阿里新开源模型AgenticQwen亮相，推理延迟剧降23%！

智猩猩AI整理

编辑：林夕

当前，用户普遍期待大语言模型能借助外部工具处理订票、网购等实际事务，但工业级智能体系统大多依赖GPT‑5、Claude等大型专有模型，API费用高昂。即便是开源的Qwen3‑235B，在百万级用户场景下计算成本依然过高。

对于Vibe coding这类高度专业的复杂任务，超大模型的确有必要。但订票、检索等标准化高频任务，并不需要巨型模型。小模型完全可以胜任，并显著降低成本与延迟。可惜的是，Kimi、MiniMax、DeepSeek等主流机构，很少推出具备强智能体能力的小模型，市场存在明显缺口。

针对这一问题，阿里团队以Qwen轻量底座为基础，打造出AgenticQwen模型体系。研究团队首创推理+智能体双数据飞轮训练架构，依托多轮GRPO强化学习机制，使8B/30B小模型在工具交互任务中逼近超大模型水准。实验结果表明，在TAU-2与BFCL-V4两项主流智能体基准评测中，AgenticQwen-8B模型取得47.4的综合分数，性能是基线Qwen3-8B（23.8）的2倍以上。仅激活3B参数的AgenticQwen-30B-MoE版本，综合得分达到50.2，推理时延相比Qwen3-235B降低23%，在性能逼近超大模型的同时实现了效率的显著提升。

• 
  

  论文标题：

  AgenticQwen: Training Small Agentic Language Models with Dual Data Flywheels for Industrial-Scale Tool Use

• 论文链接：

  https://arxiv.org/pdf/2604.21590

• 项目地址：

  https://huggingface.co/collections/alibaba-pai/agenticqwen

01

核心创新

AgenticQwen训练框架融合推理RL与Agentic RL，分别对应两个相互独立又互补的数据飞轮。

• 推理RL（Reasoning RL）：聚焦多步推理任务，基于Omni、2WikiMultiHopQA、HotpotQA等数据集开展训练，引导模型调用网页搜索、代码解释器等工具，解决数学推理、多轮问答等复杂问题。训练采用二元奖励机制，直接以最终结果为导向：答案正确得满分，错误则计0分。
• Agentic RL：瞄准真实工业落地场景任务，以SYNTHAGENT数据集作为初始训练底座，同时借助Qwen3-235B构建模拟用户与工具交互的仿真环境。训练不再采用简单二元奖励， 而是基于rubric（评分细则）的 0-1连续奖励，把任务拆成若干可验证子目标，按完成比例给分。

但仅靠这两类RL与固定数据，模型训练一两轮就会快速饱和、性能不再提升。于是团队提出双重数据飞轮（Dual Data Flywheels）：通过从模型错误中持续挖掘、生成更具挑战性的多样化训练样本，形成闭环迭代，推动模型能力迭代升级。

第一重飞轮：推理数据飞轮（Reasoning Data Flywheel）

从模型失败样本出发，用自指令扩展与场景注入生成更具挑战性的推理问题，再经多模型一致性过滤得到高质量可验证难题，最终回流至训练流程，持续提升模型多步推理与工具协同解题能力。

第二重飞轮：Agentic 数据飞轮（Agentic Data Flywheel）

Agentic RL 的训练以线性任务为起点，通过四个阶段的迭代，把简单的工具调用流程，逐步升级为具备复杂分支决策能力的真实工作流。

（1）线性任务初始化。

以无分支、无异常的单路径任务为起点，让模型学习基础工具调用流程，例如完成 “查询机票→预订→确认” 的标准流程，掌握工具语义与基础交互逻辑。

（2）行为树扩展

引入环境状态变化，将线性流程扩展为多分支行为树。例如机票售罄时，衍生出查询高铁、搜索邻近机场等备选路径，让模型学习条件判断与多方案切换。

（3）通过分支到任务的倒置生成新任务

将扩展后的行为树反向生成新任务，把每个分支对应的环境状态、用户指令与操作规范转化为训练样本，推动训练数据复杂度持续提升，从固定流程走向动态决策。

（4）对抗性模拟用户干预

在多分支行为树基础上，加入航班延误、用户不合理诉求等对抗场景，甚至模拟误导性指令，迫使模型在复杂分支中做出合规决策，避免无效路径，提升鲁棒性与边界处理能力。

通过多轮迭代，简单的线性任务会逐渐成长为包含数十个分支的复杂行为树，覆盖各种正常流程、异常情况和对抗场景。

02 实验结果分析

论文在TAU-2和BFCL-V4 Multi-turn上评估模型。TAU-2覆盖航空Airline、电信Telecom、零售Retail这三类场景，来评估模型在真实世界中的可靠性；BFCL-V4 Multi-turn用来评估模型多轮调用工具的能力。

（1）公开Agentic Benchmark

在公开智能体基准上，AgenticQwen的表现远超同尺寸原生模型，甚至在部分任务中追平或超越超大模型。

在覆盖航空、电信、零售三大真实场景的 TAU-2 测试中，AgenticQwen-8B 平均分达到47.4，是原生Qwen3-8B（23.8）的两倍，大幅缩小了与 Qwen3-235B 的差距；AgenticQwen-30B-A3B则进一步将平均分提升至50.2，在电信、零售等场景中表现亮眼。

而在BFCL-V4 Multi-turn多轮工具调用测试中，两个版本同样实现了对基线的全面超越。特别是在Base子集上，AgenticQwen-30B-A3B以60.0的得分，超过了 Qwen3-235B的58.5，展现出小模型在标准化工具编排任务上的强大潜力。

（2）飞轮训练迭代效果

AgenticQwen-8B与30B版本从第0轮到第3轮训练，在七大任务类别上性能持续稳定提升，三轮训练后接近数据生成大模型水平，验证双飞轮训练的有效性。其中AgenticQwen-30B-A3B为混合专家模型，仅激活3B参数，推理效率优于密集型 8B模型，实现参数量与性能的平衡。

（3）工业系统部署

研究团队进一步将AgenticQwen集成并部署到云端Agent产品系统中，系统通过沙箱环境调用各类工具，可自主串联完成SQL销售数据查询、JSON用户日志解析、PDF市场报告检索增强生成全流程，实现多源跨模态数据融合推理，自动产出标准化业绩简报。

整套任务全程自主闭环、无需人工介入，生成报告的内容质量可与Qwen3-235B超大模型持平，部署与使用成本却足足降低了一个数量级。

在阿里云产品环境的沙盒中，AgenticQwen模型在有限搜索数据训练下，仍实现出色泛化。WebWalker、XBench、GAIA三大基准中，AgenticQwen-30B-A3B得分52.5、47.0、41.7，远超基准Qwen3-30B-A3B，逼近Qwen3-235B。

推理延迟方面，相同硬件环境下，AgenticQwen-30B-A3B平均推理时长344.1秒，优于原生30B模型，远低于Qwen3-235B的449.5秒，推理步骤更精简，效率更高。

04 总结

AgenticQwen 的发布，标志着工业级 Agent 进入了 "小模型也能办大事" 的新时代，突破核心在于双数据飞轮解决小模型训练数据瓶颈，推理飞轮提升抽象解题能力，智能体飞轮适配真实场景决策复杂性，强化学习与动态数据生成结合，让小模型精准掌握工具调用逻辑。相比原生模型，该方案无需扩大参数量即可实现性能跃迁，在成本、延迟与性能间取得最优平衡，适合工业规模化部署。

入群申请