ZGCM-1開源發布：以7B模型規格追平超大型AI推理效能

研究員何吉燕（Jiyan He）等人於2026年9月11日發布完全開源的7B基礎模型「ZGCM-1」。該模型將達成16K預訓練損失的時間縮短約4.2倍，並支援最高256K上下文長度，在數學推理與搜尋基準測試中展現出媲美Qwen3-235B-A22B等超大型模型的效能。

背景說明

當前人工智慧技術開發日益聚焦於運算效率的提升。根據維基百科的定義，效率是指在執行任務時避免錯誤，以及避免浪費材料、能源、努力、金錢或時間的可衡量能力，即在無浪費的前提下成功完成工作的能力。隨著超大型模型帶來高昂的運算成本與記憶體限制，如何在有限運算資源內極大化產出並降低成本，成為AI研發的重要課題。

何吉燕（Jiyan He）等22名研究人員於2026年9月11日在arXiv（cs.AI）發表研究成果，正式公開7B密集型基礎模型「ZGCM-1」。研究團隊明確指出：「小型模型雖無法被動記憶整個開放網路，但透過有計畫的內部思考與主動運用外部工具相結合，能夠克服參數量容量的限制。」

該研究跳脫單純擴大參數規模的傳統路徑，轉向透過架構與訓練流程設計來提升效率，並全面開放了模型權重、中間檢查點、訓練程式碼、數據配方及實驗日誌。

關鍵數據

ZGCM-1與超大型參數模型在規模與公開形式上的對比如下：

• 參數規模差異：經數值計算（235B ÷ 7B ≈ 33.57倍），Qwen3-235B-A22B的模型規模約為ZGCM-1的33.6倍。ZGCM-1在此懸殊差距下，於數學推理與智慧體搜尋（Agentic Search）基準測試中取得了與該模型相當的表現。
• 預訓練效率：透過架構改良，ZGCM-1達成16K損失值（time-to-loss）的耗時效率較以往縮短約4.2倍。
• 上下文擴展：上下文長度自16K逐步擴展至64K，最終延伸至256K，整體擴展倍率達16倍（256K ÷ 16K = 16）。
• 研究團隊與公開範圍：由22名研究人員共同研發，公開內容包含完整權重、中間檢查點、訓練程式碼、數據配方及Weights & Biases（W&B）日誌。

實質影響

ZGCM-1的全面開源改變了企業與開發者的部署條件。開發者不再必然依賴數千億參數的閉源超大型模型，而是能以7B等級的小型模型自行建置企業級推理系統，直接降低高階雲端API的調用支出，並支援在企業自有基礎設施（On-Premises）上直接運行。

由於ZGCM-1全階段公開了模型權重、訓練程式碼與W&B記錄，企業可在擺脫外部廠商依賴與服務綁定的情況下，針對自身需求進行模型微調（Fine-tuning）與維運管理。

未來展望

研究團隊已確定釋出ZGCM-1涵蓋預訓練（pre-training）、中期訓練（mid-training）與後訓練（post-training）全部階段的模型權重，並配套提供訓練原始碼、分階段數據集配方及W&B實驗記錄。研究報告中同步收錄了8項貫穿整個開發生命週期的實證研究成果，包含模型架構擴展、監督式微調（SFT）品質剪枝與長上下文泛化等面向。

此外，研究團隊已建置出一套由智慧體群（Agent Swarms）自主管理運算叢集維運與數據篩選（Data Curation）的運作體系，確立了後續進一步研究的基礎架構。

來源

1. ZGCM-1: A Fully Open and Extremely Efficient Foundation Model for Math and Agentic Search — arXiv cs.AI 신규 논문
2. Efficiency — Wikipedia (en)