美國 Arcee 開源 Trinity-Large-Thinking 推理模型，宣稱逼近 Opus 4.6、便宜 96%

美國 AI 新創 Arcee 發布開源推理模型 Trinity-Large-Thinking，在 Agent 能力基準 PinchBench 上得分 91.9，僅次於 Opus 4.6 的 93.3，在 Tau2-Airline Agent 任務基準上更以 88.0 奪下所有對比模型最高分。模型採用 400B 稀疏混合專家架構，API 定價為輸出 $0.90/百萬 token，較 Opus 4.6 便宜約 96%，以 Apache 2.0 授權開放權重下載。由動區動趨整理報導。
（前情提要：OpenRouter 分析 100 兆 Token 研報：人類到底用 AI 做什麼、中國模型崛起與使用者留存秘密）
（背景補充：Claude Opus 4.6 來了：自己寫編譯器、做 PPT、隨手挖出 500 個零日漏洞，你的工作它都想試試）。

員工數不到一百人的美國 AI 新創 Arcee，在 Agent 能力評比上交出緊咬 Anthropic 旗艦模型的分數，而且價格只要人家的 4%。

Arcee 這家公司過去不算主流關注焦點，但他們最新發布的 Trinity-Large-Thinking 在多個 Agent 場景基準上已經擠進了前段班。

Kilo 開發的 PinchBench 是目前業界衡量模型在 Agent 工作流中實戰能力的重要指標，Trinity-Large-Thinking 在這項測試中拿到 91.9，而目前的王者 Opus 4.6 是 93.3，差距只有 1.4%。

在另一項模擬真實客服場景的 Tau2-Airline 基準中，它更拿下 88.0 的成績，比所有參與對比的模型都高。這意味著在需要多輪對話、反覆查詢工具的實際 Agent 任務中，這款開源模型確實具備很高的水準。

而 Arcee API 的定價是輸出 $0.90/百萬 token，官方稱這比 Opus 4.6 便宜約 96%。對於需要讓 Agent 長時間自動執行、不斷消耗 token 的應用場景來說，成本差距可能比模型分數差距更有意義。

400B 總引數，每次推理只燒 13B

根據 Arcee AI 官方部落格表示，做到這種 CP 值的關鍵在架構選擇。Trinity-Large-Thinking 用了稀疏 MoE（混合專家）設計，裡面塞了 256 個專家模組，但每次處理 token 只會啟動其中 4 個。換算下來 400B 的龐大模型在實際推理時只需要 13B 的算力負擔，執行效率大約是同量級密集模型的 2-3 倍。

和今年 1 月底發布的前代 Preview 比，最大升級是加入了推理思考鏈。

Preview 只做指令微調，這次的 Thinking 版本會在回答前先「想一下」，對多輪工具呼叫的穩定度和長上下文的連貫性都有明顯改善。Arcee 自己說得很直接：這個模型是為了在長時間 Agent 迴圈中不崩潰而設計的。

整個基底模型用了 2,000 萬美元、33 天訓練完成，Thinking 版本的後訓練則花了 9 個月打磨。

Arcee CEO Lucas Atkins 在發布文中寫道：「Getting here took difficult technical work, hard calls…Nobody did that. They kept pushing.」

通用推理不是它的主場

當然，專精 Agent 也意味著有取捨。在通用推理基準上，Trinity-Large-Thinking 的成績就沒那麼亮眼了。GPQA-D 拿到 76.3，而 Kimi K2.5 是 86.9、Opus 4.6 是 89.2，差距分別有 10 和 13 個百分點；MMLU-Pro 的 83.4 也在對比模型中墊底。

但 Arcee 似乎不打算在這個方向硬拼，官方表示是「Trinity-Large-Thinking 在許多維度上是中國以外最強的開源模型」，已經表示他們的對手不是 Opus 或 GPT，而是 DeepSeek、Kimi 等中國開源陣營。

Trinity-Large-Thinking 已同步上架 OpenRouter，前 5 天在 OpenClaw 中免費使用。前代 Preview 也將繼續免費提供。

說到前一版 Preview，它自 1 月底上線以來在 OpenRouter 平台上累計處理超過 3.37 兆 token。在 OpenClaw 的統計中，它是美國使用量排名第一、全球排名第四的開源模型。對一家規模不大的新創來說，這個採用率已經證明他的便宜好用，市場需求確實存在。

模型權重以 Apache 2.0 授權在 Hugging Face 公開，任何人都可以下載、修改和商用部署。