少即是多：LIMI 用 78 个样本，重新定义智能体训练效率 原创 精华

一、AI 模型训练的“数据幻觉”

在人工智能领域，有一个近乎铁律的共识：数据越多，模型越聪明。这条逻辑支撑了过去十年的 AI 爆发——从 GPT 到 Claude，再到 DeepSeek，所有巨头都在堆算力、卷数据、拼参数。

但当 DeepSeek 以 1/30 成本训练出高性能模型后，这条铁律开始动摇。 如今，一篇来自 LIMI 团队的新论文再次颠覆认知——他们仅用 78 个高质量训练样本，就让模型在智能体评测中超越了使用 10,000 个样本训练的对手。

是的，你没看错：128 倍更少的数据，性能反而高出 53.7%。

这个研究的名字叫——LIMI：Less Is More for Intelligent Agency（少即是多的智能体训练）。 而它提出的核心原则，或许将成为未来 AI 训练的新范式：

“真正的智能，不源于数据的堆砌，而源于高质量的任务体验。”

二、什么是“智能体”？

在深入 LIMI 之前，我们得先搞清楚“智能体（Agentic AI）”到底意味着什么。

过去的语言模型，只能“说”，不能“做”。 它们接收提示词、生成回答，像是一个被动的智囊。

但智能体不同。它会主动思考、规划、行动。 正如论文中定义的那样：智能体是一种具备自主行动能力的 AI，可以主动发现问题、制定计划、调用工具并与环境交互完成任务。

这意味着，它不再只是回答问题，而是能：

• 主动调试代码；
• 自动完成数据分析任务；
• 自行规划科研流程；
• 在遇到错误时进行自我修复。

举个例子： 传统模型像学生，等老师提问再作答； 智能体像工程师，能独立接项目、写代码、调工具、修 bug，一条龙完成任务。

这正是当下 AI 从“对话型”向“执行型”演化的关键拐点。 而 LIMI，正是要解决——如何高效训练出这样的智能体？

三、为什么“更少的数据”反而更有效？

十几年来，AI 领域一直信奉“Scaling Law”：模型参数越大、数据越多、性能越强。 但近几年开始出现反例——尤其是在复杂推理与多步骤任务上，“更多”反而拖慢了模型学习的关键能力。

比如：

• LIMA (2023)表明，只需 1000 个高质量示例即可实现模型对齐；
• LIMO (2025)证明，用 817 个精心挑选的数学样本，就能让模型在复杂推理中提升 45.8%。

LIMI 则把这一理念推向极致。 它认为：学习“智能行为”不是记忆，而是体验。

想象你学做菜。 看 10,000 个视频，也许能背下每个菜谱； 但跟厨师实操一次，切菜、调味、试错、修正，你才能真正“会做”。

AI 训练也是如此。 LIMI 没有用成千上万条重复样本，而是精挑出 78 条高质量的“完整任务体验”——每条都涵盖了从计划、执行、到修正的全过程。 这让模型学到的，不是孤立知识点，而是完整的解决问题思维链。

四、LIMI 的三大创新：用结构化体验替代大规模样本

LIMI 的突破，来自三个关键方法。

1. Agentic Query Synthesis：让训练任务更像真实协作

传统训练样本通常是单轮问答或简单任务。 LIMI 反其道而行，它模拟了真实开发者与研究者的协作场景。

• 从专业开发者与科学家的真实问题中采样 60 条；
• 再利用 GPT-5 从 GitHub Pull Request 自动生成 18 条“伪真实”任务；
• 每个任务都要求模型进行多轮推理、工具调用与环境交互。

这让训练过程不再是填鸭式学习，而像在真实工作中积累经验。

2. Trajectory Collection Protocol：记录“全过程”的学习轨迹

每个任务不仅包括输入与输出，还完整记录了模型思考、行动、反馈的全过程：

• 推理步骤（思维链）
• 工具调用（如代码编辑、API 请求）
• 环境反馈（如报错、用户修改）

平均每条任务记录 4.2 万个 token，最长超过 15 万。 这让模型真正理解“行动逻辑”——什么时候思考、什么时候动手、遇错如何修复。

3. Focus on High-Impact Domains：聚焦真实高价值场景

LIMI 并非泛化采样，而是聚焦两大高密度领域：

• Vibe Coding：多人协作开发、调试与测试；
• Research Workflows：科研任务，如论文检索、实验设计与数据分析。

这两个领域的共性是：复杂度高、反馈密集、需要多步行动。因此每个样本都极具信息密度，相当于一场高质量的“项目实战”。

五、从 GitHub 到协作智能：数据集是怎么炼成的？

LIMI 数据集的构建过程堪称“工艺级”：

1. 任务池创建：从 GitHub 热门项目中抽取真实 Pull Request，再经 GPT-5 转化为结构化问题。
2. 严格筛选：由 4 位博士级专家人工审核，确保语义完整与任务真实度。
3. 交互生成：使用具备代码执行与网页访问功能的 SII CLI 环境，让 GPT-5 与人工协作完成任务，全程录制交互轨迹。

最终留下的 78 个样本，每一个都像一个完整的“项目案例库”。 每条记录浓缩了数小时的真实问题解决过程，信息密度远超常规训练样本。

六、测试结果：78 个样本干翻 10,000 个样本的模型

在全新评测集 AgencyBench 上，LIMI 展现了惊人的性能：

在子指标上同样碾压：

• 首轮任务完成率：71.7% vs 37.8%
• 三轮内成功率：74.6% vs 47.4%
• 执行效率：74.2% vs 50.0%

更令人惊讶的是，LIMI 的泛化能力也极强—— 在代码生成（HumanEval）、工具使用（TAU2-bench）、科研计算（SciCode）等多项任务中，LIMI 都刷新了记录。

这说明，它学到的并非某类任务的套路，而是真正的“通用行动智能”。

七、案例对比：智能体的“实战智商”

研究团队还在论文中展示了几个鲜明的案例：

• 五子棋游戏开发任务：传统模型 GLM-4.5 无法完成棋盘渲染与胜负判断；LIMI 一次性完成所有模块。
• 数据集发现任务：LIMI 在 Hugging Face 上能精确找到最相关的数据集；而 GLM 输出了无关内容。
• 科学函数拟合任务：GLM 需要多次提示才能达到误差 1.14e-6，LIMI 首次尝试就达到 5.95e-7。
• NBA 交易推理任务：LIMI 仅用一次提示即可得出正确推理路径。

这些结果充分证明——LIMI 不仅“知道”，还“会做”。

八、“智能体效率原理”：AI 自主性的本质

LIMI 团队在论文中提出了一个新概念：Agency Efficiency Principle（智能体效率原理）。 它指出：

“机器自主性，不是由数据量堆出来的，而是来自高质量行动演示的战略性设计。”

这句话的意义深远。 它告诉我们： 与其追求更多的样本，不如去设计更有代表性的任务； 与其扩充数据规模，不如提升数据的“行动价值密度”。

换句话说，AI 的未来竞争，不再是谁爬取更多网页，而是谁更懂“教模型做事”。

九、从“堆料”到“调味”：AI 训练的新范式

LIMI 的出现，预示着 AI 训练的一个重要拐点。

过去十年，AI 的进步靠“堆料”：堆数据、堆显卡、堆参数。 但未来十年，将更像“调味”：精准选择素材，合理设计任务，优化模型体验。

这意味着：

• AI 开发的重心将从算力转向认知设计；
• 高质量任务数据将成为新型竞争壁垒；
• 中小企业也能以低成本训练高性能模型。

这是一场从“量”到“质”的范式转移，可能彻底改变 AI 的生态格局。

十、写在最后：AI，不需要“更大”，而需要“更聪明”

LIMI 的研究，用 78 个样本告诉我们一个简单却深刻的道理——AI 不需要更多数据，它需要更好的学习体验。

当模型从“被动输出”变成“主动行动”， 当训练从“堆叠样本”变成“设计体验”， 我们或许才真正踏上了“通用人工智能”的道路。

未来的 AI，不属于拥有最多数据的公司， 而属于那些最懂如何教机器思考和行动的人。

本文转载自​​Halo咯咯​​    作者：基咯咯