测试开源大模型后训练对Agent能力的提升效果

Qwen3.8-Flash-Next 开源了，Qwen4 的架构预览被扔出来了。 现在很多模型，底座没怎么变，做一层后训练之后，Agent 能力能突然往上窜一大截。 那问题来了： 后训练到底训练进去了什么？ 是知识更多了？推理更强了？还是模型“干活的方式”变了？ 我正好部署了两个特别适合做 A/B Test 的模型： 🔥Apodex-1.1-mini-GPTQ-Int4 vs 它自己的底座 Qwen3.5-35B-A3B-GPTQ-Int4 但做完后训练以后，Apodex 自己公布的 benchmark 已经吹得挺狠了： 在 FrontierFinance 上，Apodex-1.1-mini + Agent Team 拿到 50.2。 同一个 benchmark 里，Claude Fable 5 的参考成绩是 49.2。 一个 35B 的开源模型，后训练一下，号称专业 Agent 能力已经能摸到甚至超过 Fable。 这个我偏不信。 我正好有机器。我有两张 4090。 一张跑 Apodex，一张跑原版 Qwen。 同架构、同 INT4、同 128K 上下文、同一套 Agent Harness，两边同时接完全一样的任务。 所以这个实验非常干净： 底座基本没变，主要看的就是后训练到底给 Agent 加了什么能力。 结果越来越有意思。 甚至测出来一层能力，已经开始往 Fable 那个方向靠了。 🔥我给这两个模型和 Fable 出了一道预测题。 2026 年 8 月 26 日，NVIDIA 当天盘后要发 FY2027 Q2 财报。 我提前几个小时，让它们预测： 总营收 GAAP 毛利率 Data Center 营收 下一季度指引 要求自己上网调研，最后给判断。 本来我只是想看看：同一个底座，做过后训练以后，Research + Agent 能力到底能提升多少。 🔥结果这道题出了个非常离谱的乌龙。 底座其实非常努力。它搜了 40 次。 而且最离谱的是：它中间已经把正确答案全部查出来了。 然后到了最终答案——它自己把这些正确数据全扔了。 我一开始都看懵了。 后来翻完整 Agent 日志，才发现真正有意思的事情： 当外部证据和模型脑子里的旧认知发生冲突时，它到底信谁。 🔥这时候你就能明显感觉到，后训练之后的模型，跟底座已经不是一个“工作状态”了。 它看起来会更聪明、更机灵。 它更像一个被教过怎么干活的人。知道什么时候该搜。知道哪些证据更重要。 以后每个企业，都会有一个自己的模型。 不一定是从零预训练。 但至少会有自己的后训练、自己的 Agent 行为、自己的工作习惯。 🔥小模型不一定非得和 Frontier Model 拼所有能力。 把一个方向训透，再配上一套好的 Harness 和 Tool Use，它真的可以变得非常机灵、非常能干。 最后夸一下 Apodex。 这次不只是模型后训练做得好，他们那套 Harness + Tool Use 也确实很能打。 一个 35B 模型被他们训完，再塞进这套 Harness 里，真的已经开始有点专业工种的味道了。

NVIDIA 财报出来了，正确答案揭晓： 总营收：$96.221B GAAP 毛利率：75.0% Data Center：$89.0B Q3 指引：$108.0B ±2% 这局 Fable 赢了。 😂 但我反而更想夸 Apodex： 一个 35B 的开源模型，后训练 + Harness + Tool Use，已经真的能拿来干活，而且很好用。 能跟 Fable 一起做真实世界的事前预测，最后等财报出来直接对答案——这已经不是 benchmark 玩具了。 🔥你可以去他们网站体验完全体。 本次测试使用的 harness： 模型： paper：