一个 90 亿参数（9B）的开源 AI 模型，经过一套「用真实执行结果验证过的数据」微调后，在多项测试中追平了同家族 270 亿参数（27B）、未经微调的大模型。这套方法来自一篇 2026 年 9 月 4 日提交到 arXiv 预印本平台的论文（编号 2609.05395），已被自然语言处理领域顶级学术会议 EMNLP 2026 的行业轨道接收。论文还同时发布了一个新基准 KOPA-Bench——用韩国政府开放接口（API）的 145 个真实任务来考核模型的多步工具调用能力。
先交代几个关键词。大模型（LLM）是用海量文本训练出来、能理解并生成文字的 AI 程序，ChatGPT 就是典型代表。开源模型指权重公开、任何人都能下载和本地部署的模型，与之相对的是只能通过网络接口调用、内部不可见的闭源模型。模型的参数数量以 B 为单位（1B 等于 10 亿），大致决定模型的容量，通常参数越多、能力越强。工具调用（tool calling）指让 AI 在对话之外调用外部软件完成操作的能力，API（应用程序接口）就是软件之间互相通信的标准化通道；多步工具调用则是为完成一个任务连续调用多个工具，比如先查企业工商信息、再查相关新闻、最后汇总成一份报告。
一个被忽略的缺口：开源模型不会多步调用工具
越来越多的国家和地区实施数据主权法规：公共部门的数据必须在本国境内存储和处理，机构必须把模型部署在自己的服务器上，而这类本地部署通常只能选用开源模型。这些机构期待的是 AI 智能体（能自主执行任务的 AI 程序）跨多个政府 API 连续调用工具、自动把事办完。
但论文指出一个现实缺口：开源模型在这种多步调用场景下持续表现不佳，而此前没有任何公开基准能量化这个差距——大家只知道它不行，不知道差多少、差在哪里。
KOPA-Bench：145 个真实任务当考卷
五位研究者（Dain Kim、Eungi Cho、Kyumin Kim、Shinyeong Noh、Kyuseong Lim）构建了韩国开放公共 API 基准 KOPA-Bench：从韩国政府真实对外开放的接口中整理出 145 个真实任务，覆盖查数据、填信息、跨系统办事等实际场景。每个任务都要求模型连续调用多个工具、消化中间结果才能完成，贴近真实业务，而不是实验室里的玩具题。
EDGE：只用「真实执行成功」的路径合成训练数据
光有考卷不够，论文还给出提升开源模型能力的配方：EDGE（Execution-grounded Dynamic Graph，执行接地动态图）数据合成方法。
训练 AI 需要大量「问题—正确操作步骤」配对数据。过去合成这类数据，常靠大模型凭空生成：步骤看起来合理，真实执行却会出错，模型学到的其实是错误示范。EDGE 反过来做：先构建一张图，记录每个工具的输出可以怎样作为下一个工具的输入；然后让这些调用链条真正跑一遍线上 API，只保留真实执行成功的连接；最后沿着这些验证过的路径，合成可直接执行的完整任务轨迹作为训练数据。核心思路一句话：所有训练数据都先经过真实世界的检验。
实验结果：9B 追平 27B
研究者用 GRPO（一种强化学习训练方法，让模型通过试错和奖励信号不断优化行为）在这套数据上微调了一个 90 亿参数的开源模型。结果显示：微调后的 9B 模型在 KOPA-Bench 上几乎追平同家族 270 亿参数、未做微调的模型；在 BFCL（伯克利函数调用排行榜，国际通用的工具调用能力基准）上也有大幅进步。
也就是说，一个参数规模只有对方三分之一的模型，靠数据配方的改进，在特定领域追平了三倍大小的模型。对必须本地部署、算力和电力都有限的机构来说，这直接意味着更低的服务器成本和功耗。
为什么值得关注
这则研究踩中三个正在发生的趋势：数据主权法规推动公共机构转向开源本地化部署；合成数据正成为训练数据的主要来源，而如何保证合成数据的正确性是行业共同难题；小模型通过优质数据逼近大模型能力正在成为现实。EDGE 给出的答案——用真实执行结果验证合成数据——简单直接，而且可以推广到 API 之外的更多场景。
机构最终选用 9B 还是 27B 模型，需要结合自己的数据、算力和任务量权衡。但这篇论文传递了一个明确信号：在细分场景里，数据配方的价值可能比模型体积更重要。