Meta 研究發現：用訓練框架讓 8B 小模型追平 Claude Opus 4.5，推理成本有望大幅壓縮

這不是更大的模型打敗更小的模型，是一個訓練方法讓小模型打平了大模型。

Meta AI 與伊利諾大學香檳分校的研究人員提出 EvoHarness-RL 框架，核心思路是：與其讓開發者手寫一大堆規則告訴 AI 代理「步驟一做什麼、步驟二做什麼」，不如訓練模型自己學會什麼時候要查外部狀態、什麼時候不值得查。實驗基底是 Qwen3-8B，一個標準的 80 億參數小模型。訓練完之後，這個小模型在 ALFWorld 多步驟任務基準上拿到 96.9% 的平均成功率，幾乎完全追上 Claude Opus 4.5 的 96.4%，同時超越了 SkillRL（89.9%）與 SkillOS（80.2%）等現有可訓練框架。

EvoHarness-RL 的運作邏輯分兩層。第一層是「統一狀態介面」——把 AI 代理在長時間任務中需要管理的各種外部資訊，壓縮成三個功能區塊：Belief（當前環境是什麼狀況）、Progress（哪些子目標完成了、哪些還沒）、Experience（過去跑過的流程裡有什麼可以重用）。AI 用四個簡單的 meta-action（track、commit、recall、note）來操作這個統一介面，不再需要針對每個應用場景去寫複雜的 domain-specific API。第二層是「成本意識強化學習」——因為每次查詢外部狀態都要燒 token 和算力，訓練讓模型學會判斷什麼時候查才划算、什麼時候靠自己內化的知識直接走。研究人員觀察到一個有趣的行為：訓練越深入，模型對外部工具的依賴反而越少——它把熟悉的流程直接燒進參數，只在遇到陌生情況時才拉回來查外部狀態。這個現象被稱為「harness annealing」。

值得注意的是，這個框架不是只有訓練過的小模型受益。研究人員另外測試了未訓練、直接開箱使用的前沿大模型——只是加上 BPE 狀態介面當 prompt 層，GPT-4.1 的成功率就提升了 22.1 個百分點，GPT-5 提升了 25.7 個百分點。換句話說，這個狀態管理架構本身就有用，不依賴訓練也能發揮效果。

對企業端的意涵直接而具體。現在要用 AI 跑複雜的長時任務——資料庫遷移、合規稽核、多步驟程式碼重構——標準作法是砸前沿大模型的錢，因為小模型在長時間任務裡容易失憶、跳步、重複犯錯。EvoHarness-RL 如果能夠複製到生產環境，就代表一個 8B 的開源小模型可以做到以前要付旗艦模型 API 費的事。推理成本的差距在目前市場上動輒超過十倍。研究人員也直接點出一條混合架構路線：用前沿大模型生成高品質的狀態整合訓練資料，再把開源小模型微調成能處理日常狀態管理的執行引擎，前者只需要在整合階段出現，主執行迴圈由小模型扛。這條路徑技術上已有先例，但 EvoHarness-RL 把它系統化了。

目前這還是一篇 arXiv 論文，基準測試環境 ALFWorld 是文字型模擬情境，距離真實生產系統的複雜度有落差。但方向是清楚的：大模型的能力天花板，未必要靠大模型自己來觸及。