Sage – 商汤绝影推出的端侧多模态智能体基座大模型

Sage快速摘要：端侧智能体模型能力与应用场景

Sage是商汤绝影于2026年4月发布的端侧多模态智能体基座大模型，支持复杂任务推理、工具调用与车端部署，适用于智能座舱和端侧Agent场景。

• 模型名称：Sage
• 开发公司：商汤绝影
• 发布时间：2026年4月
• 主要功能：支持复杂推理、工具调用、多模态感知、环境理解与端侧执行，PinchBench任务完成率94%。
• 使用要求：当前主要面向英伟达Orin X部署及车载智能体开发使用，并非面向普通消费者独立注册产品。
• 开源情况：截至目前官方未明确宣布Sage开源计划，据公开资料主要以量产部署和生态接入为主。
• 技术特点：SCOUT与ERL构成关键后训练体系，复杂任务完成率提升20%，训练GPU小时节省约60%。
• 性能指标：TTFT约0.5秒，TPOT约0.03秒，吞吐约80 tk/s，体现端侧低延迟推理能力。
• 价格信息：目前无公开API价格与商业计费表，官方资料未明确免费额度或开放调用价格。

Sage的核心优势

• 端侧Agent执行优势：Sage采用MoE小激活参数路线，以3B激活规模实现94%任务完成率，据PinchBench测试数据高于多款云侧模型，体现端侧推理效率与任务闭环执行能力的平衡。
• 低算力部署优势：相较42B激活参数的MiMo-v2-Pro，Sage激活算力需求约为其1/14，显存估算约1/31，在车端有限资源下具备更高部署可行性，据公开测试显示。
• 复杂推理稳定性：ERL通过错误步骤擦除与重生成机制减少链式推理偏差扩散，据ICLR 2026收录成果，复杂任务成功率提升20%，强化Agent连续任务稳定执行。
• 训练效率优化：SCOUT分级协同学习框架先由轻量模型探路，再由大模型吸收经验，据公开论文可节省约60% GPU小时，并提升复杂场景技能学习效率。
• 多模态场景融合：Sage不仅支持语言推理，还结合环境感知、视觉语义与工具调用，在Human Semantic Understanding测试达91分，据测试数据体现座舱多模态理解能力。

Sage的核心功能

• 复杂任务工具调用：模型支持长链路任务拆解与工具调用，例如输入多步骤导航与车控复合指令，可输出动作链闭环执行，在τ2-bench得分80，据测试数据表明任务执行能力突出。
• 多模态座舱理解：输入乘员状态、语音命令和视觉环境信息，模型可联动车载系统输出路线调整、儿童模式等结果，场景推理精度超过90%，据公开数据披露。
• 高效端侧推理：部署于Orin X平台时，模型首字响应约0.5秒，单Token延迟0.03秒，支持实时交互级体验，并降低依赖云侧推理成本。
• Agent框架接入：作为基座模型支持接入OpenClaw、Hermes等框架，开发者可输入工具链配置和任务模板，实现端侧Agent编排与自动执行。
• 专业知识与推理：在MMLU Pro获76分、GPQA Diamond获77分，支持复杂知识推理输入与多跳任务处理，对研究级逻辑任务具备一定适配能力。

Sage的技术原理

• MoE模型架构：采用32B总参数与3B激活参数MoE结构，通过专家路由机制降低推理负载，在端侧算力约束下兼顾性能和延迟。
• SCOUT训练机制：技术路径采用小模型任务探索与大模型知识吸收双阶段训练机制，提升复杂任务泛化能力，同时降低训练资源消耗。
• ERL推理机制：模型在推理过程中支持错误步骤识别、擦除与重生成，相比传统强化学习减少错误传播，增强长链推理稳定性。
• 多模态原生训练：训练结合语义、视觉和环境状态原生数据，支持舱驾场景输入融合，而不仅依赖单纯文本监督训练路径。
• 端侧推理优化：结合Orin X硬件推理优化实现80 tk/s吞吐，并在低延迟条件下维持复杂任务执行，这也是端侧智能体路线的重要实现基础。

Sage与主流模型对比

据PinchBench与公开基准测试数据，Sage在任务完成率上表现突出，但技术路径与通用大语言模型不同，更偏端侧智能体基座。与Claude Opus 4.6相比，差异主要不在纯语言能力，而在部署目标和成本结构；与Gemma 4相比，Sage在τ2-bench和场景推理指标优势更多来自后训练机制优化；与MiMo-v2-Pro对比，性能差异主要源于激活参数效率和训练路线，而不是单纯模型规模。对比说明Sage更适合车载Agent执行场景，而非通用聊天模型替代。

如何使用Sage

1. 部署环境配置：在Orin X或兼容端侧环境配置推理环境，设置模型加载参数和显存预算，例如激活推理资源按3B专家路由模式配置，可优化延迟表现。
2. 接入Agent框架：通过OpenClaw或Hermes接入任务编排层，设置工具调用链、函数接口和任务模板，例如配置导航、影音和车控联动链路。
3. 输入任务指令：通过复合指令输入多步骤任务，如路线规划加设备联动，调优任务拆解深度与工具调用轮数，可提升任务成功率。
4. 推理性能调优：根据TPOT和吞吐指标调整并发、缓存和上下文配置，例如控制任务上下文长度与工具调用频率优化端侧响应速度。
5. 场景效果验证：通过PinchBench类任务集或自定义场景集测试输出效果，对复杂任务成功率、延迟和错误纠偏能力进行验证。

Sage的相关资源

商汤绝影官方地址：https://www.sensetime.com/cn/product-business?categoryId=32857

Sage的局限性

• 生态开放限制：当前主要面向车端量产和合作生态，公开API能力与开发者开放程度有限，据官方公开资料未明确通用开放调用计划。
• 通用模型覆盖限制：Sage优势集中在Agent任务与车端场景，在开放域聊天、广泛创作类任务上公开数据有限，通用能力边界仍需更多验证。
• 硬件依赖限制：性能数据主要基于Orin X平台，跨硬件迁移效果可能存在差异，据技术路径推测不同算力平台延迟表现可能变化。

Sage的典型应用场景

• 智能座舱控制：输入复合车控指令，模型解析并调度空调、影音与导航系统，输出自动执行结果，提升座舱交互效率与任务闭环能力。
• 主动场景服务：输入环境状态与乘员状态数据，模型结合规则推理触发儿童模式或路线调整，输出主动服务响应。
• 端侧Agent助手：输入复杂任务目标，结合工具链执行研究、文件处理或日程任务，输出闭环任务结果，适用于Agent实验环境。
• 舱驾融合方案：输入驾驶状态、传感器数据和用户意图，模型执行场景联动输出综合决策支持，用于舱驾一体开发。
• 低延迟边缘部署：输入端侧任务请求，在低网络依赖条件完成本地推理输出，适用于高实时要求边缘智能场景。

Sage常见问题