企业官网建设流程全解析

"AI干活，人拍板"：769条人机协作记录首次公开，96.5%的AI使用率有了官方数字

【免费下载链接】Atria-Dawn-Preview项目地址: https://ai.gitcode.com/InternLM/Atria-Dawn-Preview

2026年9月14日，上海人工智能实验室将智能体大模型 Atria Dawn Preview 的权重与配套论文一同推向开源社区。相比"744B 参数 MoE""16 项基准 5 项第一"这类常规卖点，真正在技术圈引发讨论的，是论文里一项此前极少有厂商愿意公开展示的实证研究：研发团队把开发 Atria Dawn 这一模型本身的过程当作人机协作案例，公开了来自 56 名参与者的 769 条任务记录与完整 agent 日志。数据给出了一组此前只有感受、没有数字的答案——在 739 个对"是否使用 AI"有明确回复的任务中，713 个实际启用了 AI，使用率高达 96.5%；但与此同时，人类在 85.5% 的方法与参数决策中握有最终拍板权。

"AI 干活、人拍板"从一句直觉判断，第一次有了可审计的官方样本。本文基于论文全文（arXiv 2609.15818）与本仓库源码，拆解这三组数字背后的实验设计、分工真相与叙事含义。

一、769 条记录怎么来的：把研发过程本身做成实证样本

从"研究问题"到"可验证结果"的训练设计

要理解这批协作数据的可信度，先得看 Atria Dawn 的训练范式。仓库的 README_CN.md 将其定位为"面向需要持续理解环境、调用工具并完成多步任务的研究与工程场景"的智能体模型，基于 744B MoE 的 GLM-5.2 基座训练。而论文中披露的训练核心是一条Verifiable Experience Pipeline（可验证经验流水线）：每一条训练任务都被连接到真实执行环境，模型观察状态、调用工具、产出中间产物、根据反馈迭代，最终结果必须通过测试、指标、文件状态、几何结构、来源证据或人工定义标准等外部信号验证，只有"任务—轨迹—产物—验证证据"完整闭环的经验才会沉淀为模型能力。

架构层面可以从仓库的 config.json 读出具体支撑：78 层隐藏层、256 个路由专家、每 token 激活 8 个专家、max_position_embeddings高达 1,048,576（1M），权重以 BF16 分片为 353 个文件（model.safetensors.index.json 显示总大小约 1.5TB）。结合 chat_template.jinja 中完整的<tool_call>/<observation>/<think>结构，可以看到这套模板为"思考—工具调用—环境反馈—再思考"的长链智能体行为做了显式编码，thinking 推理与工具协议是模型默认能力的一部分，而非事后补丁。

56 人、769 条任务：一个 4 周的真实研发样本

论文的实证部分没有另起炉灶设计实验室场景，而是直接采集了 Atria Dawn 自身研发周期内的协作记录：56 名参与者、769 条任务记录，连同 agent 日志一并分析。其中 739 个任务对"是否使用 AI"有明确回复，713 个使用了 AI——96.5% 的使用率由此而来。

更有信息量的是参与度的时间演变。对同一批 22 名参与者，从 8 月 7 日到 9 月 4 日，"每人类提示对应的 agent 动作数"的日度中位数从 11.0 攀升到 28.5，且四分位距同步扩大——协作强度在整体加深，但个体之间的分化也在加大。也就是说，短短四周内，同样一句人类指令平均会触发近 30 个 agent 动作。论文特别指出，参与者委托给 AI 的任务呈现高度规律的模式：汇报运行状态、在指定数据集上跑训练-评估循环、调试失败的实验、准备数据与扩容资源、总结 agent 改动内容——这些全部集中在执行与汇报，而非"研究什么"。

二、数据里的分工真相：提案权与拍板权是两回事

55.4% 的提案来自 AI，85.5% 的最终决策留在人类手中

这组数字是全篇最容易被误读、也最值得细读的部分。论文将研发决策拆成三类——目标/范围、方法/参数、验收标准——并分别统计"谁提出选项"与"谁做最终选择"：

• 在方法/参数类决策中，"AI 提出、人类选择"是最常见的模式，占55.4%；人类在 85.5% 的方法决策中做出最终选择（无论选项来自人类还是 AI），AI 最终拍板的仅 9.2%；
• 目标/范围决策中人类最终选择占93.4%，验收标准占81.9%；
• 关键对比在于：AI 的提案份额从目标/范围类的 16.9% 摆动到方法/参数类的 55.4%（三倍以上），而最终决策份额始终被压在 6.1%–9.2% 的窄区间。

随决策类型变化的是"谁生成选项"，而不是"谁拍板"。这在那些被评定为"离开 AI 不可行"的任务上体现得更极端：151 个此类任务中，人类在 144 个（95.4%）任务上选择了最终目标。依赖度最高的任务，恰恰是人类主权保留最完整的任务——"把任务整体划给某一方"的二分法叙事，在这里站不住脚。

33.2% 的任务"没有 AI 不可行"：AI 改变的不只是效率

论文让参与者对已完成任务做反事实评估：在任务范围、质量要求与资源条件不变的前提下，自己负责的部分"离开 AI 是否还能完成"。在 455 个有可用回复的已完成 AI 辅助任务中，151 个（33.2%）被评定为不可行，且这些任务分散在 56 名参与者中的 27 人——接近一半的样本量，排除了"少数重度用户拉高均值"的解释。

论文由此区分了两个常被混为一谈的量：节省的时间与被创造出来的可能性。33.2% 不是"慢一点也能做完"的工作量，而是"根本不会被尝试"的工作量。只测前者，会系统性低估 AI 对研发边界的改变。

76% 的困难任务靠人推：人类介入以"喂信息"为主，而非"替动手"

当任务卡住时，分工真相更为清晰。在 588 个记录了"最重大困难"的任务中：

• 76.0% 靠人类干预推进，agent 自行恢复的占 23.0%，仅 1.0% 未解决；
• 人类帮助的构成才是重点：添加上下文/澄清需求占35.2%，诊断问题/改变方法占34.7%，而直接改代码的"部分编辑"仅 3.2%，"接管任务"仅 0.7%——人类帮助"改变 agent 知道什么"的可能性，是"改变谁来做"的约 18 倍；
• 输出修订呈现同样结构：627 个有明确处置记录的任务中 354 个（56.5%）发生实质修订，其中75.4% 由 AI 在收到人类反馈后自行重写，人类直接编辑仅 19.2%；95.9% 的 AI 输出以某种形式进入最终交付物。

这三组数据合在一起，论文给出的分工结论是：人类决定目标是什么、补充失败运行缺失的上下文、指出必须改什么；agent 生成绝大多数选项，并产出几乎全部代码、文本与修订。稀缺输入是判断，而非执行。这也解释了为什么"每提示的 agent 动作数"从 11.0 涨到 28.5 不应被读作自主性上升——每一次人类判断如今通过更多 agent 动作来传播，而非通过更少。

三、从"AI 替代人"到"项目级伙伴关系"：叙事切换意味着什么

96.5% 的使用率与 9.2% 的 AI 决策权并不矛盾

论文把 AI 研发中人与模型的关系划为三个阶段：早期模型只是研究对象，完全由人操控实验全流程；随着代码生成与指令遵循能力成熟，模型成为人类设计工作流中的任务执行者；而具备智能体能力后，模型可以在人类给定的目标与评估标准下自行制定计划、根据实验反馈迭代方案，进入项目级伙伴阶段。Atria Dawn 研发中观察到的正是第三阶段——agent 承担了方案设计与迭代修订，人类收缩到更高层的判断与关键节点的定向干预。

这一叙事切换的关键在于："AI 使用率 96.5%"与"AI 决策权 9.2%"在同一份数据里同时为真。此前的讨论往往把"用了多少 AI"直接等同于"AI 取代了多少人"，而这份记录表明两者正交——使用深度上升时，人类的权重没有按比例让渡，而是转移到了提案之外的选择端。论文还援引了同行的独立观察：OpenAI 报告称 4–8 小时的多数成功任务仍需至少一次人类干预，与这里 76% 的困难任务介入率相互印证。

通往 RSI 的两道坎：研究方向生成与经验内化

论文没有停留在"伙伴关系"的乐观叙事上，而是明确指出了从"项目级伙伴"到"递归自我改进（RSI）"之间的技术缺口：

第一道坎是研究方向生成。AI 在 55.4% 的方法/参数决策中提出选项，但在目标/范围决策中只提出 16.9%——绝大多数提案是对研究者已确定方向内的变体。且 agent 共享的先验会产生相关性盲区：部署更多 agent 可能只是把同样的尝试重复更多次，而没有真正拓宽探索范围。论文据此建议在不同工作 agent 之间建立沟通渠道，并承认在 Atria 开发中，同一个 agent 在研究者以其特定问题、偏好与权衡进行引导时，探索范围会显著拓宽。

第二道坎是经验内化。论文观察到，agent 从一次失败运行中获得的经验往往停留在该会话或记录中，而研究者则把教训带入了下一个任务；通用基准的进步无法暴露研究能力的真实变化。所谓 RSI，只有当模型能在连续轮次中生成更有价值的研究问题、识别更隐蔽的错误时才真正开始——这需要系统"吸收"经验而非仅仅"检索"经验，甚至可能要求从根本上重新设计当前"记忆与能力分离"的架构。

人类角色的再定义：剪枝、破盲区与"谁为授权负责"

既然执行已近乎全部交给 agent，人类剩下的价值是什么？论文给出三个可审计的答案：其一，研究者凭积累的经验与直觉在投入资源前低成本剪枝研究空间，这种"结果未知时的判断力"目前仍难以被 AI 内化；其二，人类以多样背景对抗 agent 的同质化盲点；其三，跨项目迁移试错教训的能力仍主要积累在人类身上。

论文同样坦诚了授权边界的现状：许多研究者以 Codex 的 yolo 模式、Claude Code 的 skip-permissions 模式运行 agent，授予宽泛执行权以避免长任务卡在审批上——边界由便利性而非深思熟虑的权限设计决定。论文对"AI 是否应被授予像其他权限一样的安全保障权"给出明确回答：不该。每一轮能力跃升都应匹配成比例的 alignment 与监督投入，并需明确"谁的意图塑造对齐目标、谁承担风险、谁负责"。

结语：这份数据值得反复读，因为它自证了方法

Atria Dawn Preview 的价值不止于基准分。AutomationBench 53.8、BFCL v4 77.0、DeepSearchQA 96.0、BrowseComp 92.5、CyberGym 86.5 这五项第一（完整对比见仓库 assets/evaluation.png 与 README_CN.md 的评测表），回答的是"模型能干什么"；而 769 条协作记录回答的是一个更难的问题——"当它被真实地用于生产自己的同类时，人和它各自守住什么"。

96.5% 的使用率是执行侧的深度，85.5% 的人类决策权是判断侧的保留，76% 的人类干预是困难侧的兜底。三者并列，恰恰是论文标题副题"人类-AI 协作中不断演变的分工"最浓缩的注脚：每个决策背后是一条人类无法逐行检查的长链 agent 工作，而人类的主权不在于看得更细，而在于决定什么值得做、证据如何引导研究。在通向递归自我改进的路上，这组数据既是一个里程碑，也是一面镜子——它照出的不是"AI 将取代人"，而是"人的判断正成为稀缺资源"。

【免费下载链接】Atria-Dawn-Preview项目地址: https://ai.gitcode.com/InternLM/Atria-Dawn-Preview