不是所有场景都需要千亿参数，但几乎所有场景都需要「会推理」的模型。如何让更小、更易部署的模型具备更强的推理能力、长上下文理解能力以及工具调用能力，成为开源社区探索的重要方向。

针对小模型复杂任务处理能力不足的问题，Empero 开源了 Qwythos-9B-Claude-Mythos-5-1M，一款基于 Qwen3.5-9B 打造的推理增强语言模型。该模型通过超过 5 亿 Token 的高质量 Claude Mythos 和 Claude Fable 推理轨迹数据进行后训练，在保持 90 亿参数规模的同时，提升模型在复杂推理任务中的表现。

相比基础模型 Qwen3.5-9B，Qwythos 在多个评测中实现显著提升，其中 MMLU 提升 34 分，gsm8k-strict 数学推理提升 30 分，证明了小参数模型同样能通过高质量推理数据实现能力跃升。

除了推理能力优化，Qwythos 还面向 AI Agent 场景进行了增强。模型支持基于 Qwen3.5 规范的原生工具调用能力，可连接外部工具执行复杂任务；同时通过 YaRN RoPE scaling 技术支持 100 万 Token 超长上下文，能够处理长文档、代码库等复杂信息。此外，Qwythos 继承了 Qwen3.5-9B 的多模态视觉能力，可通过 mmproj 模块支持图像理解，进一步拓展模型在多模态 Agent 等场景中的应用。

Qwythos 的发布为小模型的发展打开了新思路：通过高质量数据、推理训练和能力优化，小参数模型也能突破规模限制，为低成本、高效率的 AI 应用提供新的可能。

为了方便开发者快速体验 Qwythos，HyperAI（hyper.ai）已整理相关模型资源，帮助开发者一键完成模型部署，快速上手推理测试与 Agent 开发。⬇️

在线运行：https://go.hyper.ai/25R6k

更多在线教程：

https://hyper.ai/notebooks

Demo 运行

1 、进入 hyper.ai 首页后，选择「教程」页面，或点击「查看更多教程」，选择「Qwythos-9B-Claude-Mythos-5-1M GGUF 推理部署」，点击「运行此教程」。

2. 页面跳转后，点击右上角「Clone」，将该教程克隆至自己的容器中。

注：页面右上角支持切换语言，目前提供中文及英文两种语言，本教程文章以英文为例进行步骤展示。

3. 选择「NVIDIA RTX 5090」以及「PyTorch」镜像，点击「Continue job execution（继续执行）」。

4. 等待分配资源，当状态变为「Running（运行中）」后，点击「Open Workspace」进入 Jupyter Workspace 。

效果展示

1. 页面跳转后，点击左侧 README 文件，进入后点击上方 Run（运行）。

2. 待运行完毕后，点击右侧 API 地址即可打开 Demo 界面。