Axion 1.0 证明 agent 模型训练可以砍到三阶段

现代 agent 模型的训练流程已经卷成了流水线迷宫：mid-training、多阶段 SFT、DPO、偏好优化、在线策略蒸馏，一个环节都少不了。Axion 1.0（arXiv 2611.03233）问了一个得罪人的问题：这些复杂度里，有多少是真正必要的？答案是：砍到三阶段，两次轻量 SFT 加一轮 GRPO 强化学习，效果不降反升。

开源范围超出预期：不只模型权重，完整的配方全部开放，包括数据构建、生成、过滤、验证、提示词与训练代码。数据管线分两条：自包含推理以公开题目为种子合成难题，基座答对的题用四种变换针对性加强，参考答案要 GPT-5.5 独立求解三次一致才接受；工具依赖推理则基于结构化公开数据，用确定性流程生成，构建时数据库不对模型开放，闭卷能答对的题直接剔除。

成绩按论文口径：122B 版在 FrontierScience Research 拿 66.7%，超过 GPT-5.6 Sol 的 63.3%；35B 版对比同规模的 Agents-A1，HLE 高 4.6 个百分点、SEAL-0 高 5.8、FrontierScience Olympiad 高 7.0。最惊人的是成本：122B 两阶段 SFT 共 7.5 小时、240 GPU 小时。消融也诚实：SFT 贡献了主要增益，RL 再往上顶。

对被 agent 训练流程复杂度劝退的团队，这篇是一剂解毒剂：先把流程砍到最简，再证明每一环的必要性，而不是反过来把所有流行模块都堆上去。跨来源基线比较是「指示性而非严格受控」的，作者自己标注了，读的时候记得带上这副眼镜。