Atria-Dawn-Preview 是上海人工智能实验室发布的新一代 Agentic 大模型预览版，基于 744B 参数 MoE 的 GLM-5.2 底座，定位于“从研究问题到可验证结果”的端到端智能体任务。它强调长上下文、工具调用、多步任务执行、代码实现、实验运行、结果分析与失败恢复能力，适用于科研自动化、软件开发、办公交付和授权网络安全分析等场景。仓库本身主要是模型发布与使用说明入口，提供 Hugging Face、ModelScope 下载地址，以及 API 在线访问和本地部署框架指引。
适用领域
大语言模型 / LLM Agent / 智能体系统 / 科研自动化 / 代码生成与软件工程 / 工具调用 / 办公自动化 / 数据分析与可视化 / 网络安全分析 / 模型部署与推理服务
配置难度
中高。通过在线 API 接入的难度中等，主要是配置 API Key、provider 和文本输入限制；但本地部署难度很高，因为模型规模达到 744B MoE，需要多卡/集群资源、成熟的推理框架经验和较强的运维能力。对于中国开发者，使用 ModelScope 下载和中国区 API 会更方便。
商业价值
该项目适合用于评估和构建面向复杂知识工作流的企业级 Agent 能力，例如研发助手、科研自动化平台、数据分析助手、办公交付自动化、代码智能体和安全分析工具。其 256K 长上下文和工具调用能力对高价值复杂任务有明显吸引力。如果团队具备 API 成本控制、数据合规和 Agent 工程能力，可以较快将其接入现有工作流；若计划本地私有化部署，则需要投入较高硬件和工程成本，适合有隐私、安全或大规模定制需求的企业与科研机构。
01
技术亮点
- 基于 744B 参数 MoE GLM-5.2 底座，面向复杂 Agentic 任务。
- 支持 256K 长上下文，适合长文档、大型代码库和复杂任务链路。
- 覆盖 Discovery、Creation、Delivery、Cybersecurity 四类能力，应用范围较广。
- 强调可执行、可验证、可复现结果，而不仅是自然语言回答。
- 提供国际版和中国区 API 访问入口，方便中国开发者接入。
- 提供 Hugging Face 和 ModelScope 下载，国内用户可优先使用 ModelScope。
- 提供 FP8 量化版本，有助于降低部署成本。
- 在多个搜索、工具使用、办公自动化和安全评测中给出了对比结果，部分指标表现领先。
- MIT 许可证，便于研究和商业评估。
- README 给出了 Codex CLI 集成细节，适合作为代码智能体模型后端尝试。
02
目标用户
- 希望评估或集成国产/开源 Agentic 大模型的 AI 工程师
- 需要长上下文和复杂任务规划能力的研发团队
- 从事科研自动化、实验设计、文献检索和结果复现的研究人员
- 构建代码智能体、自动化办公助手或数据分析 Agent 的开发者
- 有本地大模型部署能力的企业 AI 平台团队
- 需要通过 API 快速接入模型能力的应用开发者
- 在授权环境中进行安全分析、漏洞验证和修复建议的安全团队
03
配置要求
- 模型名称：Atria-Dawn-Preview。
- 上下文长度：256K tokens。
- 输入模态：仅支持文本，不支持图像、截图、PDF 或其他二进制附件直接输入。
- 在线 API 环境变量：ATRIA_API_KEY。
- Codex CLI 最低版本要求：0.154.0 或更高。
- Codex provider 配置需要 base_url=https://api.atria-asi.ai/v1，wire_api=responses。
- Codex 中建议设置 model_catalog_json，并在模型元数据中配置 input_modalities=["text"]，否则可能默认按多模态处理并导致 400 错误。
- 如果使用 features.view_image=false，可避免模型尝试使用图像查看能力。
- 本地部署框架要求：SGLang v0.5.13.post1+ 或 vLLM v0.23.0+。
- 本地部署需要支持超大 MoE 模型的多卡或集群级 GPU 资源，FP8 版本可降低但不能消除硬件门槛。
04
适用场景
- 将研究问题拆解为可执行实验计划，并检索、整理证据
- 自动生成、修改、调试和验证代码项目
- 构建交互式应用、游戏、数据可视化和机器学习系统
- 基于文档、数据和设计需求生成报告、演示文稿等结构化交付物
- 执行多步骤工具调用任务，例如搜索、代码运行、结果分析和错误恢复
- 作为 Codex CLI 或 Claude Code 等开发工具的自定义模型后端
- 在授权靶场或企业安全环境中分析安全问题、验证漏洞、给出修复方案并复测
- 通过 256K 长上下文处理大型代码库、长文档和复杂任务上下文
05
部署与配置
- 在线 API 使用：访问国际版 API Console：https://api.atria-asi.ai/ 或中国区入口：https://discovery.intern-ai.org.cn/token-plan/home?tabIndex=0。
- 阅读对应 API 文档：国际版文档 https://api.atria-asi.ai/docs，中国区文档位于 token-plan 页面文档标签。
- 获取 API Key，并在本地环境变量中设置 ATRIA_API_KEY。
- 如使用 Codex CLI，在 ~/.codex/config.toml 中添加自定义 provider，设置 model 为 Atria-Dawn-Preview，base_url 为 https://api.atria-asi.ai/v1，env_key 为 ATRIA_API_KEY，wire_api 为 responses。
- 由于模型仅支持文本输入，Codex 用户建议创建 ~/.codex/atria-catalog.json，声明 input_modalities 为 ["text"]，context_window 和 max_context_window 为 256000。
- 如需本地部署，先从 Hugging Face 或 ModelScope 下载模型权重。Hugging Face 模型地址：https://huggingface.co/internlm/Atria-Dawn-Preview；FP8 量化版：https://huggingface.co/internlm/Atria-Dawn-Preview-FP8。
- 选择推理框架：SGLang 需要 v0.5.13.post1 或更高版本；vLLM 需要 v0.23.0 或更高版本。
- 参考官方链接中的 GLM-5.2 部署指南完成本地推理服务配置：SGLang Cookbook 或 vLLM Recipes。
- 根据硬件资源选择原始模型或 FP8 量化模型；744B MoE 模型本地部署对 GPU 显存、并行推理和工程运维要求很高。
06
风险与注意事项
- 当前是 Preview 版本，稳定性、接口兼容性和长期维护节奏仍需观察。
- 仓库主要提供模型说明、下载和部署指引，不是完整应用框架或可直接运行的代码项目。
- 744B MoE 模型本地部署门槛极高，普通开发者很难在本地完整运行。
- 模型仅支持文本输入，不支持多模态输入；在 Codex、Claude Code 等工具中需要额外限制图片、PDF 等附件。
- README 中本地运行命令较少，实际部署仍依赖 SGLang/vLLM 对 GLM-5.2 的外部文档。
- 评测结果由项目方提供，实际业务效果需要在自己的任务集上复测。
- 网络安全能力可能带来合规风险，只应在授权环境中使用。
- API 服务的价格、速率限制、可用性和数据合规条款需要在生产接入前确认。
- 超长上下文会带来较高推理成本和延迟，工程上需要做上下文裁剪与缓存设计。
2026-09-17
第20名
新收录 · github_search
