4月23日，阿里团队在 arXiv 上发布了关于 Agent 的论文：《AgenticQwen: Training Small Agentic Language Models with Dual Data Flywheels for Industrial-Scale Tool Use》。
这篇论文讨论了一个很实际的工程问题：在真实的工业场景中，Agent 往往不只是要会聊天，还要具备多步推理、调用工具的能力。但受限于工业生产环境对成本的控制和延迟的要求，不适合把所有任务都交由大模型来处理。
因此，阿里团队提出了 AgenticQwen，一组小型智能体语言模型，主要包括 AgenticQwen-8B 和 AgenticQwen-30B-A3B。
AgenticQwen 主要基于合成数据，并结合少量开源数据，通过多轮强化学习 RL 训练而成。整个训练框架结合了推理强化学习 (Reasoning RL) 与智能体**强化学习 (Agentic RL) ，并引入“双数据飞轮 Dual Data FlyWheels**”这一数据生成和训练迭代机制，让训练任务随着模型能力的提升，不断加大难度。
从论文定位上来看，AgenticQwen 并不是要证明小模型可以替代大模型，而是尝试回答一个具体问题：对于高频、相对标准化、可验证的工具使用任务，能否通过专门的训练机制，让较小模型获得更好的 Agent 行为能力。此外，论文明确区分了复杂开放性任务和标准化工具任务：对于高度专业的任务，大模型仍然是必要的；但对于订票、搜索、数据分析等更常见的工具使用场景，小模型具有降低服务成本和延迟的优势。
内容目录
本文主要介绍四个部分：
AgenticQwen 的核心问题：为什么工业 Agent 系统会需要小模型，以及这类场景和普通聊天有何区别。
双数据飞轮：论文提出推理飞轮 reasoning data flywheel 和智能体飞轮 agentic data flywheel，用来持续生成更难的训练样本。
实验结果：主要看 TAU-2、BFCL-V4 Multi-turn，以及工业 Agent 系统中的 WebWalker、XBench、GAIA 结果。
局限性：长上下文能力、Qwen 模型依赖，以及更“偏向”Qwen 自己，不一定能直接推广到其他模型。
论文的核心贡献
这篇论文的核心贡献可以概括为三点：
提出 AgenticQwen 系列小型 Agent 模型。这些模型使用合成数据和少量开源数据，通过多轮强化学习训练，目标是提升小模型在多步推理和工具调用任务中的表现。
论文提出了 Dual Data Flywheels，也就是「双数据飞轮」。推理飞轮负责从模型失败的样本中构造更难的、可被验证的推理问题；智能体飞轮负责把原本线性的工具调用流程，扩展成多分支行为树，让模型在训练中接触更多条件分支、环境变化和用户干扰，以便模拟真实的工业应用场景。
实验数据验证，论文在公开 benchmark 测试和工业 Agent 系统中评估模型效果。结果显示，AgenticQwen-8B 和 AgenticQwen-30B-A3B 相比基础 Qwen 模型的对应版本，性能有明显提升，并在部分任务上缩小了与 Qwen3-235B-A22B-Instruct 的差距。
聊天模型和 Agent 模型的不同
和普通语言模型只要学习如何根据输入生成文本不同，Agent 模型还需要在特定环境中行动。比如，用户让模型订票、查询订单、生成分析报告，它就需要判断是否要调用工具、调用哪个工具，如何处理工具返回结果，以及是否需要继续追问用户获取更多信息。
论文认为，工业 Agent 系统中有不少任务其实是有固定流程的。它们未必需要大模型的全部能力，但很需要模型稳定地完成多步工具调用。AgenticQwen 的目标，就是针对这类高频、流程相对明确的任务，训练小模型稳定调用工具和执行任务的能力，而不是追求在所有开放式任务上超过大模型。
这一区别很重要。AgenticQwen 关注的不是“聊天能力”，而是在工具环境中模型表现出来的决策能力：模型是否能根据当前状态选择下一步动作，是否能在用户信息不完整或有误导时，依旧保证流程的正确。
双数据飞轮：让训练样本逐轮变难
论文认为，单纯地增加合成数据的数量并不一定能持续提升模型能力。一个原因是合成数据可能逐渐同质化，导致强化学习信号变弱。为了解决这个问题，论文提出了双数据飞轮，让训练数据随着模型表现动态更新。
第一个飞轮是 Reasoning Data Flywheel。完成一轮推理强化学习后，系统会收集模型没有解出的题目，再基于这些失败样本生成更难的变体。论文中这一扩展主要用于数学任务，因为数学问题通常有唯一且容易验证的答案。新训练数据的生成方式，主要是先通过 self-instruct expansion 和 persona injection 生成更难、更丰富的题目，再通过一致性过滤控制数据质量。论文中，Qwen3-235B 会对候选题目求解三次，只有三次最终答案一致的样本才会保留。
第二个飞轮是 Agentic Data Flywheel。这部分是针对工具使用的任务。初始任务通常是线性流程，比如：“查询航班 → 预订 → 确认”。但在真实场景中，工具返回的不同结果会引出不同的分支：航班是否售罄、是否会延误，用户是否为金卡会员、是否满足平台补偿规则等等。论文通过行为树扩展，把单一路径变成多分支 workflow，并通过 branch-to-task inversion 反向生成能触发这些分支的新任务。
值得一提的是，论文还加入了对抗式模拟用户。例如，用户声称自己应该获得现金补偿，但实际情况是他只是普通会员，不符合获得现金补偿的条件。这时候，模型就需要调用工具核验他的会员状态，再根据平台补偿规则，选择正确的分支流程，而不是直接顺从用户请求。
训练环境：模拟用户、工具和奖励
AgenticQwen 的 Agentic RL 可以理解为是一个模拟任务环境。模型与模拟用户交互，调用模拟工具，并根据任务规则完成目标。论文中，用户和工具都由 Qwen3-235B 在 mock environment 中模拟；奖励由基于任务的 rubric 给出。任务会被拆成可验证的子目标，最终奖励根据完成子目标的比例落在 [0, 1] 范围内来确定。
这一设计的目标是把 Agent 任务从“输出正确格式”转向“完成可验证的子目标”。比如，在订票流程中，奖励可以检查模型是否正确地调用了更新订单状态的工具。这比单纯判断最终回答是否自然，更适合训练模型的工具调用和多步任务执行能力。
实验结果：公开工具环境 benchmark
论文在 TAU-2 和 BFCL-V4 Multi-turn 上评估模型。TAU-2 覆盖航空 Airline、电信 Telecom、零售 Retail 这三类场景，来评估模型在真实世界中的可靠性；BFCL-V4 Multi-turn 用来评估模型多轮调用工具的能力。
其中，TAU-2 包含约 300 个多轮任务，BFCL-V4 Multi-turn 包含约 800 个任务。
论文 Table 1 显示了各模型的平均分，具体如下：Qwen3-8B 为 23.8，AgenticQwen-8B 为 47.4；Qwen3-30B-A3B-Instruct 为 36.2，AgenticQwen-30B-A3B 为 50.2；Qwen3-235B-A22B-Instruct 为 52.0。
这组结果可以说明两点。
AgenticQwen-8B 相比基础 Qwen3-8B 有明显提升：47.4 vs 23.8。
AgenticQwen-30B-A3B 在这组 benchmark 上接近 Qwen3-235B-A22B-Instruct（50.2 vs 52.0），但不能据此推断它在所有任务中的能力都接近 235B 模型。
论文还说明，AgenticQwen-30B-A3B 是 MoE 模型，每次推理激活约 3B 参数；AgenticQwen-8B 是 Dense 模型，推理时会激活更多参数。
多轮数据飞轮是否有效
论文 Figure 2 展示了模型从 Round 0 到 Round 3 的训练变化。
数据表明 Qwen3-30B-A3B 和 Qwen3-8B 在 TAU-2 和 BFCL-V4 Multi-turn 的多个子任务上，表现能力有所提升。论文指出，三轮飞轮之后，模型的表现已经接近用于生成合成数据的强模型，因此没有继续扩展更多轮。
这部分结果说明，数据飞轮不只是训练前的数据构造方法，而是参与了多轮强化学习过程。每一轮模型暴露出的新问题，会继续推动下一轮数据扩展。
在工业 Agent 系统中的评估
论文还在一个工业 Agent 系统中，对 AgenticQwen 的表现进行了评估。该系统部署在云产品场景中，可以在沙箱环境中调用工具，完成生成折线图、总结一周工作文档等任务。
论文提到，AgenticQwen 已经接入该系统进行内部试点；当系统预测某个任务会落在模型能力范围内时，部分请求会自动路由给 AgenticQwen。
论文 Figure 3 给了一个企业数据分析案例：用户要求分析 Q3 数据，Agent 需要通过 SQL 查询销售数据、解析用户的 JSON 日志，并对 PDF 格式的市场趋势报告做 RAG，最后生成 BI 简报。论文认为这个例子主要考察了模型的 schema 发现、跨数据源推理和动态工具编排能力。
搜索和数据分析的 benchmark
在工业系统的能力评估中，论文还报告了模型在 WebWalker、XBench 和 GAIA 这三个搜索 benchmark 中的结果。
上表显示，AgenticQwen-30B-A3B 分别为 52.5 / 47.0 / 41.7，Qwen3-30B-A3B-Instruct 分别为 45.0 / 30.0 / 37.3，Qwen3-235B-A22B-Instruct 分别为 59.5 / 48.0 / 48.5。其中，在 XBench 上，AgenticQwen-30B-A3B 从基础版 Qwen3-30B-A3B-Instruct 的 30.0 提升到 47.0，论文标注为 +17.0。
论文还显示了 GAIA 上，各模型的平均端到端推理时间：Qwen3-235B-A22B-Instruct 为 449.5 秒，Qwen3-30B-A3B-Instruct 为 355.6 秒，AgenticQwen-30B-A3B 为 344.1 秒。作者推测，AgenticQwen-30B-A3B 耗时更少，可能是因为它经过了 Agent 训练之后，任务规划更有效，减少了一些不必要的工具调用或者交互步骤。这只是作者对结果作出的可能性解释，不是严格因果证明。
局限性
局限性：包括长上下文能力限制、对 Qwen 模型家族的依赖，以及模拟环境和真实系统之间的差距。
长上下文能力：AgenticQwen 主要关注推理和工具调用。对于高度开放、需要长上下文能力的 Agent 行为，小模型仍有困难。论文特别提到，deep-search 任务需要很长上下文，可能超过 8B 和 30B 模型的原生能力；在工业 benchmark 分析中，作者也指出 8B 和 30B 模型的 40K 长文上限可能会限制搜索任务的表现。
Qwen 模型依赖：训练过程比较依赖 Qwen 模型。Qwen 模型不只是被训练对象，还承担了数据生成器、模拟器和评估器的角色：生成新样本、模拟用户和工具环境，并根据任务规则给模型表现打分。论文认为这在成本效率上有优势，但也会造成结果更“偏向”Qwen 自己，不一定能直接推广、应用到其他模型。因此，作者提倡未来用其他模型来验证同一框架。
最后，模拟环境和真实线上环境仍有差距。行为树和对抗式用户可以增加训练复杂度，但真实业务还需要权限控制、规则校验、日志追踪、异常处理和人工介入。
小结
AgenticQwen 这篇论文的核心思路是：通过专门的数据生成和强化学习流程，提升小模型在工具使用和多步任务执行中的表现。
它的关键设计是双数据飞轮。Reasoning Data Flywheel 从模型失败样本中生成更难的可验证推理题；Agentic Data Flywheel 把线性工具流程扩展成多分支行为树，让模型在训练中接触条件分支、环境变化和用户干扰。
从实验结果看，AgenticQwen-8B 从基础 Qwen3-8B 的 23.8 提升到 47.4；AgenticQwen-30B-A3B 达到 50.2，接近 Qwen3-235B-A22B-Instruct 的 52.0。在工业搜索与数据分析 benchmark 上，AgenticQwen-30B-A3B 也比基础 Qwen3-30B-A3B-Instruct 有提升。
因此，这篇论文更适合被理解为一条小模型 Agent 训练路线，而不是“小模型全面替代大模型”的证据。它说明，在任务可模拟、流程可验证、反馈可自动计算的场景中，小模型可以通过更有针对性的训练缩小与更大模型在特定 Agent 任务上的差距。
