代理多执行，关键决定仍由人做

The Decoder 9 月 27 日报道，一支有复旦大学研究者参与的团队，回头分析了自己做模型时人和代理怎样分工。材料是 700 多条任务日志、56 名参与者，以及这些代理的日志。项目的模型叫 Atria Dawn Preview，混合专家架构，7440 亿参数，面向研究和工程任务。

团队说，它在 16 项基准里领先 5 项，其中包括网页搜索和网络安全，但整体并不领先对手。报道点名：AutomationBench、CyberGym 和 MLE-Bench Lite 领先，GDPval 和 SWE-Bench Pro 落后。训练把每个任务接到真实执行环境，用测试、指标或原始材料来核对。

被审阅的任务里，96.5% 用了 AI。四周之内，代理动作与人类输入之比的中位数从 11 升到 28.5。团队明确提醒，不要把这读成自主性增加：人的每一个决定带出更多代理步骤，并不等于代理自己做了更多决定。

455 项已经完成、并且用了 AI 的任务里，151 项被评为没有 AI 就达不到同样的范围和质量，大约三分之一。这 151 项分布在 56 人中的 27 人身上，不是少数重度用户做出来的。方法和参数上，最常见的模式是 AI 提议、人来选择，占 55.4%。总体上，方法和参数的决定 85.5% 由人做出，AI 占 9.2%。目标和范围的最终决定，93.4% 由人做出。即便在那 151 项被认为离了 AI 就做不成的任务里，目标仍有 95.4% 由人选定。

588 项记录了困难的任务里，76% 靠人介入才往下走，23% 由代理自己解决。人的帮助几乎都是信息：补充上下文或澄清要求占 35.2%，诊断问题并改换方法占 34.7%。人很少亲手做，部分修改占 3.2%，完全接手占 0.7%。输出需要修改时，人给出反馈之后，75.4% 的修改由 AI 自己完成。

团队写了一种风险：每个决定下面如果都是人看不完的代理链条，人可能只剩下盖章。不少参与者为了不打断长时间运行，让代理处在自主模式。这条边界是为了省事，不是一次关于该给多少权限的正式决定。这是团队对自己项目的研究，不是外部审计。报道后半还提到其他实验室的说法，本篇没有把那些数字写成这项研究的测量结果。