Qu’est-ce que Sage-A1.5 ?
Sage-A1.5 est un modèle d'agent à poids ouverts de l'équipe InternScience du Shanghai AI Laboratory, publié le 15 octobre 2026 avec un rapport technique. C'est un modèle mixture-of-experts de 35 milliards de paramètres construit sur Qwen3.6-35B-A3B d'Alibaba et sur l'Agents-A1 précédent du laboratoire, et il lit le texte et les images.
Il ajoute deux modes optionnels. Agentic Orchestration permet au modèle d'appeler un outil spawn_subagent pour envoyer des sous-questions indépendantes à des sous-agents en parallèle, chacun avec son propre contexte et ses propres outils. Verification Mode, activé par un indicateur du modèle de chat, fait s'arrêter le modèle en cours de tâche, dans son raisonnement, pour revoir ce qui a fonctionné et changer de cap.
Les poids sont sous Apache 2.0, avec des versions FP8 et GGUF Q4_K_M. Le contexte natif est de 262 144 tokens, extensible à 524 288 avec YaRN. Le laboratoire propose un essai gratuit via son forfait de tokens Intern Discovery ; les prix payants ne figurent pas sur la fiche.
Combien coûte Sage-A1.5 ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free | Apache 2.0 ; BF16, FP8, GGUF |
| Intern Discovery token plan | Free trial | Prix payants non publiés |
Poids ouverts sous Apache 2.0 ; essai gratuit sur le forfait de tokens Intern Discovery de Shanghai AI Lab ; prix de l'API payante non publiés.
Sage-A1.5 vaut-il le coup ?
Sage-A1.5 est plus qu'un fine-tune rebaptisé : il intègre un comportement d'agent, la répartition en sous-agents et l'autorévision dans le raisonnement, ce que la plupart des modèles ouverts laissent au harnais. Selon les chiffres du laboratoire, cela paie là où c'était visé. Il obtient 81,7 sur BrowseComp (82,8 avec orchestration), contre 67,9 pour sa base Qwen3.6-35B-A3B et 75,5 pour Agents-A1, et 61,2 sur SWE-bench Pro, 17,6 points de plus qu'A1 et proche des 64,6 de GLM-5.3.
Les victoires mises en avant sur des modèles bien plus grands demandent de la prudence. Ses revendications de « meilleur au global » reposent largement sur FrontierScience-Research (48,3 contre 26,7 pour GPT-5.6-sol) et CMT (80,0 contre 50,0), des benchmarks que peu de laboratoires externes publient, tandis que sur les tests établis il reste derrière : Kimi-K3 mène BrowseComp à 91,2 et GPT-5.6-sol mène HLE avec outils à 64,5 contre 55,1 pour Sage. L'équipe a repris les chiffres des concurrents dans leurs propres rapports quand ils existaient et a exécuté le reste avec son propre code d'évaluation ouvert, les configurations ne sont donc pas identiques. Un tracker ne lui attribue pas encore de score d'index faute de résultats indépendants suffisants.
La conception pratique est bonne. L'orchestration n'est qu'un schéma d'outil que votre harnais implémente, avec des limites de lot et de tours (cinq tâches, 20 tours par défaut) et des sous-agents qui renvoient UNKNOWN plutôt que de deviner. La vérification est un simple booléen, mais exige un message système non vide, faute de quoi le serveur renvoie une erreur. Les 256K de contexte natif couvrent de longues sessions de recherche, et les versions FP8 et GGUF le mettent à la portée d'un seul GPU.
Face à Nanbeige4.3-33B, son rival ouvert le plus proche pour le travail d'agent, Sage lit les images et a une architecture mixture-of-experts moins chère par token ; face à sa propre base Qwen, les gains sur les agents de recherche web et de code sont assez importants pour justifier le changement pour ce travail.
Là où il fait la différence
Une data scientist dans une biotech de 50 personnes
Mener des recherches bibliographiques et en bases de données avec un agent auto-hébergé
Enregistrez spawn_subagent avec des outils de recherche et de lecture de pages ; le modèle découpe une question en jusqu'à cinq sous-tâches parallèles qui renvoient des preuves et un statut UNKNOWN en cas de doute. Les poids restent sur site sous Apache 2.0.
Un ingénieur plateforme dans un éditeur de logiciels de taille moyenne
Remplacer un agent de code Qwen3.6-35B-A3B par plus puissant sans nouveau matériel
Sage utilise la même architecture et les mêmes parseurs d'outils, la commande vLLM change donc à peine, et le score SWE-bench Pro du laboratoire passe de 49,5 à 61,2. Relancez votre propre suite de régression avant le déploiement.
Une équipe d'analystes dans un cabinet de conseil
Extraire des chiffres de rapports numérisés et les recouper
Il lit les images, avec 91,5 sur OmniDocBench dans les tests du laboratoire, et Verification Mode lui fait revoir ses preuves en cours de réponse ; lisez reasoning_content pour voir l'autovérification.
Avant de vous engager
- Mise en route
- vllm serve InternScience/Sage-A1.5 avec le parseur de raisonnement qwen3 et le parseur d'outils qwen3_coder, ou l'équivalent SGLang ; ajoutez --language-model-only pour ignorer l'encodeur de vision et libérer de la mémoire de cache.
- Intégrations
- vLLM, SGLang (avec décodage spéculatif MTP), llama.cpp et Ollama via GGUF ; appel d'outils compatible OpenAI ; framework d'évaluation ouvert dans le dépôt GitHub d'Agents-A1.
- Données et confidentialité
- Apache 2.0, sans restriction d'usage. Les conditions relatives aux données de l'essai hébergé Intern Discovery ne figurent pas sur la fiche du modèle ; auto-hébergez pour le travail sensible.
- Coût à grande échelle
- Environ 72GB en BF16 pour 35,95 milliards de paramètres, soit un GPU de 80GB avec peu de cache disponible ; la version FP8 divise cela par deux, et le GGUF Q4_K_M tourne dans llama.cpp, Ollama et LM Studio.
- Limites
- Contexte natif de 256K, 512K seulement avec YaRN ; Verification Mode rejette les requêtes sans message système ; presence_penalty recommandé de 1,5 ; les résultats indépendants restent rares.
Les points forts
- BrowseComp 81,7 et SWE-bench Pro 61,2, bien au-dessus de sa base Qwen3.6 dans les tests du laboratoire
- Sous-agents parallèles intégrés et un mode optionnel d'autorévision
- Lit les images ; contexte natif de 256K, 512K avec YaRN
- Apache 2.0 avec versions FP8 et GGUF
Les points faibles
- Plusieurs de ses victoires portent sur des benchmarks que peu d'autres publient
- Encore loin derrière Kimi-K3 et GPT-5.6-sol sur BrowseComp et HLE
- Prix hébergés non publiés au-delà d'un essai gratuit
- L'orchestration exige que votre harnais exécute les sous-agents
Idéal pour
Les équipes qui construisent des agents de recherche ou de navigation auto-hébergés et veulent la répartition en sous-agents et l'autovérification dans le modèle plutôt que dans du code de harnais maison.
Alternatives à Sage-A1.5
Sage-A1.5 : questions fréquentes
- Sage-A1.5 vaut-il le coup ?
- Sage-A1.5 fait d'une base Qwen un agent de recherche ouvert crédible avec sous-agents intégrés, même si ses grandes victoires portent sur des benchmarks que peu d'autres publient. Nous lui donnons 3.9 sur 5.
- Combien coûte Sage-A1.5 ?
- Poids ouverts sous Apache 2.0 ; essai gratuit sur le forfait de tokens Intern Discovery de Shanghai AI Lab ; prix de l'API payante non publiés.
- Quels sont les inconvénients de Sage-A1.5 ?
- Plusieurs de ses victoires portent sur des benchmarks que peu d'autres publient; encore loin derrière Kimi-K3 et GPT-5.6-sol sur BrowseComp et HLE; prix hébergés non publiés au-delà d'un essai gratuit; l'orchestration exige que votre harnais exécute les sous-agents.
- À qui s’adresse Sage-A1.5 ?
- Les équipes qui construisent des agents de recherche ou de navigation auto-hébergés et veulent la répartition en sous-agents et l'autovérification dans le modèle plutôt que dans du code de harnais maison.
- Combien coûte Sage-A1.5 pour une équipe ou en production ?
- Environ 72GB en BF16 pour 35,95 milliards de paramètres, soit un GPU de 80GB avec peu de cache disponible ; la version FP8 divise cela par deux, et le GGUF Q4_K_M tourne dans llama.cpp, Ollama et LM Studio.
- Sage-A1.5 est-il sûr pour les données de l’entreprise ?
- Apache 2.0, sans restriction d'usage. Les conditions relatives aux données de l'essai hébergé Intern Discovery ne figurent pas sur la fiche du modèle ; auto-hébergez pour le travail sensible.
- Quelles sont les meilleures alternatives à Sage-A1.5 ?
- Les alternatives les plus proches que nous avons testées sont Nanbeige4.3-33B, Qwen3.8-27B, Kimi K3 et GLM-5.3.
Réponses vérifiées le 31 oct. 2026.