七位博士生用三个夏季月完成7B大模型训练，数据全公开

在北京中关村学院，七名博士生利用一个暑假，成功从零开始训练出了一款名为ZGCM-1的7B参数的大型模型。随后，他们将各个阶段的训练数据、方法、模型权重、训练代码以及日志全部公开，方便有兴趣的研究者进行认证和重现过程。ZGCM-1在多项通用评测中与同规模的Qwen3-8B表现相近，在部分数学推理和搜索测试中，甚至与更大规模的Qwen3-235B-A22B及GLM-5.1模型可比较。

值得关注的不仅是最终结果，更在于这套数据、训练、集群和评测的完整工程。通常这种规模的项目需要几百人的团队协作，而七人是如何做到的呢？他们通过构建一支几百个Agent的团队，分工明确地处理数据、实验、日志和评测，实践了“AI4AI”的研发模式。模型训练完成后，他们还对Agent在模型研发过程中的表现进行了评估，旨在为现有的研究提供真实的工程结论。

这一切的开始，源于一次火锅聚餐。七位成员在技术报告中发现了诸多困惑，从数据选择到训练问题都难以理解，决定自己动手尝试。他们希望通过自己的实践，为那些同样好奇的研究者提供参考。初期，他们的老师给予了一些算力支持，随后，团队逐步复现已有项目，并在过程中获得更多资源，正式启动7B模型的训练。 球友会

在真正的训练阶段，他们意识到对许多概念的理解仍然不够深入。面对复杂的编程和实验现象，团队决定从基本原理入手，借助Agent进行研究与讲解，以便将理论与实际实现结合起来。

七名成员面临的工作量远超过他们的承载能力。于是，他们组建了一个Agent团队，以提升各项工作的效率，团队设立了专门负责数据处理、实验和评测的子团队，同时创建了任务发布与跟踪系统。这使得研究者可以专注于目标设定与决策，而Agent团队则持续推进具体工作。

在数据处理上，Agent可以根据设定的质量标准编写清理脚本，自动检查并调整规则，形成闭环。在实验阶段，Agent具备完整的能力从实验提交到监控日志，甚至能主动发现并优化训练效率。为了提升Agent间的协调与沟通，团队开发了ZGent平台，汇集会议讨论、决策及任务积累，为后续的Agent提供了经验可供参考。 球友会

通过这一过程中，团队逐渐意识到，他们的做法正符合当今流行的“AI4AI”理念。为了评估Agent的自主性，团队将研发过程进行拆分，共分为11类任务，并通过评级系统明确Agent在各任务中的自主水平。差异显而易见，监控和部署已达到了L4级，Agent可以独立规划与执行，而模型架构与学习算法设计仍依赖人工参与。