美国 Arcee 开源 Trinity-Large-Thinking 推理模型，宣称逼近 Opus 4.6、便宜 96%

美国 AI 新创 Arcee 发布开源推理模型 Trinity-Large-Thinking，在 Agent 能力基准 PinchBench 上得分 91.9，仅次于 Opus 4.6 的 93.3，在 Tau2-Airline Agent 任务基准上更以 88.0 夺下所有对比模型最高分。模型采用 400B 稀疏混合专家架构，API 定价为输出 $0.90/百万 token，较 Opus 4.6 便宜约 96%，以 Apache 2.0 授权开放权重下载。由动区动趋整理报道。
（前情提要：OpenRouter 分析 100 兆 Token 研报：人类到底用 AI 做什么、中国模型崛起与使用者留存秘密）
（背景补充：Claude Opus 4.6 来了：自己写编译器、做 PPT、随手挖出 500 个零日漏洞，你的工作它都想试试）。

员工人数不到一百人的美国 AI 新创 Arcee，在 Agent 能力评比上交出紧咬 Anthropic 旗舰模型的分数，而且价格只要人家的 4%。

Arcee 这家公司过去不算主流关注焦点，但他们最新发布的 Trinity-Large-Thinking 在多个 Agent 场景基准上已经挤进了前段班。

Kilo 开发的 PinchBench 是目前业界衡量模型在 Agent 工作流中实战能力的重要指标，Trinity-Large-Thinking 在这项测试中拿到 91.9，而目前的王者 Opus 4.6 是 93.3，差距只有 1.4%。

在另一项模拟真实客服场景的 Tau2-Airline 基准中，它更拿下 88.0 的成绩，比所有参与对比的模型都高。这意味着在需要多轮对话、反复查询工具的实际 Agent 任务中，这款开源模型确实具备很高的水准。

而 Arcee API 的定价是输出 $0.90/百万 token，官方称这比 Opus 4.6 便宜约 96%。对于需要让 Agent 长时间自动执行、不断消耗 token 的应用场景来说，成本差距可能比模型分数差距更有意义。

400B 总参数，每次推理只烧 13B

根据 Arcee AI 官方部落格表示，做到这种 CP 值的关键在架构选择。Trinity-Large-Thinking 使用了稀疏 MoE（混合专家）设计，里面塞了 256 个专家模块，但每次处理 token 只会启动其中 4 个。换算下来的 400B 庞大模型在实际推理时只需要 13B 的算力负担，执行效率大约是同量级密集模型的 2-3 倍。

和今年 1 月底发布的前代 Preview 比，最大升级是加入了推理思考链。

Preview 只做指令微调，这次的 Thinking 版本会在回答前先「想一下」，对于多轮工具调用的稳定度和长上下文的连贯性都有明显改善。Arcee 自己说得很直接：这个模型是为了在长时间 Agent 迴圈中不崩溃而设计的。

整个基础模型用了 2,000 万美元、33 天训练完成，Thinking 版本的后训练则花了 9 个月打磨。

Arcee CEO Lucas Atkins 在发布文中写道：「Getting here took difficult technical work, hard calls…Nobody did that. They kept pushing.」

通用推理不是它的主场

当然，专精 Agent 也意味着有取舍。在通用推理基准上，Trinity-Large-Thinking 的成绩就没那么亮眼了。GPQA-D 拿到 76.3，而 Kimi K2.5 是 86.9、Opus 4.6 是 89.2，差距分别有 10 和 13 个百分点；MMLU-Pro 的 83.4 也在对比模型中垫底。

但 Arcee 似乎不打算在这个方向硬拼，官方表示是「Trinity-Large-Thinking 在许多维度上是中国以外最强的开源模型」，已经表示他们的对手不是 Opus 或 GPT，而是 DeepSeek、Kimi 等中国开源阵营。

Trinity-Large-Thinking 已同步上架 OpenRouter，前 5 天在 OpenClaw 中免费使用。前代 Preview 也将继续免费提供。

说到前一版 Preview，它自 1 月底上线以来在 OpenRouter 平台上累计处理超过 3.37 兆 token。在 OpenClaw 的统计中，它是美国使用量排名第一、全球排名第四的开源模型。对于一家规模不大的新创来说，这个采用率已经证明它的便宜好用，市场需求确实存在。

模型权重以 Apache 2.0 授权在 Hugging Face 公开，任何人都可以下载、修改和商用部署。