O que é Sage-A1.5?
O Sage-A1.5 é um modelo de agente de pesos abertos da equipe InternScience do Shanghai AI Laboratory, lançado em 15 de outubro de 2026 com um relatório técnico. É um modelo mixture-of-experts de 35 bilhões de parâmetros construído sobre o Qwen3.6-35B-A3B da Alibaba e o Agents-A1, anterior, do laboratório, e lê texto e imagens.
Ele acrescenta dois modos opcionais. O Agentic Orchestration permite que o modelo chame uma ferramenta spawn_subagent para enviar subperguntas independentes a sub-agentes paralelos, cada um com o seu próprio contexto e ferramentas. O Verification Mode, ativado por uma flag no chat template, faz o modelo parar no meio da tarefa, dentro do seu raciocínio, para revisar o que funcionou e mudar de rumo.
Os pesos estão sob Apache 2.0, com builds FP8 e GGUF Q4_K_M. O contexto nativo é de 262.144 tokens, extensível a 524.288 com YaRN. O laboratório oferece um teste gratuito pelo seu plano de tokens Intern Discovery; os preços pagos não são publicados no card.
Quanto custa Sage-A1.5?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free | Apache 2.0; BF16, FP8, GGUF |
| Intern Discovery token plan | Free trial | Preços pagos não publicados |
Pesos abertos sob Apache 2.0; teste gratuito no plano de tokens Intern Discovery do Shanghai AI Lab; preços pagos da API não publicados.
Sage-A1.5 vale a pena?
O Sage-A1.5 é mais que um fine-tune com nome novo: ele traz comportamento de agente, distribuição para sub-agentes e autorrevisão dentro do raciocínio, coisas que a maioria dos modelos abertos deixa para o harness. Pelos números do laborat ório, isso compensa onde foi mirado. Ele marca 81,7 no BrowseComp (82,8 com orquestração), contra 67,9 da sua base Qwen3.6-35B-A3B e 75,5 do Agents-A1, e 61,2 no SWE-bench Pro, 17,6 pontos acima do A1 e perto dos 64,6 do GLM-5.3.
As vitórias de destaque sobre modelos muito maiores pedem cuidado. As suas alegações de "melhor no geral" se apoiam muito no FrontierScience-Research (48,3 contra 26,7 do GPT-5.6-sol) e no CMT (80,0 contra 50,0), benchmarks que poucos laboratórios externos publicam, enquanto nos testes consolidados ele ainda fica atrás: o Kimi-K3 lidera o BrowseComp com 91,2 e o GPT-5.6-sol lidera o HLE com ferramentas, com 64,5 contra 55,1 do Sage. A equipe tirou os números dos rivais dos relatórios deles quando disponíveis e rodou o restante com o seu próprio código de avaliação aberto, então as configurações não são idênticas. Um rastreador ainda não tem nota de índice para ele porque há poucos resultados independentes.
O design prático é bom. A orquestração é só um schema de ferramenta que o seu harness implementa, com limites de lote e de turnos (cinco tarefas, 20 turnos por padrão) e sub-agentes que devolvem UNKNOWN em vez de chutar. A verificação é um único booleano, embora exija uma mensagem de sistema não vazia, ou o servidor devolve um erro. O contexto nativo de 256K cobre sessões longas de pesquisa, e os builds FP8 e GGUF o colocam ao alcance de uma única GPU.
Contra o Nanbeige4.3-33B, o seu rival aberto mais próximo em trabalho de agente, o Sage lê imagens e tem um design mixture-of-experts mais barato por token; contra a sua própria base Qwen, os ganhos em agentes de busca e de programação são grandes o bastante para justificar a troca nesse tipo de trabalho.
Onde ele se destaca
Um cientista de dados em uma empresa de biotecnologia com 50 pessoas
Fazer buscas em literatura e bancos de dados como um agente auto-hospedado
Registre o spawn_subagent com ferramentas de busca e de leitura de páginas; o modelo divide uma pergunta em até cinco subtarefas paralelas que devolvem evidências e um status UNKNOWN quando não têm certeza. Os pesos ficam on-premises sob Apache 2.0.
Um engenheiro de plataforma em uma empresa de software de porte médio
Trocar um agente de programação Qwen3.6-35B-A3B por algo mais forte sem hardware novo
O Sage usa a mesma arquitetura e os mesmos tool parsers, então o comando do vLLM quase não muda, e a nota do laboratório no SWE-bench Pro sobe de 49,5 para 61,2. Rode de novo a sua própria suíte de regressão antes de implantar.
Uma equipe de analistas em uma consultoria
Extrair números de relatórios digitalizados e conferi-los
Ele lê imagens, marcando 91,5 no OmniDocBench nos testes do laboratório, e o Verification Mode o faz revisar as evidências no meio da resposta; leia o reasoning_content para ver a autoverificação.
Antes de decidir
- Configuração
- vllm serve InternScience/Sage-A1.5 com o reasoning parser qwen3 e o tool parser qwen3_coder, ou o equivalente no SGLang; acrescente --language-model-only para pular o encoder de visão e liberar memória de cache.
- Integrações
- vLLM, SGLang (com decodificação especulativa MTP), llama.cpp e Ollama via GGUF; chamada de ferramentas compatível com OpenAI; framework de avaliação aberto no repositório Agents-A1 do GitHub.
- Dados e privacidade
- Apache 2.0, sem restrições de uso. Os termos de dados do teste hospedado Intern Discovery não estão no model card; auto-hospede para trabalho sensível.
- Custo em escala
- Cerca de 72GB em BF16 para 35,95B de parâmetros, então uma GPU de 80GB com pouco cache de sobra; o build FP8 reduz isso pela metade, e o GGUF Q4_K_M roda no llama.cpp, no Ollama e no LM Studio.
- Limites
- Contexto nativo de 256K, 512K só com YaRN; o Verification Mode rejeita requisições sem mensagem de sistema; presence_penalty recomendado de 1,5; resultados independentes ainda escassos.
O que é bom
- BrowseComp 81,7 e SWE-bench Pro 61,2, bem acima da sua base Qwen3.6 nos testes do laboratório
- Sub-agentes paralelos embutidos e um modo opcional de autorrevisão
- Lê imagens; contexto nativo de 256K, 512K com YaRN
- Apache 2.0 com builds FP8 e GGUF
O que não é
- Várias das suas vitórias são em benchmarks que poucos outros relatam
- Ainda bem atrás do Kimi-K3 e do GPT-5.6-sol no BrowseComp e no HLE
- Preço hospedado não publicado além de um teste gratuito
- A orquestração exige que o seu harness rode os sub-agentes
Ideal para
Equipes que criam agentes de pesquisa ou navegação auto-hospedados e querem a distribuição para sub-agentes e a autoverificação no modelo, e não em código próprio de harness.
Alternativas ao Sage-A1.5
Sage-A1.5: perguntas frequentes
- Sage-A1.5 vale a pena?
- O Sage-A1.5 transforma uma base Qwen em um agente de pesquisa aberto crível, com sub-agentes embutidos, embora as suas grandes vitórias sejam em benchmarks que poucos outros relatam. Damos nota 3.9 de 5.
- Quanto custa Sage-A1.5?
- Pesos abertos sob Apache 2.0; teste gratuito no plano de tokens Intern Discovery do Shanghai AI Lab; preços pagos da API não publicados.
- Quais são as desvantagens de Sage-A1.5?
- Várias das suas vitórias são em benchmarks que poucos outros relatam; ainda bem atrás do Kimi-K3 e do GPT-5.6-sol no BrowseComp e no HLE; preço hospedado não publicado além de um teste gratuito; a orquestração exige que o seu harness rode os sub-agentes.
- Para quem Sage-A1.5 é indicado?
- Equipes que criam agentes de pesquisa ou navegação auto-hospedados e querem a distribuição para sub-agentes e a autoverificação no modelo, e não em código próprio de harness.
- Quanto custa Sage-A1.5 para uma equipe ou em produção?
- Cerca de 72GB em BF16 para 35,95B de parâmetros, então uma GPU de 80GB com pouco cache de sobra; o build FP8 reduz isso pela metade, e o GGUF Q4_K_M roda no llama.cpp, no Ollama e no LM Studio.
- Sage-A1.5 é seguro para dados da empresa?
- Apache 2.0, sem restrições de uso. Os termos de dados do teste hospedado Intern Discovery não estão no model card; auto-hospede para trabalho sensível.
- Quais são as melhores alternativas ao Sage-A1.5?
- As alternativas mais próximas que analisamos são Nanbeige4.3-33B, Qwen3.8-27B, Kimi K3 e GLM-5.3.
Respostas verificadas em 31 de out. de 2026.