在大模型竞速进入推理能力深水区的 2025 年，一支神秘的团队悄然登场。他们不是来自一线大厂的 AI Lab，也没有高调预热和融资造势，而是在 Hugging Face 低调开源了一款 32B 的推理模型：AM-Thinking-v1。
令人惊讶的是，这个中等规模的稠密模型，在多个关键推理评测中击败了 DeepSeek-R1，并与超大规模的 MoE 模型Qwen3-235B-A22B、Seed1.5-Thinking 不相上下。
这款模型背后的团队，是国内一个从未对外披露的研究团队——A-M-team。他们不依赖私有数据、不依赖海量计算资源，仅凭开源底座和训练管线的极致设计，就做出了开放社区 32B 级别中最强的推理模型。
论文链接：pdf/2505.08311
性能全面超越 DeepSeek-R1：32B 模型中的“黑马”
在当前主流评测中，AM-Thinking-v1 也交出了极具冲击力的成绩单，仅 32B 的结构在数学推理（AIME 系列）和代码生成（LiveCodeBench）中分别取得了 85.3 和 70.3 的高分，不仅全面超越了 DeepSeek-R1（671B MoE 架构），还逼近甚至追平了 Qwen3-235B-A22B 和 Seed1.5-Thinking 等超大规模 MoE 模型的成绩。
把“小体积，大推理”的极限范式展现得淋漓尽致。
值得注意的是，AIME 系列题目来自美国数学邀请赛，结构复杂、要求精准，历来是衡量模型逻辑思维能力的金标准；LiveCodeBench 则强调代码可执行性和稳健性，数据污染难度高，是真实场景下“思考-编码-验证”链条的严苛考验。
AM-Thinking-v1 模型测试得分表
AIME2024 不同模型尺寸效果对比；x 轴为模型尺寸，y 轴为分数
LiveCodeBench 不同模型尺寸效果对比；x 轴为模型尺寸，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 的规模推进着推理前沿性能的边界。
分数之外，是更具实际意义的任务。当研究人员用 AM-Thinking-v1 去解决典型的“旋转三角形中红球反弹”问题时，AM-Thinking-v1 展现出了多步逻辑极强的理解，给出了完整的运动轨迹模拟和对于小球碰撞的判断。
而在逻辑推理任务中，AM-Thinking-v1 也能保持非常稳定的思考过程。
在长文本写作能力的测试中，AM-Thinking-v1 在表达逻辑和意象捕捉方面也展现出了初步的组织能力。
32B 模型的新上限，是这样“训”出来的
与追求超大规模和大数据堆叠不同，A-M-team 的关键突破在于如何用有限的计算和开源数据，最大化32B模型的推理能力。
他们设计了一整套后训练（post-training）方案，其中包括冷启动式监督微调、通过率引导的数据筛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，团队用了一个相对激进但效果很好的设置：把学习率拉到了 8e-5，batch size 也做了加大，还支持最长 32K 的输入长度。训练样本被特别设计成“先思考再回答”的格式。
这个设计帮助模型建立了“先想清楚、再说话”的好习惯。而且，训练中还能明显看到模型越来越懂得控制长度、避免啰嗦——这些变化在平均生成长度和终止率上都有反映
其次在数据这块，团队完全依靠开源资源，从数学、代码、科学推理到指令跟随和通用对话，总共整理出了五类核心任务的数据。
他们花了大量时间做清洗：不仅去重、改写问题，防止和评测集“撞题”，还对数学数据进行严格验证，甚至用 DeepSeek-R1 和 o4-mini 来交叉比对标准答案。生成的训练样本也经过层层筛选，比如用 PPL 算分、检查重复短语和结构完整性，最终留下的数据干净又靠谱。
在最后的强化学习（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”的策略，意思是：先挑一些模型做得不太好的题来练，等熟练了，再加入一些通用对话和指令跟随任务来拓展能力。
奖励机制也挺讲究：数学和代码类的问题用规则验证或者直接跑沙盒程序验证答案；而像 open-ended 回答这种，就让 LLM 来打分，从有用性、准确性、连贯性这三方面评估，保证模型在各方面都能进步。
当然，为了让整个 RL 训练高效跑得动，A-M-team 还在工程上动了不少脑筋。比如他们把推理和训练分开，用了 streaming rollout 的方式，还配了个前端负载均衡器，能根据每张 GPU 的实际压力动态分配任务，最大限度避免“有的卡闲着、有的卡累死”的情况。不仅训练稳，还能大大节省时间和算力
总的来说，虽然 AM-Thinking-v1 已经在推理上做得很出色，但它目前还不支持函数调用、多模态输入，对低资源语言的能力也有待验证。
不过，即便如此，它已经把 32B 模型的性能潜力挖掘到了极致，也为开源 LLM 社区提供了一个值得借鉴的思路：不靠堆参数、不靠私有数据，通过细致训练设计，也能做出足够聪明的模型。
为什么要做一个 32B 推理模型？
在当前大模型发展趋势中，主流路线正不断追求更大的参数规模、更复杂的架构（如 MoE）、更庞大的训练数据和更昂贵的训练资源。但这条路线的成本极高，同时也带来了模型部署难、推理延迟高、适配门槛大等一系列现实问题。
A-M-team 选择反其道而行之，专注在 32B 这一“中尺度模型”的参数区间，其实背后也有有着明确的考量：他们想探索一种在计算资源可控、数据完全开源的条件下，也能实现强大推理能力的路径。
具体来说，32B 是一个对研究与应用都更友好的“黄金尺寸”：
足够强大：相比 7B 或 13B 模型，32B 在能力上能支持复杂的数学推理和代码生成，具备执行严肃 reasoning 任务的基础；
成本可控：相比 100B、200B 甚至 670B 的巨型模型，32B 模型训练与推理资源需求显著更低，更适合在企业或研究机构内部复现、部署和迭代；
部署更友好：在单节点或小规模集群上即可运行，可应用于更多落地场景；
MoE 替代探索：它也是对 MoE 路线的替代探索，A-M-team 想要验证，不使用专家模型，仅靠稠密结构和扎实的后训练设计，是否也能达到甚至超越 MoE 模型的表现。
AM-Thinking-v1 正是在这样的问题驱动下诞生的：一个不依赖私有数据、没有特殊硬件依赖、完全基于社区资源训练而成的中尺度模型。
而它的表现也正好印证了这个方向的潜力——不仅在 AIME 和 LiveCodeBench 等高难度任务上超越了 DeepSeek-R1，还在多个维度接近 Qwen3-235B-A22B 这类百亿级 MoE 模型。雷峰网(公众号：雷峰网)简而言之，AM-Thinking-v1 想要回答的是一个关键问题：“大模型能力的上限，能不能用更小的体量实现？” 结果是肯定的。
而这正是 32B 推理模型的价值所在。
0 条