允中 发自 凹非寺
量子位 | 公众号QbitAI
北京中关村学院7名博士生，用一个暑假，从零训练出了一个7B大模型——ZGCM-1。
随后，他们把各阶段训练数据和配方、模型权重、训练代码、中间checkpoint和日志也开放出来，让每一位感兴趣的研究者都可以追溯、复现整个流程。
在多项通用评测中，ZGCM-1与Qwen3-8B等同规模模型表现相近；在部分数学推理和搜索评测中，它也能与Qwen3-235B-A22B、GLM-5.1等更大规模的模型比较。
但比最终分数更让人好奇的是，数据、训练、集群、评测这一整套工程，在大厂通常需要几百人的团队协作完成，七个人怎么做得过来？
他们给自己组建了一支几百个Agent的团队，分头处理数据、跑实验、看日志、做评测，亲手实践「AI4AI」研发范式。
模型训完后，团队还对整个模型研发流程中Agent的实际表现做了一次评级，希望基于本次完整的大模型训练实践，为RSI现状提供真实的工程结论。
至于为什么开始做这件事，还要从一顿火锅说起。
△ZGCM-1模型能力概览及主要技术路线
看了很多技术报告，还是想自己训一次
七个人最初因为兴趣凑到一起：两人人工智能方向，两人网络方向，另外三人分别来自化学、生物和网安。
平时，他们更多是在现成模型上做微调。技术报告看了不少，许多问题却还是想不明白：数据到底怎么选，训练出了问题怎么查，最后写进报告里的方法，又是经过多少次失败才留下来的？一句“我们进行了数据清洗”，落到实际工程中，究竟意味着多少工作？
吃火锅时，大家聊到了这些困惑，也聊出了一个念头：既然光看报告总有弄不明白的地方，要不要自己从头训练一次？
当时，他们甚至想用一个7B模型去挑战Sonnet这样的模型。参数装不下那么多知识，就让模型多想一会儿，学会搜索、使用工具。
至于能走多远，谁也没有把握。他们想先动手，也把过程留下来，让其他学校里同样好奇的研究者有东西可参考。
老师们半信半疑，还是决定让他们试试，先给了一些算力。
接下来的几天，大家日夜赶着复现已有项目，快速迭代一个小模型。团队较为顺利地把完整流程快速跑通了，也让老师们看到继续投入的可能，团队因此获得了更多资源，饭桌上聊出的想法开始变成每天都要推进的工程。
真正开始7B模型的训练之后，他们才发现还有很多东西没有真正弄懂。有些概念在论文里见过，到了要改代码、解释实验现象的时候，又会卡住。
于是大家就让Agent从基本原理开始调研讲解，讲完再回到代码和实验里验证。原本冷冰冰的知识，开始对应具体的实现，也对应一次训练为什么跑不下去。
七个人忙不过来，就组建几百个Agent的团队
也有觉得干不了的时候，他们把整个工程展开，数据、算法、训练、集群、评测……每一项都能对应大厂里的一个专项团队。
七个人既要推进任务，又要不断补课，各种问题也接踵而至。
数据尤其如此：数万亿token来自不同来源，质量参差不齐，清洗、去重、检查格式、核对分布，做完一轮还要继续检查。
当所有这些环节同时压在七个人身上，工作量便远超他们的承受范围。
于是，他们开始给自己组建一支Agent团队。
几个人调度几百个Agent，逐渐分出了做数据、跑实验和做评测的不同Agent子团队，还搭建了类似论坛的任务发布与汇报系统，让任务有人接、进展有地方看、结果能被检查，也评价不同Agent的工作。
研究者负责提出目标、设定约束和做关键判断，Agent把具体工作持续推进下去。
比如在数据处理上，团队构建的Agent队伍能依据人给出的质量要求编写清洗脚本，检查数据分布是否达标，并根据结果自动调整规则和阈值，形成一个闭环。
在实验环节，它们同样具备从提交任务、监控日志到定位故障、调整配置的完整能力，甚至能主动发现存储与数据传输的瓶颈，优化训练框架的I/O流程，从而提升训练速度。
同时为了优化Agent之间的迭代和沟通效率，团队通过自研的ZGent平台，把会议讨论、研发决策和计划积累成共享上下文，再把验证过的脚本、工作流和debug经验沉淀为可复用的Skill。后来加入的Agent可以接着此前的经验做事。
大家的日常里，也多了把问题讲清楚、把任务组织好，再回来检查结果这几件事。
△人与Agent共同参与研发，会议决策和实验经验在后续任务中持续复用
后来，大家逐渐意识到，这种借助AI来研发AI的做法，正是最近非常流行的“AI4AI”。
不过，如果追问AI到底已经能独立做多少事情，光凭“帮了很大忙”的印象还不够。
于是，团队将研发过程拆成11类任务，请核心参与者按照L1到L5的自主性框架逐项评级。
差别很明显，实验监控和部署到了L4，人给定目标与约束后，Agent可以独立规划、执行，并根据反馈继续调整；模型架构和学习算法设计仍在L2，更多是帮助实现已有方案、运行预设实验。
至于研究什么、关键设计怎么选，还需要人来主导。
几个人带着几百个Agent，确实能把许多工作做起来，但距离让AI独立承担整个研发过程，还有不少问题要解决。
△AI研发自主性的五个等级
△不同研发任务中的AI自主性评级，来自团队9名核心参与者的评分的平均值
loss还在降，模型怎么退步了
有了Agent团队，训练中该踩的坑也没有自动消失。一次训练看起来很正常，loss仍在下降，模型能力却突然出现了明显退步。曲线没有告诉他们出了什么事，只能继续往下查。
最后，问题追到了底层的数据分片和shuffle环节：实际送进训练的数据比例发生了波动，模型吃进去的东西，并不总是他们以为的那份配方。
这次以后，团队不敢再只盯着loss。他们更密集地保存中间checkpoint，追踪知识、数学、代码和推理等能力的变化，还建立了ACE原子能力评测体系，把能力拆成18类、183项，用2503个探针进行检查。
在内部的分布式评测系统中，一轮诊断大约两三分钟。一次修改让哪里变好了，又让哪里退步了，下一步该查数据还是训练方法，都有了更具体的依据。
△ACE原子能力评测结果，帮助团队定位不同能力的优势与短板。
在反复排查和修正之间，也有特别开心的时刻。训练到一半，他们让模型写了一首歌，它真的写出来了。
用别人的模型生成文字，已经不是什么新鲜事，但看着自己从随机参数开始训练的模型写出一首歌，感觉还是不同。
那天晚上，大家回到最初吃火锅的地方，又吃了一顿火锅庆祝。后面还有很多工作，饭桌上那个没有把握的想法，至少已经有了可以看见的进展。
当时模型写的那首歌：
