小红书 dots 模型实验室宣布开源 dots3-note preview。这是 dots3 系列首个开源版本，重点放在更贴近现实、也更难标准化评测的长程任务上。
上个月，小红书自研大模型「dots-note-3.0」在国际奥数竞赛中取得官方认证的满分 42 分。围绕这一系列模型，社区此后最关注的问题之一就是何时开源。此次发布的 dots3-note preview，属于同系列的开源版本。
参数规模与开放入口
从参数来看，dots3-note preview 总参数为 280B，其中激活参数为 16B，支持 512K 超长上下文窗口，并具备文本、视觉与语音多模态理解能力。官方称，该模型针对复杂推理、Agent 和多模态感知做了优化。
- API 入口：https://dots.ai/platform/
- Hugging Face：https://huggingface.co/dots-studio/dots3-note-prev
- GitHub：https://github.com/studio-dots-ai/dots3-note-prev
IMO 满分更多验证了该系列模型在数学推理和证明上的能力，这次开源则把重点放到了另一类任务：旅行规划、婚礼筹备、开店经营等。此类问题往往没有唯一答案，持续时间也可能从数小时延伸到数天甚至更久。
瞄准长程任务，也贴近 Agent 当前演进方向
dots3-note preview 将重心放在长程任务上，对应的正是当前 Agent 发展中的一条主线：模型被要求独立承担更长、也更完整的工作流程。OpenAI 此前披露，今年 5 月，超过 70% 的用户让 Codex 处理需要人类一小时以上才能完成的工作；到 6 月，OpenAI 内部使用量最高的 1% 活跃用户每天产生超过 60 小时的 agent turns。
不过，不同任务场景之间的难度差异很快就会显现。数学、代码和工程等方向，Agent 的表现已经相对成熟；但真实生活环境更开放，需求描述也更模糊。dots3-note preview 选择在这类场景中测试自身能力，重点考验的是长程规划、判断和纠错。
按照官方披露的多项主流 benchmark 数据，在多项推理和智能体任务上，dots3-note preview 可以比肩，甚至超过参数规模数倍于自身的大模型；其视觉能力在同尺寸区间也表现突出。
补上 Agent 这块开源拼图
在此之前，小红书已陆续开源文本大模型 dots.llm1、多语言文档布局解析模型 dots.ocr，以及多模态视觉理解大模型 dots.vlm1。最新发布的 dots3-note preview，则补上了 Agent 这一块。
实测案例：从游戏到软件工程
官方在发布中给出了多组实测，用来展示 dots3-note preview 在信息零散、步骤繁多、环境持续变化的任务中，如何独立推进并交付结果。
接管《杀戮尖塔 II》
在《杀戮尖塔 II》的测试里，模型需要在路线选择、拿牌、是否挑战精英、金币使用，以及营地休息还是升级之间不断权衡。这些选择会影响几十个回合之后的生存概率，局部最优并不等于全局更优。
官方称，模型事先并未针对这款游戏进行专门训练，但它可以根据战斗反馈学习卡牌和敌人机制，同时管理生命、牌组、金币与药水，并在商店、营地和精英战之间反复取舍，最终一路打到 33 层。
从零破解 ARC-AGI 3
在 ARC-AGI 3 这类长程推理任务中，规则起初完全未知。模型需要先观察画面，再提出假设，并通过操作不断验证。
根据官方描述，dots3-note preview 逐步发现了两个方块上下同步、左右镜像等规律，并摸索出危险格、可移动标记、压力开关和闸门等机制。每当假设出错后，它会启动 Self-Critiquing 机制重新评估，并把修正后的规则写入 memory.md。这个文件相当于模型的记事本，用于持续保存对环境的动态理解。
最终，模型通过 320 步操作解开全部 6 关。
读图处理装修问题
在一个更贴近生活的测试里，用户同时上传户型图和两款冰箱的参数截图，并补充说明：厨房靠近书房一侧的墙面已经做了 1.5 米长的台面，现在想把冰箱放在这面墙上，判断是否还能放下。
这个问题的关键信息分散在多张图片和文字描述中。模型需要结合户型图、既有台面尺寸与两款冰箱规格，计算墙面剩余空间并给出适配结论。官方还提到，模型会主动提醒用户到现场复尺确认。
在沿用同一户型图的情况下，官方继续要求模型为书房设计几套实木风装修方案。模型保留此前识别出的尺寸和采光信息，搜索小红书相关笔记，整理出 4 套实木风方案并生成网页，连续完成读图、计算、检索和内容生成。
端到端完成 visionOS 应用开发
另一组测试要求 dots3-note preview「参考小红书的设计，开发一款 Apple Vision Pro 原生应用」。
接到任务后，模型没有直接进入写代码阶段，而是先理解产品需求，并参考 9 张界面图，自主确定开发方案，包括采用 SwiftUI + RealityKit 技术路线，规划窗口、沉浸式空间和 3D 商品展示等不同模块。方案确定后，它继续准备本地图片和 3D 模型素材，再逐步完成代码实现。
整个项目最终生成 12 个 Swift 文件、1876 行代码，实现了信息流、个人主页、私信、商品等界面，并接入 USDZ 3D 模型。随后，模型还自行生成 Xcode 工程，调用 xcodebuild 编译，并在 visionOS Simulator 中完成检查，最终显示「BUILD SUCCEEDED」。
按官方展示，从需求理解、技术选型到代码实现、编译和验证，这套开发流程被完整跑通。最终成品已经具备较完整的空间交互：信息流可以滚动，笔记能够进入详情页，个人主页和私信可以作为独立窗口展开，用户也可以在购物界面中直接查看并切换不同的 3D 商品。
核心方法：主动记忆、长轨迹强化学习与中途自评
从这些案例看，dots3-note preview 的一个突出特征，是在任务过程中边探索、边记住新信息，并在环境变化或判断失误后持续调整，直到交付结果。官方将这一能力拆解为两个关键点：学习并保留真正有用的信息，以及在判断偏差出现时及时发现并修正。
dots 实验室首先面对的问题是，模型在结束训练后，能否继续从环境和用户身上学习。为训练这类能力，实验室构建了数千个不依赖先验知识的超长程新颖环境，让 Agent 在此前未接触过的场景中持续探索，通过与环境交互学习新的规则和知识，并用于后续决策。
官方提到，当任务长度显著超过模型上下文窗口后，模型无法始终依赖上下文中已有的信息。经过强化学习训练后，模型会逐步学会如何保留对后续解题有帮助的信息。这项能力已在 ARC-AGI 3 上得到验证。
按披露数据，dots3-note preview 在 ARC-AGI-3 上以不到 500 美元的成本取得约 0.35 分。其绝对分数低于 Claude Opus 4.8 (high)，但成本效率更高。
TEMPO：把长轨迹拆成 macro-step
在训练过程中，另一个难点来自探索成本。长程任务中，Agent 完成一次探索可能需要十几个小时。如果继续使用依赖终局奖励的 value-free 强化学习方法，往往要等整条轨迹结束后才能拿到训练信号，效率较低，也难以判断最终成功或失败究竟来自前面的哪一步。
PPO 等 actor-critic 方法可以缓解这一问题，但传统 critic 通常通过一次固定算力的前向计算来估计当前状态价值。面对复杂 Agent 任务，actor 可以反复推理、调用工具后再决定下一步，而 critic 难以做到同样程度，容易导致对当前进展判断不准。
为此，dots 实验室提出了 TEMPO，全称为 Test-time-scaled Value Estimation with Macro-step Policy Optimization。它把一条很长的轨迹切分成多个 macro-step，每个阶段包含多轮模型与环境交互。一个阶段结束后，模型会暂时从 actor 切换到 critic，通过推理、工具调用和 test-time scaling 来估计当前状态未来可能获得的回报，再把这个评价转化为尚未结束轨迹的训练信号。
在 TEMPO 的训练过程中，模型既学习如何行动，也学习如何评价自己当前做得怎样。官方称，借助这种自我评价，强化学习训练可以被放到更长的任务中，并持续优化长轨迹中的行为。
结果显示，TEMPO 的优势主要出现在任务进入后半程之后。随着交互轮次增加，GRPO 和 Base checkpoint 的得分逐渐停滞，TEMPO 仍能继续提升；从通关进度来看，三者也在任务后半程明显拉开差距。
Self-Critiquing 在训练和推理阶段同时发挥作用
在引入 Self-Critiquing 机制后，官方表示，dots3-note preview 的自我评价能力比最初预想更强。即便某个问题暂时还没有解出，模型也能从两个表面相似的中间状态中判断，哪个更有机会取得突破。
这类自我评价能力不仅被用于强化学习训练，也体现在推理阶段。官方提到，在此前 IMO 2026 参赛中，dots3-note preview 的同系列分支版本会一边生成证明，一边通过工具调用反复检查证明，并根据评价结果持续修改和优化，最终取得满分。
未来，dots 实验室计划在「开放任务」中继续探索 recursive self-critiquing，让模型在缺少清晰外部奖励的情况下，也能自己判断任务进展，并据此调整记忆和规划后续行动。
为什么把重点放在真实生活长程 Agent
对于小红书这类生活兴趣社区而言，真实生活任务本身就是高频场景。旅行、婚礼、家装、穿搭等问题，往往没有唯一答案，用户的偏好和约束条件也会不断补充，多模态信息密集，任务目标甚至在推进过程中还会继续变化。
官方认为，这类复杂长程需求正是小红书长期面对的内容，因此也自然成为 Agent 研究和应用的重要方向。相比之下，数学、代码等任务的目标更清晰，结果也更容易验证；现实生活中的任务则缺少随处可用的测试用例，约束条件也会随时间变化，这让长程 Agent 的短板暴露得更加明显。
开源两套评测基准：VibeSearchBench 与 VibeLifeBench
为更直观地呈现差距和不足，dots 实验室同时开源了两套评测基准。
第一套是 VibeSearchBench，用于评估当用户没有一次说清需求时，Agent 能否逐步理解用户真正想要什么。该基准覆盖 20 个领域、200 项任务，评测方式是模拟真实用户在多轮对话中逐步补充需求和限制条件，再观察模型能否准确理解目标。
第二套是 VibeLifeBench，重点放在时间和环境变化上，考察外部条件变化后，Agent 是否还能持续跟进。该基准覆盖 10 个领域、20 项任务，每项任务包含 20 到 30 个阶段，并设置了 1247 项 atomic checks，用于检查状态是否保持一致、工具是否正确执行，以及最终交付内容。
官方披露的结果显示，即便是 Claude Opus 5、GPT-5.5 这样的头部模型，在这两套评测基准中也没有达到设定的及格水平。
- VibeSearchBench 主页：https://vibebench.github.io/VibeSearchBench.github.io/
- VibeLifeBench 主页：https://vibebench.github.io/VibeLifeBench_homepage/
后续计划
小红书表示，dots3-note 是 dots3 系列中最轻量级的版本，目前开源的 preview 版在体验和细节上仍有继续优化空间。按照 dots 实验室披露的信息，dots3-note 正式版也将于近期开源。
未来，dots3 系列还将推出 jazz 和 aria，与 note 组成三个层级，覆盖不同任务复杂度、响应速度和计算成本的应用需求。
更多训练方法细节，官方给出了中文技术博客链接：https://studio.dots.ai/dots/dots3-zh.html
本文信息来自微信公众号「机器之心」（ID：almosthuman2014），作者为关注 Agent 的机器之心，编辑为杜伟、杨文。