种方式不仅效率低下，当需要大规模训练时更是力不从心。而他们设计的prime-rl框架则像是建立了一条专业的流水线，每个环节都有专门的"工人"负责，整个过程异步进行，大大提高了训练效率。

这个训练系统的核心包含三个主要组件：协调器、训练器和推理服务。协调器就像工厂的调度中心，负责协调各个部门的工作；训练器专门负责更新模型的"知识"；推理服务则专门负责让模型进行"思考"和"回答"。这种分工合作的方式让整个训练过程能够在数百甚至数千个GPU上同时进行，就像一个庞大的乐团，每个乐器都在演奏自己的部分，但整体上形成了和谐的交响乐。

特别值得一提的是，他们实现了一种叫做"异步离策略训练"的技术。简单来说，就是让模型能够边学习边实践，而不需要等一个步骤完全结束才开始下一个。这就像让学生在还没完全掌握上一课内容的时候就开始做新的练习题，通过不断的实践来巩固和完善理解。这种方式大大缩短了训练时间，提高了整体效率。

二、智能化的学习环境设计

如果说prime-rl是训练工厂的框架，那么verifiers库就是为模型设计各种"学习场景"的工具箱。就像一个好的老师不会只让学生做同样类型的题目，而是会设计各种不同的练习来锻炼学生的不同能力。verifiers库让研究者能够轻松创建各种复杂的学习环境，从数学问题求解到代码编写，从科学推理到逻辑思考，应有尽有。

这个系统最巧妙的地方在于它的模块化设计。每个学习环境都像一个独立的"课程包"，包含了题目数据、评分标准、奖励机制等所有必要元素。研究者可以像搭积木一样，把不同的环境组合起来，创造出适合特定训练目标的学习方案。更重要的是，这些环境是可以复用和分享的，就像优秀的教案可以在不同的学校之间传播一样。

在实际训练中，模型需要在各种不同难度的问题中学习。系统会根据模型的当前能力自动调整题目难度，太简单的题目会被过滤掉（因为没有学习价值），太难的题目也会暂时搁置（避免挫败感），确保模型始终在适合的难度区间内学习进步。这种智能化的难度调节机制，就像一个经验丰富的私人教师，总是能够为学生提供恰到好处的挑战。

三、安全高效的代码执行系统

当模型需要学习编程时，就必须能够实际运行和测试代码。但让AI随意执行代码就像给小孩玩火一样危险，必须有严格的安全措施。Prime Sandboxes就是为此而生的安全代码执行系统，它就像为每个代码测试创建了一个完全隔离的"实验室"。

传统的代码执行方式就像在同一个房间里同时进行多个化学实验，一旦有一个实验出错，可能会影响到其他所有实验。而Prime Sandboxes则为每个代码执行创建了独立的"容器"，即使某个代码出现问题，也不会影响到系统的其他部分。更重要的是，这个系统能够同时处理成千上万个代码执行任务，就像一个巨大的实验室大楼，里面有无数个独立的实验室同时工作。

这个系统的另一个创新之处在于它的高效调度机制。传统的方式需要为每个任务从头开始准备环境，就像每次做实验都要重新搭建整个实验台。而Prime Sandboxes则预先准备好了大量的"热备份"环境，当需要执行代码时，可以立即分配一个现成的环境，大大缩短了等待时间。这种设计让整个系统能够支持大规模的并发代码执行，为模型的编程能力训练提供了强有力的支撑。

四、INTELLECT-3的训练历程

INTELLECT-3的训练过程就像培养一个全能型人才，需要经历多个不同的学习阶段。整个训练基于GLM-4.5-Air基础模型进行，就像在一个已经有良好基础的学生身上继续深造。

训练过程分为两个主要阶段：监督微调和强化学习。监督微调阶段就像让学生先跟着优秀的老师学习各种基础知识，包括数学、编程、科学推理等多个领域。在这个阶段，团队使用了大量高质量的训练数据，包括来自NVIDIA的Nemotron数据集和AM团队的DeepSeek-R1蒸馏数据集，总共处理了数十亿个训练样本。

强化学习阶段则更像是让学生独立解决实际问题，通过不断的试错和反馈来提升能力。在这个阶段，模型需要在六个不同类型的环境中学习：数学问题求解（包含21200个挑战性数学题）、代码编程（8600个编程题目）、科学推理（29300个跨领域科学问题）、逻辑思维（11600个逻辑谜题和游戏）、深度研究（使用搜索工具回答复杂问题）、以及软件工程（修复代码项目中的实际问题）。

整个训练过程使用了512个H200 GPU，持续了两个多月。这就像组织了一个超大规模的"训练营"，有数百位"教练"同时工作，确保学生能够在各个方面都得到充分的锻炼。训练过程中，团队还实施了在线难度过滤机制，确保模型始终在合适的挑战水平上学习，既不会因为题目太简单而浪费时间，也不会因为题目过难而失去信心。

五、卓越的性能表现

INTELLECT-3的测试结果可以说是相当令人印象深刻。在数学能力测试中，它在2024年和2025年的AIME竞赛中分别获得了90.8%和88.0%的成绩。AIME是美国数学邀请赛，被认为是高中数学竞赛中最具挑战性的比赛之一。要知道，这些题目连很多数学专业的大学生都觉得有难度，而INTELLECT-3能够达到如此高的正确率，确实显示了其强大的数学推理能力。

在编程能力方面，INTELLECT-3在LiveCodeBench v6测试中达到了69.3%的成绩，超越了同期许多知名模型。LiveCodeBench是一个实时更新的编程测试平台，使用的都是最新的编程竞赛题目，能够很好地反映模型的实际编程能力。这个成绩意味着，如果让INTELLECT-3参加编程竞赛，它大概能解决十道题中的七道，这已经是相当不错的水平了。

更令人惊讶的是，INTELLECT-3在多个测试中的表现都超越了参数量比它大很多倍的模型。比如在GPQA（研究生级别的科学问答）测试中得到74.4分，在HLE（人类最后考试）中得到14.6分，在MMLU-Pro（大规模多任务语言理解专业版）中得到81.9分。这就像一个体重只有60公斤的选手在力量比赛中击败了很多80、90公斤的对手，说明了模型架构和训练方法的重要性，并不是简单的"越大越好"。

六、开源贡献的深远意义

Prime Intellect团队选择完全开源他们的研究成果，这在当前AI领域并不多见。大多数公司和研究机构都倾向于保留自己的核心技术，但这个团队却选择了完全相反的道路。他们不仅开源了最终的INTELLECT-3模型，还公开了整个训练框架、所有的训练环境、评估工具，甚至包括详细的训练配方和技术文档。

这种开放的态度就像是把一个完整的"武林秘籍"免费分享给所有人，而不是只传授给自己的弟子。对于AI研究社区来说，这意味着任何有兴趣的研究者或开发者都可以基于这些工具进行自己的研究，或者在此基础上开发新的应用。这种开放性不仅能够加速整个领域的发展，还能够确保AI技术的发展不会被少数大公司垄断。

更重要的是，通过Environments Hub这个社区平台，任何人都可以贡献新的训练环境或改进现有的环境。这就像建立了一个全球性的"智慧图书馆"，每个人都可以往里面添加新的"书籍"（训练环境），也可以借阅别人贡献的"书籍"。据统计，目前这个平台上已经有超过500个不同的训练环境，覆盖了从基础的数学编程到复杂的AI研究、计算机操作、浏览器自动化等各个领域。

七、技术创新的突破点

INTELLECT-3项目在技术层面有几个重要的创新突破。首先是异步强化学习的大规模实现，这种技术虽然理论上存在已久，但在如此大规模的实际应用中还是首次。传统的强化学习就像一个学生必须完全做完一道题才能开始下一道，而异步强化学习则允许学生同时处理多道题，大大提高了学习效率。

其次是连续批处理和飞行中权重更新技术，这听起来很技术化，但实际上解决了一个很实际的问题。在模型训练过程中，不同的任务需要不同的时间来完成，就像不同的学生做同一道题的速度不一样。传统方式需要等所有学生都完成才能进行下一轮，而这种新技术则允许完成得快的学生立即开始新的题目，不需要等待其他同学。

在技术架构方面，团队还解决了大规模Mixture-of-Experts（专家混合）模型的高效训练问题。这种模型就像有一群不同专业的专家组成的团队，每个专家负责处理自己擅长的问题类型。训练这样的模型就像管理一个大型公司，需要确保不同部门之间的协调合作，同时又要保证每个部门的专业性。INTELLECT-3的训练成功证明了这种复杂架构在大规模应用中的可行性。

八、对未来发展的展望

根据训练过程中的观察，INTELLECT-3的能力似乎还有很大的提升空间。在强化学习训练结束时，模型的奖励曲线和评估性能都还在持续上升，没有出现平台期的迹象。这就像一个学生还在快速进步的阶段，还远没有达到能力的上限。这意味着，如果继续训练更长时间或使用更多的计算资源，模型的性能可能还会有显著提升。

团队已经明确表示将继续扩展INTELLECT-3的训练，特别是在更多智能体任务上的训练。目前的Environments Hub平台上已经有数百个不同的训练环境，包括自主AI研究、计算机操作、定理证明、浏览器自动化，以及法律、金融、税务等专业领域的任务。这些丰富的环境为模型的进一步训练提供了广阔的空间。

另一个重要的发展方向是长时程智能体的研究。目前的AI模型虽然在单次对话中表现出色，但在需要长期规划和记忆管理的复杂任务中还有不足。团队正在探索让模型自主管理上下文、在隔离的子分支中进行思考，并维护跨轮次的外部记忆等技术。这就像让AI不仅能够进行单次的深度思考，还能够像人类一样进行长期的项目规划和知识积累。

说到底，INTELLECT-3项目最重要的贡献可能不是这个特定的模型本身，而是它展示了开源协作在AI发展中的巨大潜力。通过完全开放的方式分享先进的技术和工具，这个项目为整个AI社区提供了一个可以直接使用的高质量基础设施。无论是大学研究者、小型公司，还是个人开发者，都可以在这个基础上进行自己的创新和探索。

这种开放性对于AI技术的民主化具有重要意义。它确保了先进的AI技术不会仅仅掌握在少数大公司手中，而是能够惠及更广泛的群体。当越来越多的人能够接触和使用这些先进工具时，必然会涌现出更多创新的应用和改进的方法，从而推动整个领域的快速发展。对于那些对AI技术感兴趣但缺乏足够资源的研究者和开发者来说，INTELLECT-3项目提供的开源工具就像是一把通往AI前沿技术的钥匙，让他们也有机会参与到这个激动人心的技术革命中来。

Q&A

Q1：INTELLECT-3模型的核心优势是什么？

A：INTELLECT-3虽然只有106亿参数（12亿活跃），但通过创新的强化学习训练方法，在数学、编程、科学推理等测试中的表现超越了很多规模更大的模型，比如在AIME数学竞赛中达到90.8%的成绩。

Q2：Prime Intellect开源了哪些技术工具？

A：除了INTELLECT-3模型本身，还开源了prime-rl强化学习框架、verifiers环境库、Prime Sandboxes代码执行系统、Environments Hub社区平台，以及完整的训练配方和技术文档。

Q3：普通研究者能使用这些开源工具吗？

A：完全可以。这些工具支持从单节点实验到大规模生产训练的各种需求，任何有兴趣的研究者或开发者都可以免费使用这些工具进行自己的AI模型训练和研究。