你让 AI 帮你订一趟行程，它不能只给建议：还要拆分任务、查询外部信息、根据结果调整下一步。普通聊天模型擅长“回答”，这类任务却要求模型持续“行动”。Axion 1.0 想解决的正是这个差别：训练一个面向通用 Agent 的基础模型，让它既能独立推理，也能调用工具连续完成任务。
发布方推出了 Axion-1.0-35B，并把重点放在一套只有三个阶段的训练流程上。这里的 35B 来自页面标题，材料没有进一步说明参数统计口径。以下训练方法与效果也都来自 Axion 团队自己的发布页面，尚无独立信源验证。
三阶段，像是先做题，再上机
第一阶段是监督微调（SFT）——用带示范答案的数据继续训练模型，相当于拿例题教学生怎样思考。团队称，它会先观察底座模型已经能成功解决问题的方式，再据此合成更难的问题，并做“对抗性增强”：针对模型现有的解题套路增加挑战，迫使它练出更扎实的自包含推理能力。
“自包含”意味着模型不依赖外部工具，仅凭题目和自身能力完成推理。这一阶段的特别之处，不只是大量出题，而是根据模型已经会什么来调整题目。好比教练先看运动员最熟悉哪套动作，再有针对性地提高难度。不过，发布材料没有公开具体题型、增强规则或训练规模，因此我们只能确认这条思路，不能判断它实际如何落地。
第二阶段仍是 SFT，但训练目标从“自己做题”转向“借助工具做事”。团队称，它利用真实数据源和确定性计算，构造多样且能自动核验的任务。所谓确定性计算，就是同样的输入可以算出明确结果。这样一来，系统能自动检查模型调用工具后得到的答案是否正确，不必让人工逐条判断。
这一步很关键。Agent 基础模型不是只负责聊天，而是要支撑一整套智能体工作流：规划步骤、调用外部工具，再根据工具返回的结果决定下一步。第一阶段像闭卷考试，第二阶段则像允许使用计算器和资料库的实操课。模型不仅要知道答案，还要知道何时需要工具，以及怎样把工具结果接回自己的推理过程。
最后一阶段是强化学习（RL）——模型根据行动获得的奖励信号调整策略，而不只是模仿标准答案。发布方称，这一阶段进一步强化长程推理，以及模型与外部工具和环境持续交互的能力。“长程”指任务包含多个前后相连的步骤：前一步选错，后面就可能一路偏离。
简单，指的是少走几条常见路线
Axion 团队把这套流程称为“相对简单”，依据是它没有加入专门的中期训练，也没有采用 DPO 或 on-policy distillation（OPD）。DPO 是用成对的偏好数据教模型选择更受欢迎的回答；OPD 则让学生模型从自身当前行为出发，接受更强模型的指导。两者都是 Agent 模型后训练中可用的路线，但 Axion 宣称仅靠两轮轻量级 SFT 加一轮 RL 完成训练。
这里的“简单”不等于训练本身轻松，也不代表成本低。它更准确的意思是：阶段少，组件相对集中。至于数据生成、过滤、自动验证和强化学习内部是否复杂，现有摘要没有给出足够细节。
真正值得看的，是它公开到哪一步
发布方称，项目不只开放模型权重，还公开数据构造与生成流程、过滤和验证方法、提示词、训练代码及训练数据集。对 Agent 研究而言，这比单独放出一个可下载模型更有意义：其他团队至少有机会检查数据怎么来、任务如何验、训练流程怎样连接，并尝试修改其中某一环。
团队还称，Axion 1.0 在一组广泛的 Agent 基准测试上表现强劲，并在其中若干项目上可与领先商业模型竞争。但当前供稿没有给出基准名称、具体分数、对比模型或评测设置，因此这只能视为发布方的效果主张，不能写成已经独立证实的结论。
Axion 1.0 眼下最值得关注的，不是“又一个 35B 模型”，而是它提出了一条清楚的训练分工：先练不借工具的推理，再练可自动验收的工具任务，最后用奖励信号打磨连续行动。它试图说明，通用 Agent 能力未必需要不断叠加训练阶段。这个判断是否成立，还要看完整材料和外部复现。
局限与未知
- 发布材料没有提供具体基准、分数和评测设置，无法判断“可与商业模型竞争”的适用范围。
- “完整训练配方可复现”仍是发布方主张；许可证、所需算力、潜在依赖和公开材料的完整程度尚未独立核验。
- 摘要没有披露各阶段的数据规模、训练成本和关键实现细节，三阶段流程究竟简单到什么程度，目前不能下定论。