93.4% 目标设定权该不该交出去Atria Dawn 实证数据背后的人机边界之争【免费下载链接】Atria-Dawn-Preview项目地址: https://ai.gitcode.com/InternLM/Atria-Dawn-Preview2026 年 9 月上海人工智能实验室低调发布 Atria Dawn Preview——一个 744B 参数的 MoE 智能体大模型16 项基准中 5 项登顶、3 项第二。但真正让这份技术报告与众不同的不是分数而是一组罕见的人机协作实证769 条任务记录、56 名参与者、覆盖项目全过程的 agent 日志第一次系统性量化了人在智能体研发中的角色。数字本身充满张力AI 参与了 96.5% 的任务却只在 6.1%9.2% 的决策中拥有最终拍板权人类守住了 93.4% 的目标设定权和 85.5% 的最终决策权。这组数据随后在社区引发了一个直白的追问——93.4% 的目标设定权究竟是人类刻意为之的安全设计还是 AI 能力尚未抵达的无奈结果而这个问题背后是 RSI递归自我改进时代最核心的博弈决策权会不会、该不该从人手中迁移出去先看数据769 条任务记录里的分工真相论文的分析框架相当克制。在 739 个有明确回答的任务中713 个96.5%使用了 AI而在角色归因层面研究把谁提出方案和谁选择方案拆开统计结论是AI 提出方法的比例高达 55.4%AI 提出、人类选择成为最常见的分工模式但 AI 在目标或范围决策上的提案占比只有 16.9%——超过三倍的落差。人类在方法/参数决策中做出最终选择的占比是 85.5%在目标设定上是 93.4%在接受标准上是 81.9%。论文原文说得更锋利随决策类型变化的是生成选项的一方而不是在选项之间做选择的一方。另外三组数据共同拼出这幅分工图景。第一455 个已完成且有效的 AI 辅助任务中151 个33.2%被参与者评定为没有 AI 就无法完成且这些任务来自 56 人中的 27 人——不是少数重度用户的个案。论文据此区分了节省的时间与被打开的可能性后者不是把原本缓慢的工作压缩而是把根本不会被尝试的工作变成可能。第二在 588 个记录了最大困难的任务中76.0% 靠人类干预才继续推进agent 自主恢复的只有 23.0%而人类帮助的主要形态是补上下文、澄清需求35.2%和诊断问题、调整方法34.7%真正动手改代码的部分编辑仅占 3.2%、接管仅占 0.7%——人类干预更倾向于改变agent 知道什么而非谁来做。第三同一批参与者中agent 动作数与人类提示数的日度中位数在四周内从 11.0 涨到 28.5。论文对此的解读值得反复咀嚼每个人类判断行为现在通过更多的 agent 动作传播而不是更少。稀缺的输入是判断而非执行。这份分工图景并非凭空而来。仓库里的 chat_template.jinja 就是为这种协作方式服务的协议层它定义了think推理标签、按 effort 分档的 reasoning 机制、tool_call与arg_key/arg_value的 XML 工具调用格式以及针对图片、视频、音频输入的显式 reminder你无法处理此类输入。结合 tokenizer_config.json 与 config.json 中 256 个路由专家、78 层、单 token 激活 8 专家的 MoE 配置可以看出这个模型的设计目标不是对话,而是可被框架解析、可被工具链验证、可被人类审计的 agent 协作——模型以结构化协议输出推理与工具调用正是为了让人在长链工作中仍能定位、复核每一个决策点。数据立场人类主导是安全设计还是能力不足面对93.4% 是不是安全设计这个问题论文给出的其实是复合答案两者兼有且证据可以被拆开。先说能力不足的一面。论文在 5.1 节坦白承认AI 提出的方法提案多数是研究者已经确定的方向之内的变体归因于单一 agent 有限的探索范围而新的流水线和工作流仍来自研究者对 agent 的提示引导。目标的提案率16.9%与方法的提案率55.4%之间三倍的落差本身就是能力曲线的切片——AI 更擅长在既定目标下生成候选路径而非生成值得研究的新目标。论文甚至点破在研究者用特定问题、偏好与权衡引导时即使是同一个 agent 也探索得远比默认情况下更广。这与其说是安全设计的成就不如说暴露了当前模型在研究方向生成这一能力维度上的真实短板。再说安全设计的一面。论文 5.2 节的立场毫不含糊当被问及是否应当像授予其他权限一样授予 AI 保障人类安全的权限时答案是明确的不。作者强调每次 AI 能力跃迁都应有成比例的对齐与监督投入并呼吁明确谁的意图塑造对齐目标、谁承担风险、谁保持问责。论文摘要的收尾句同样直白更自主的 AI 研究必须同时推进发现能力与有意义的监督能力把可问责的人类权威保留在风险与方向上。最耐人寻味的是论文记录的一个现实细节许多研究者运行 agent 时使用了 Codex 的 yolo 模式和 Claude Code 的 skip-permissions 模式授予宽泛的执行权限以免长任务卡在审批上——论文的评语是便利性而非任何深思熟虑的权威分配在实践中划定了边界。换句话说执行权其实已经被大面积交出去了这也与 96.5% 的使用率、28.5 的动作比吻合人类死守的只是目标层这个最后关口。边界不是画在做不做上而是画在做什么、为什么做上。README.md 中的评测数据DeepSearchQA 96.0、BrowseComp 92.5、BFCL v4 77.0、AutomationBench 53.8、CyberGym 86.5 五项第一恰好为这场讨论提供了一个背景注脚模型在工具调用、深度检索、自动化与安全类任务上处于前沿但在 GDPval、JobBench、SWE-bench Pro 等长程专业任务上仍有明显追赶空间。能力的不均衡分布决定了放权必然是有选择、分层次的。反方观点56 名参与者能否代表真实的协作场景必须承认这组数据有一个结构性软肋它本质上是自我研发过程的内省研究case study而非受控对照实验。56 名参与者是 Atria Dawn 开发团队及其协作网络任务记录全部来自这一个项目的 2026 年 8 月至 9 月窗口。样本的构成决定了结论的边界。首先是场景同质。论文 4.1 节自己列举了参与者委派工作的反复模式报告运行状态与 agent 进度、在指定数据集上跑训练-评估循环、调试失败实验、准备数据、扩容资源、总结 agent 的改动——这些模式集中在执行与报告而非决定研究什么。换句话说769 条记录天然偏向训练、评测、调试这类流水线任务它们恰恰是 AI 参与度最高的场景而真实的协作世界还包括探索性研究、跨团队沟通、资源政治等几乎无法被委派给 agent的工作。用流水线任务的分工比例去外推所有协作形态会产生系统性高估。其次是自我报告偏差。没有 AI 就不可完成33.2%是参与者对自身任务的主观估计——在论文设定的保持范围、质量要求和其他资源不变的前提下参与者是否有能力准确反事实地评估如果没有 AI对于深度嵌入 agent 的工作流这个反事实本身就难以构造。类似的自我归因在 93.4%、85.5%、76.0% 这些数字上同样存在它们衡量的是参与者的认知与记忆而非第三方审计的客观记录。但论文的内部校验也值得放进天平。151 个不可行任务分布在 27 名参与者中横跨约半数队列排除了少数重度用户撑起全部数据的替代解释而在这些依赖最强的任务中人类选择最终目标的比例反而更高151 例中 144 例95.4%——如果存在自我报告的美化倾向它至少没有表现为把目标权也归功于 AI。这些细节让数据在内部一致性上相当扎实。结论应该是769 条记录是一份高保真的内部视角快照它精确描述了一个前沿 AI 团队的研发现场如何与 agent 协作但把它当作整个人机协作光谱的全景图仍需打上问号。边界往哪走RSI 时代的决策权迁移预测论文把未来压缩成两个技术问题第一AI 能否持续提出并访问多样化的、有价值的研究方向第二AI 能否把积累的经验转化为改进的研究能力——即从检索经验走向吸收经验。这两点恰与前述数据互为因果目标的提案率只有 16.9%对应的是方向生成能力的匮乏而论文记录的一个细节更具象——agent 从一次失败运行中获得的收获停留在那次会话或记录里而研究者把教训带进了下一轮。经验无法跨会话内化正是 RSI 尚未启动的硬证据。在此基础上决策权的迁移路径可以被谨慎地推演其一执行层的权力已经迁移完毕且不可逆。96.5% 的使用率、11.0 到 28.5 的动作比、yolo 与 skip-permissions 的普遍使用说明在执行与修订层面人类早已用行动投了票——便利性压倒了审批仪式。其二目标层的权力迁移将是一个能力解锁而非人为让渡的过程。93.4% 这个数字短期内不会因为伦理呼吁而改变但会随着研究方向生成、经验内化两个瓶颈的突破被重新谈判。论文对此有清醒的警示权威仍留在研究者手中但每个决策现在都建立在一条比任何个人能仔细检查的更长的 agent 工作链上当研究者连 AI 工作的最终产出都无法评估时监督就失去了锚点——最坏的结局是论文那句略带悲观的推演人类最终沦为只能回答是的评审者。其三也正因为如此论文给出的立场是主动的人类必须同时维护定义目标的责任与调整 AI 研发的权威构建一个与 AI 一同演进的框架用它扩展对研究可能性的理解、监督 AI 的工作、识别其错误与盲点——否则人类参与将沦为安慰剂而非实质性贡献。把这三条推演落回 Atria Dawn 本身会发现仓库的工程设计早已在为这场边界谈判铺垫基础设施chat_template.jinja 将推理过程显式化为可审计的think块将工具调用格式化为可解析的 XML 协议config.json 里 256 个专家的稀疏激活与 1M 上下文长度服务于长链、可追溯的 agent 工作流README 提供的 Codex、Claude Code、Kimi Code 三种接入方式则把人审什么、agent 做什么的边界下放给了框架配置。这一切指向同一个判断决策权的交接前提是决策链的透明与可验证——当每个动作都留在可复核的证据链上93.4%这个数字的讨论才不至于沦为立场之争。回到开头的设问93.4% 的目标设定权该不该交出去数据给出的答案不是该或不该而是尚未到交出去的时刻——AI 提出目标的能力16.9%远未匹配它执行目标的能力96.5%而安全上的审慎让人类无意在能力未达时提前让渡。真正值得跟踪的信号是论文 5.1 节提出的两个瓶颈何时松动当 AI 生成的研究方向开始超出研究者预设的框架当失败经验开始跨会话沉淀为能力93.4% 就会被重新写进谈判桌。在那之前人类守住目标层与其说是保守不如说是此刻唯一站得住脚的选择。【免费下载链接】Atria-Dawn-Preview项目地址: https://ai.gitcode.com/InternLM/Atria-Dawn-Preview创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
93.4% 目标设定权该不该交出去Atria Dawn 实证数据背后的人机边界之争【免费下载链接】Atria-Dawn-Preview项目地址: https://ai.gitcode.com/InternLM/Atria-Dawn-Preview2026 年 9 月上海人工智能实验室低调发布 Atria Dawn Preview——一个 744B 参数的 MoE 智能体大模型16 项基准中 5 项登顶、3 项第二。但真正让这份技术报告与众不同的不是分数而是一组罕见的人机协作实证769 条任务记录、56 名参与者、覆盖项目全过程的 agent 日志第一次系统性量化了人在智能体研发中的角色。数字本身充满张力AI 参与了 96.5% 的任务却只在 6.1%9.2% 的决策中拥有最终拍板权人类守住了 93.4% 的目标设定权和 85.5% 的最终决策权。这组数据随后在社区引发了一个直白的追问——93.4% 的目标设定权究竟是人类刻意为之的安全设计还是 AI 能力尚未抵达的无奈结果而这个问题背后是 RSI递归自我改进时代最核心的博弈决策权会不会、该不该从人手中迁移出去先看数据769 条任务记录里的分工真相论文的分析框架相当克制。在 739 个有明确回答的任务中713 个96.5%使用了 AI而在角色归因层面研究把谁提出方案和谁选择方案拆开统计结论是AI 提出方法的比例高达 55.4%AI 提出、人类选择成为最常见的分工模式但 AI 在目标或范围决策上的提案占比只有 16.9%——超过三倍的落差。人类在方法/参数决策中做出最终选择的占比是 85.5%在目标设定上是 93.4%在接受标准上是 81.9%。论文原文说得更锋利随决策类型变化的是生成选项的一方而不是在选项之间做选择的一方。另外三组数据共同拼出这幅分工图景。第一455 个已完成且有效的 AI 辅助任务中151 个33.2%被参与者评定为没有 AI 就无法完成且这些任务来自 56 人中的 27 人——不是少数重度用户的个案。论文据此区分了节省的时间与被打开的可能性后者不是把原本缓慢的工作压缩而是把根本不会被尝试的工作变成可能。第二在 588 个记录了最大困难的任务中76.0% 靠人类干预才继续推进agent 自主恢复的只有 23.0%而人类帮助的主要形态是补上下文、澄清需求35.2%和诊断问题、调整方法34.7%真正动手改代码的部分编辑仅占 3.2%、接管仅占 0.7%——人类干预更倾向于改变agent 知道什么而非谁来做。第三同一批参与者中agent 动作数与人类提示数的日度中位数在四周内从 11.0 涨到 28.5。论文对此的解读值得反复咀嚼每个人类判断行为现在通过更多的 agent 动作传播而不是更少。稀缺的输入是判断而非执行。这份分工图景并非凭空而来。仓库里的 chat_template.jinja 就是为这种协作方式服务的协议层它定义了think推理标签、按 effort 分档的 reasoning 机制、tool_call与arg_key/arg_value的 XML 工具调用格式以及针对图片、视频、音频输入的显式 reminder你无法处理此类输入。结合 tokenizer_config.json 与 config.json 中 256 个路由专家、78 层、单 token 激活 8 专家的 MoE 配置可以看出这个模型的设计目标不是对话,而是可被框架解析、可被工具链验证、可被人类审计的 agent 协作——模型以结构化协议输出推理与工具调用正是为了让人在长链工作中仍能定位、复核每一个决策点。数据立场人类主导是安全设计还是能力不足面对93.4% 是不是安全设计这个问题论文给出的其实是复合答案两者兼有且证据可以被拆开。先说能力不足的一面。论文在 5.1 节坦白承认AI 提出的方法提案多数是研究者已经确定的方向之内的变体归因于单一 agent 有限的探索范围而新的流水线和工作流仍来自研究者对 agent 的提示引导。目标的提案率16.9%与方法的提案率55.4%之间三倍的落差本身就是能力曲线的切片——AI 更擅长在既定目标下生成候选路径而非生成值得研究的新目标。论文甚至点破在研究者用特定问题、偏好与权衡引导时即使是同一个 agent 也探索得远比默认情况下更广。这与其说是安全设计的成就不如说暴露了当前模型在研究方向生成这一能力维度上的真实短板。再说安全设计的一面。论文 5.2 节的立场毫不含糊当被问及是否应当像授予其他权限一样授予 AI 保障人类安全的权限时答案是明确的不。作者强调每次 AI 能力跃迁都应有成比例的对齐与监督投入并呼吁明确谁的意图塑造对齐目标、谁承担风险、谁保持问责。论文摘要的收尾句同样直白更自主的 AI 研究必须同时推进发现能力与有意义的监督能力把可问责的人类权威保留在风险与方向上。最耐人寻味的是论文记录的一个现实细节许多研究者运行 agent 时使用了 Codex 的 yolo 模式和 Claude Code 的 skip-permissions 模式授予宽泛的执行权限以免长任务卡在审批上——论文的评语是便利性而非任何深思熟虑的权威分配在实践中划定了边界。换句话说执行权其实已经被大面积交出去了这也与 96.5% 的使用率、28.5 的动作比吻合人类死守的只是目标层这个最后关口。边界不是画在做不做上而是画在做什么、为什么做上。README.md 中的评测数据DeepSearchQA 96.0、BrowseComp 92.5、BFCL v4 77.0、AutomationBench 53.8、CyberGym 86.5 五项第一恰好为这场讨论提供了一个背景注脚模型在工具调用、深度检索、自动化与安全类任务上处于前沿但在 GDPval、JobBench、SWE-bench Pro 等长程专业任务上仍有明显追赶空间。能力的不均衡分布决定了放权必然是有选择、分层次的。反方观点56 名参与者能否代表真实的协作场景必须承认这组数据有一个结构性软肋它本质上是自我研发过程的内省研究case study而非受控对照实验。56 名参与者是 Atria Dawn 开发团队及其协作网络任务记录全部来自这一个项目的 2026 年 8 月至 9 月窗口。样本的构成决定了结论的边界。首先是场景同质。论文 4.1 节自己列举了参与者委派工作的反复模式报告运行状态与 agent 进度、在指定数据集上跑训练-评估循环、调试失败实验、准备数据、扩容资源、总结 agent 的改动——这些模式集中在执行与报告而非决定研究什么。换句话说769 条记录天然偏向训练、评测、调试这类流水线任务它们恰恰是 AI 参与度最高的场景而真实的协作世界还包括探索性研究、跨团队沟通、资源政治等几乎无法被委派给 agent的工作。用流水线任务的分工比例去外推所有协作形态会产生系统性高估。其次是自我报告偏差。没有 AI 就不可完成33.2%是参与者对自身任务的主观估计——在论文设定的保持范围、质量要求和其他资源不变的前提下参与者是否有能力准确反事实地评估如果没有 AI对于深度嵌入 agent 的工作流这个反事实本身就难以构造。类似的自我归因在 93.4%、85.5%、76.0% 这些数字上同样存在它们衡量的是参与者的认知与记忆而非第三方审计的客观记录。但论文的内部校验也值得放进天平。151 个不可行任务分布在 27 名参与者中横跨约半数队列排除了少数重度用户撑起全部数据的替代解释而在这些依赖最强的任务中人类选择最终目标的比例反而更高151 例中 144 例95.4%——如果存在自我报告的美化倾向它至少没有表现为把目标权也归功于 AI。这些细节让数据在内部一致性上相当扎实。结论应该是769 条记录是一份高保真的内部视角快照它精确描述了一个前沿 AI 团队的研发现场如何与 agent 协作但把它当作整个人机协作光谱的全景图仍需打上问号。边界往哪走RSI 时代的决策权迁移预测论文把未来压缩成两个技术问题第一AI 能否持续提出并访问多样化的、有价值的研究方向第二AI 能否把积累的经验转化为改进的研究能力——即从检索经验走向吸收经验。这两点恰与前述数据互为因果目标的提案率只有 16.9%对应的是方向生成能力的匮乏而论文记录的一个细节更具象——agent 从一次失败运行中获得的收获停留在那次会话或记录里而研究者把教训带进了下一轮。经验无法跨会话内化正是 RSI 尚未启动的硬证据。在此基础上决策权的迁移路径可以被谨慎地推演其一执行层的权力已经迁移完毕且不可逆。96.5% 的使用率、11.0 到 28.5 的动作比、yolo 与 skip-permissions 的普遍使用说明在执行与修订层面人类早已用行动投了票——便利性压倒了审批仪式。其二目标层的权力迁移将是一个能力解锁而非人为让渡的过程。93.4% 这个数字短期内不会因为伦理呼吁而改变但会随着研究方向生成、经验内化两个瓶颈的突破被重新谈判。论文对此有清醒的警示权威仍留在研究者手中但每个决策现在都建立在一条比任何个人能仔细检查的更长的 agent 工作链上当研究者连 AI 工作的最终产出都无法评估时监督就失去了锚点——最坏的结局是论文那句略带悲观的推演人类最终沦为只能回答是的评审者。其三也正因为如此论文给出的立场是主动的人类必须同时维护定义目标的责任与调整 AI 研发的权威构建一个与 AI 一同演进的框架用它扩展对研究可能性的理解、监督 AI 的工作、识别其错误与盲点——否则人类参与将沦为安慰剂而非实质性贡献。把这三条推演落回 Atria Dawn 本身会发现仓库的工程设计早已在为这场边界谈判铺垫基础设施chat_template.jinja 将推理过程显式化为可审计的think块将工具调用格式化为可解析的 XML 协议config.json 里 256 个专家的稀疏激活与 1M 上下文长度服务于长链、可追溯的 agent 工作流README 提供的 Codex、Claude Code、Kimi Code 三种接入方式则把人审什么、agent 做什么的边界下放给了框架配置。这一切指向同一个判断决策权的交接前提是决策链的透明与可验证——当每个动作都留在可复核的证据链上93.4%这个数字的讨论才不至于沦为立场之争。回到开头的设问93.4% 的目标设定权该不该交出去数据给出的答案不是该或不该而是尚未到交出去的时刻——AI 提出目标的能力16.9%远未匹配它执行目标的能力96.5%而安全上的审慎让人类无意在能力未达时提前让渡。真正值得跟踪的信号是论文 5.1 节提出的两个瓶颈何时松动当 AI 生成的研究方向开始超出研究者预设的框架当失败经验开始跨会话沉淀为能力93.4% 就会被重新写进谈判桌。在那之前人类守住目标层与其说是保守不如说是此刻唯一站得住脚的选择。【免费下载链接】Atria-Dawn-Preview项目地址: https://ai.gitcode.com/InternLM/Atria-Dawn-Preview创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
