ZGCM-1-7B：不只公布分數，還讓研究者追查訓練過程

ZGCM-1-7B 由中關村學院及中關村人工智能研究院的研究人員推出，是一款從零訓練、擁有 73.9 億參數的稠密語言模型，目標是結合數學推理與借助工具主動搜尋資料。對研究者來說，重點不只是它考到幾多分，而是能否沿着公開資源，檢視它的設計和訓練過程。24

授權先分清：模型與論文不是同一回事

模型頁面將 ZGCM-1-7B 標示為 MIT 授權；研究論文顯示的 CC BY 4.0 則是論文的授權，不應當成模型授權。使用模型、資料或其他項目資源前，仍要逐一核對各自附帶的條款。271

一個模型，兩種回答方式

ZGCM-1-7B 採用只含解碼器的稠密 Transformer 架構，標示支援 256K-token 上下文窗口。同一模型可用「思考」模式逐步推理，亦可用直接回答模式；研究者因此可以比較兩種回答方式，而毋須換另一個模型。24

它交替使用帶門控的滑動窗口注意力層與完整注意力層；其中一份模型介紹列出前者 27 層、後者 5 層。團隊報告指，相對其完整注意力比較方案，這種混合設計令 KV cache 用量減少 6.4 倍，在 256K 上下文下的吞吐量提高 3.94 倍。這是指定系統設定下的比較結果，不代表任何硬件或部署方式都會有相同增幅。410

為何適合作開放研究基準？

公開的訓練方案涵蓋預訓練、逐步延長上下文的中期訓練，以及包含一般與智能體任務的監督式微調。當中採用 FP8 Muon 優化器，把訓練階段由 16K、64K 推進至 256K，並將工具互動紀錄重整為馬可夫決策過程（MDP）的狀態轉移資料；團隊報告指，中期訓練課程涵蓋 6,000 億個 token。1210

除了最終模型，項目亦公開資料集及訓練途中保存的檢查點；相關報道還提到訓練程式碼、方案和日誌。以標示為 16K 資料階段的檢查點為例，其頁面列出訓練時使用的上下文長度，以及截至該階段累計處理的中期訓練 token。這些材料讓研究者不必只憑最終權重猜測訓練路徑。2369

團隊亦稱，由研究人員指揮的 AI 智能體曾協助整理資料及處理運算叢集等開發工作。這描述的是工作流程，不能據此推斷智能體獨立設計或驗證了模型，也無法量化它們對評測分數的貢獻。28

成績值得看，但不要只看最高分

公開評測列出：ZGCM-1-7B 在 MATH-500 得 97.13%、AIME 2026 得 75.00%，在搜尋任務 WebWalkerQA 得 63.09%、BrowseComp 得 19.43%。它並非每項比較都領先：公布的結果亦顯示，它在 AIME 2024 和 AIME 2025 輸給比較模型。另據團隊報告，其預訓練達到相同損失值所需時間，較所用的 AdamW/BF16 基線約少 4.2 倍。這些數字受評測流程及系統基線影響，不能直接推論它在所有實際搜尋工作中都有同等表現。710

想試用，先留意甚麼？

模型頁面提供使用 Transformers 載入 zgcagi/ZGCM-1-7B 的文字生成示例，當中設有 trust_remote_code=True。啟用前應先審視模型儲存庫的自訂程式碼。現有材料沒有確立最終模型運行時的最低 GPU、記憶體或套件版本要求；個別中途檢查點的測試環境，也不應直接當成最終模型的最低配置。219