在大模型竞速进入推理才能深水区的密模 2025 年 ，一支奥秘的型推小模型团队悄然上台 。他们不是越R隐秘来自一线大厂的 AI Lab ，也没有高调预热和融资造势 ，团队推理而是发布在 Hugging Face 低沉开源了一款 32B 的推理模型 ：AM-Thinking-v1 。
令人惊奇的密模是 ，这个中等规划的型推小模型稠密模型 ，在多个要害推理评测中打败了 DeepSeek-R1，越R隐秘并与超大规划的团队推理 MoE 模型Qwen3-235B-A22B 、Seed1.5-Thinking 平起平坐 。发布
这款模型背面的密模团队 ，是型推小模型国内一个从未对外发表的研讨团队——A-M-team。他们不依靠私有数据、越R隐秘不依靠海量核算资源 ，团队推理仅凭开源底座和练习管线的发布极致规划 ，就做出了敞开社区 32B 等级中最强的推理模型 。
论文链接 ：https://arxiv.org/pdf/2505.08311 。
功能全面逾越 DeepSeek-R1 ：32B 模型中的“黑马”。
在当时干流评测中 ，AM-Thinking-v1 也交出了极具冲击力的成果单 ，仅 32B 的结构在数学推理（AIME 系列）和代码生成（LiveCodeBench）中别离取得了 85.3 和 70.3 的高分 ，不只全面逾越了 DeepSeek-R1（671B MoE 架构） ，还迫临乃至追平了 Qwen3-235B-A22B 和 Seed1.5-Thinking 等超大规划 MoE 模型的成果 。
把“小体积 ，大推理”的极限范式展示得酣畅淋漓 。
值得注意的是，AIME 系列标题来自美国数学邀请赛 ，结构杂乱 、要求精准 ，向来是衡量模型逻辑思维才能的金规范；LiveCodeBench 则着重代码可履行性和稳健性 ，数据污染难度高 ，是实在场景下“考虑-编码-验证”链条的苛刻检测 。
AM-Thinking-v1 模型测验得分表 。
AIME2024 不同模型标准作用比照；x 轴为模型标准 ，y 轴为分数 。
LiveCodeBench 不同模型标准作用比照；x 轴为模型标准 ，y 轴为分数 。
推特大 V Aran Komatsuzaki 也下场转发 ，并配文 ：AM-Thinking-v1 正以 32B 的规划推动着推理前沿功能的鸿沟 。
分数之外，是更具实践意义的使命 。当研讨人员用 AM-Thinking-v1 去处理典型的“旋转三角形中红球反弹”问题时 ，AM-Thinking-v1 展示出了多步逻辑极强的了解，给出了完好的运动轨道模仿和关于小球磕碰的判别 。
而在逻辑推理使命中，AM-Thinking-v1 也能坚持十分安稳的考虑进程 。
在长文本写作才能的测验中 ，AM-Thinking-v1 在表达逻辑和意象捕捉方面也展示出了开始的组织才能 。
32B 模型的新上限，是这样“训”出来的。
与寻求超大规划和大数据堆叠不同 ，A-M-team 的要害打破在于如何用有限的核算和开源数据 ，最大化32B模型的推理才能 。
他们规划了一整套后练习（post-training）计划 ，其间包含冷启动式监督微调、经过率引导的数据挑选机制以及双阶段强化学习（Dual-stage RL） 。
首先在监督微调（SFT）阶段 ，团队用了一个相对急进但作用很好的设置 ：把学习率拉到了 8e-5 ，batch size 也做了加大，还支撑最长 32K 的输入长度 。练习样本被特别规划成“先考虑再答复”的格局 。
这个规划协助模型建立了“先想清楚 、再说话”的好习惯 。并且 ，练习中还能显着看到模型越来越懂得操控长度 、防止烦琐——这些改变在均匀生成长度和停止率上都有反映 。
其次在数据这块 ，团队彻底依托开源资源 ，从数学 、代码 、科学推理到指令跟和顺通用对话 ，一共收拾出了五类中心使命的数据 。
他们花了很多时刻做清洗 ：不只去重、改写问题 ，防止和评测集“撞题” ，还对数学数据进行严厉验证 ，乃至用 DeepSeek-R1 和 o4-mini 来穿插比对规范答案 。生成的练习样本也经过层层挑选 ，比方用 PPL 算分 、查看重复短语和结构完好性 ，终究留下的数据洁净又靠谱 。
在最终的强化学习（RL）阶段 ，团队选用了 GRPO 这种轻量级算法 ，还特别搞了个“难度感知”的战略 ，意思是 ：先挑一些模型做得不太好的题来练 ，等熟练了 ，再参加一些通用对话和指令跟从使命来拓宽才能 。
奖赏机制也挺考究 ：数学和代码类的问题用规矩验证或许直接跑沙盒程序验证答案；而像 open-ended 答复这种 ，就让 LLM 来打分，从有用性 、准确性 、连贯性这三方面评价 ，确保模型在各方面都能前进 。
当然 ，为了让整个 RL 练习高效跑得动 ，A-M-team 还在工程上动了不少脑筋。比方他们把推理和练习分隔，用了 streaming rollout 的方法，还配了个前端负载均衡器 ，能依据每张 GPU 的实践压力动态分配使命 ，最大极限防止“有的卡闲着、有的卡累死”的状况 。不只练习稳 ，还能大大节省时刻和算力 。
总的来说 ，尽管 AM-Thinking-v1 现已在推理上做得很超卓 ，但它现在还不支撑函数调用、多模态输入 ，对低资源言语的才能也有待验证 。
不过 ，即便如此 ，它现已把 32B 模型的功能潜力发掘到了极致，也为开源 LLM 社区供给了一个值得学习的思路：不靠堆参数 、不靠私有数据，经过详尽练习规划，也能做出满足聪明的模型 。
为什么要做一个 32B 推理模型 ？
在当时大模型发展趋势中 ，干流道路正不断寻求更大的参数规划 、更杂乱的架构（如 MoE） 、更巨大的练习数据和更贵重的练习资源 。但这条道路的本钱极高 ，一起也带来了模型布置难、推理推迟高、适配门槛大等一系列现实问题 。
A-M-team 挑选反其道而行之，专心在 32B 这一“中标准模型”的参数区间，其实背面也有有着清晰的考量 ：他们想探究一种在核算资源可控 、数据彻底开源的条件下 ，也能完成强壮推理才能的途径。
具体来说 ，32B 是一个对研讨与运用都更友爱的“黄金标准” ：
满足强壮 ：比较 7B 或 13B 模型 ，32B 在才能上能支撑杂乱的数学推理和代码生成 ，具有履行严厉 reasoning 使命的根底；
本钱可控 ：比较 100B 、200B 乃至 670B 的巨型模型 ，32B 模型练习与推理资源需求明显更低 ，更适合在企业或研讨机构内部复现 、布置和迭代；
布置更友爱 ：在单节点或小规划集群上即可运转 ，可运用于更多落地场景；
MoE 代替探究：它也是对 MoE 道路的代替探究 ，A-M-team 想要验证 ，不运用专家模型 ，仅靠稠密结构和厚实的后练习规划 ，是否也能到达乃至逾越 MoE 模型的体现。
AM-Thinking-v1 正是在这样的问题驱动下诞生的 ：一个不依靠私有数据、没有特别硬件依靠 、彻底根据社区资源练习而成的中标准模型 。
而它的体现也正好印证了这个方向的潜力——不只在 AIME 和 LiveCodeBench 等高难度使命上逾越了 DeepSeek-R1 ，还在多个维度挨近 Qwen3-235B-A22B 这类百亿级 MoE 模型 。(大众号 ：)简而言之 ，AM-Thinking-v1 想要答复的是一个要害问题 ：“大模型才能的上限 ，能不能用更小的体量完成 ？” 结果是必定的 。
而这正是 32B 推理模型的价值地点。
原创文章 ，未经授权制止转载 。概况见转载须知 。
