Agents-A1は、InternScienceによって開発された35B規模の混合エキスパート（MoE）型エージェントモデルです。革新的な学習パラダイムを通じて、その性能は兆単位のパラメータを持つモデルに匹敵し、特に化学、物理、生物学といった科学研究分野において、際立った応用可能性を示しています。

このモデルは、長距離探索、エンジニアリングタスク、科学研究、指示実行、ツール呼び出しといった多領域にわたる異種エージェント能力のために設計されています。

Agents-A1が科学研究にもたらす価値

Agents-A1は、スケーラブルな汎用エージェントモデルを構築するために三段階の学習パラダイムを採用しています。まず、広範なエージェント挙動に基礎モデルを適応させるための全領域における教師ありファインチューニングが行われます。次に、各領域の専門知識を捉えるために領域レベルの教師モデルが学習されます。最後に、複数教師・複数領域でのポリシー蒸留と異種知覚最適化を通じて、領域横断的な知識転移効率が向上されます。このアーキテクチャにより、Agents-A1は科学研究において以下の主要な利点を提供します。

• 高度な推論能力：複雑な課題を実行可能な副ステップに分解し、事前に計画を立て、中間結果に基づいて戦略を調整する能力に優れています。
• シームレスなツール統合：関数呼び出しとツール統合をネイティブにサポートし、API、コードインタープリター、検索エンジンといった外部ツールと円滑に連携できます。
• 科学分野の専門知識：ツール統合を伴う科学的推論や専門知識に関する問いに答え、複数の科学ベンチマークで優れた成績を収めています。

化学分野での画期的な応用

化学研究において、Agents-A1はその顕著な強みを発揮します。特に分子結合予測タスクでは、MolBench-bindベンチマークで56.8というスコアを記録し、同規模のモデル（Qwen3.5-35B-A3Bの46.0、Qwen3.6-35B-A3Bの48.7）を大きく上回り、より大規模なGPT-5.5（62.2）にわずかに及ばない程度です。この能力は、分子間の相互作用をより正確に予測し、薬剤発見や材料設計のプロセスを加速させます。

Agents-A1のツール呼び出し機能は、計算化学ソフトウェアとのシームレスな連携を可能にし、複雑な分子シミュレーション、量子化学計算、薬剤スクリーニングプロセスを自動化します。研究者は研究目標を提供するだけで、モデルが自律的に計算手順を計画し、適切な方法パラメータを選択し、結果を分析して研究レポートを作成できます。

物理学研究における効率的な問題解決

物理学分野では、Agents-A1はHiPhO（High School Physics Olympiad）ベンチマークで46.4のスコアを記録し、GPT-5.5（43.3）やKimi-K2.6（41.1）といった大規模モデルを凌駕して首位に立ちました。これは、複雑な物理問題や理論的推論を処理する上でのその優れた能力を示しています。

モデルは、物理学者が理論モデルを構築し、実験データを分析し、物理現象を説明するのを支援します。例えば、高エネルギー物理学の研究では、Agents-A1は粒子衝突データを処理し、異常な信号を特定し、新しい物理モデルの可能性を提案できます。その長距離推論能力は、量子場理論の計算や一般相対性理論関連の問題など、多段階の推論を必要とする複雑な物理問題の処理を可能にします。

生物医学研究のスマートアシスタント

生物医学研究分野でも、Agents-A1は優れた性能を発揮しています。FrontierScience-Olympiad（79.0）およびFrontierScience-Research（40.0）といった生物学関連ベンチマークの両方でトップの成績を収めました。これらの結果は、複雑な生物学的システムの理解、遺伝子データの分析、実験計画の立案におけるモデルの能力を裏付けています。

研究者はAgents-A1を活用して、ゲノムデータ解析、タンパク質構造予測、薬剤ターゲット特定を加速できます。モデルは多層オミクスデータを統合し、疾患関連遺伝子を特定し、タンパク質相互作用ネットワークを予測し、潜在的な治療介入戦略を提案します。ワクチン開発においては、Agents-A1はウイルスの進化経路をシミュレーションし、変異ホットスポットを予測することで、より効果的なワクチン候補の設計を支援します。

Agents-A1の迅速な導入

Agents-A1を科学研究に活用するには、まず以下のリポジトリをクローンします。

git clone https://gitcode.com/hf_mirrors/InternScience/Agents-A1-Q4_K_M-GGUF

SGLangまたはvLLMフレームワークを用いたデプロイが推奨されます。以下にSGLangの例を示します。

# SGLangのインストール
uv venv --python 3.12 --seed --managed-python
source .venv/bin/activate
uv pip install sglang

# サービス起動
python -m sglang.launch_server \
  --model-path InternScience/Agents-A1 \
  --port 8000 \
  --tp-size 1 \
  --mem-fraction-static 0.8 \
  --context-length 262144 \
  --reasoning-parser qwen3 \
  --tool-call-parser qwen3_coder

科学研究タスクにおいて最適な生成品質を得るためには、以下のサンプリングパラメータが推奨されます。

• temperature: 0.85
• top_p: 0.95
• top_k: 20
• presence_penalty: 1.1

科学研究評価フレームワーク

Agents-A1は、異なるモデルの性能を公平に比較するための統一されたエージェント評価コードベースを提供しています。この評価フレームワークはリポジリのevaluationディレクトリに含まれており、ツール使用や多段階推論といった主要な能力の評価を網羅しています。

研究者はこのフレームワークを利用して、標準化された再現可能な環境でモデル性能をテストし、ユーザーの目標理解、複雑な指示の分解、ツールや環境との対話、最終結果生成におけるモデルの能力を評価できます。詳細な評価スクリプト、タスク定義、メトリクス、再現手順は、評価コードベースで確認可能です。