用小模型跑出 Frontier 级别的效果

具体的实操工作流大概分这三步：

一、构建模拟环境
利用已有的 Agent 运行轨迹（Traces）作为信号，通过 wmo build 搭建一个模拟环境，用来验证优化后的模型是否达标。

wmo build

二、执行模型优化
运行 wmo optimize。这个过程其实在做三件事：把大模型的 CoT 蒸馏到小模型里、训练一个路由（Router）来决定请求分发、以及进行 Token 压缩（Compaction）去掉冗余噪音。

wmo optimize

三、部署服务
最后通过 wmo serve 启动端点。此时后端会有一个路由机制，简单的任务直接由优化后的小模型处理，复杂任务才转发给 Frontier 模型。

wmo serve

这种方案最核心的价值在于降低了 AI Agent 的运行成本。很多时候我们并不需要全量调用 Claude 3.5 或 GPT-4o，只要能把特定任务的推理逻辑蒸馏到 7B 甚至更小的模型里，速度和成本优势非常明显。