想让 AI 帮你查天气、换货币，它不只要会说话，还得知道何时调用哪个工具、参数怎么填。这个社区实验尝试把这套本领装进更小的模型：作者将 Muse-Glimmer-30B 按宽度缩减——也就是收窄每层内部表示和通道——保留全部 52 层，得到 14.44B 参数的 Xyntetik-Kvist-14B，再用知识蒸馏让它模仿教师模型。知识蒸馏，就是让较小的“学生”学习较大模型的输出与决策；全程没有使用强化学习。
据作者在 Reddit 自述，新模型完成了 60 项未参与训练的闭环工具任务中的 57 项，母模型完成 60 项，未经训练的对照模型则是 0 项。所谓闭环，不只检查调用格式，还会真正执行联系人、天气、航班、货币等工具，再与正确答案核对，因此更接近日常 Agent——能自主选择工具完成工作的 AI——实际运行。作者还公开了 12 次受控尝试及失败记录，其中只有两次跑完、一次发布，这让它成为一个较便于复验的模型压缩样本。
边界也很明确：作者记录称，模型若没有计算器工具，会算错“2,340 的 17%”；相关效果目前来自作者发布的模型卡与自测，尚未见独立复核。