Agents-A1论文完整总结+指定章节中英对照翻译一、论文核心内容总结1. 基础背景与研究动机当前大模型智能体（Agent）主流优化路线分为两种：参数缩放路线：不断提升模型参数量（万亿参数1T模型），依靠超大参数量内化推理、工具使用、领域知识；但训练、推理成本极高，难以复刻，资源门槛巨大。时序视界缩放路线：不扩大模型参数，拉长智能体交互轨迹、显式建模中间决策过程；但存在两大瓶颈：缺少统一基础设施串联外部知识、工具动作、观测结果、验证反馈，难以学习长时序任务；多领域异构能力融合困难，不同领域推理模式冲突，单模型难以统一。上海人工智能实验室提出新思路：不堆参数，拉长智能体任务视界（horizon scaling），只用35B混合专家（MoE）模型，实现比肩甚至超越万亿参数大模型的长时序智能体能力，模型命名为Agents-A1。2. 核心模型与整体三阶段训练流程模型底座基于Qwen3.5-35B-A3B，整套训练分为三步：全领域监督微调（Full-domain SFT）构建平均45K token超长轨迹数据集，覆盖检索、代码工程、科学推理、指令遵循
