Thousand Token Wood v2 最值得看的，不是森林动物学会了借贷、做空、内幕消息和结盟。
反常点在这里：这个金融游戏没有让一个大模型包办全场，而是把 4 个不同实验室的小模型接进同一个市场。玩家扮演幕后金主，操纵贷款、传递真假内幕、拉联盟、做空，治安官还会追查可疑盈利。
这更像一个缩小版智能体系统实验。小模型能不能用？能。但不能放野。它们要被服务层、数据权限、记忆摘要和测试套件一层层圈住。
v2 改了什么：从旁观沙盒到可操作金融剧场
v1 更像观察实验。几只林地动物用一个微调 0.5B 模型交易商品，玩家丢进天气、供需冲击，看泡沫和崩盘怎样长出来。
v2 变成了游戏。玩家是 Patron of the Wood，像影子银行家一样影响市场：放贷、收息、散布真假内幕、贿赂、做空、结盟。市场不再只是被观看，而是可以被操纵。
关键变化不多，但每一条都指向同一个问题：小模型智能体到底怎么落地。
| 维度 | v2 的做法 | 读者该看什么 |
|---|---|---|
| 模型组合 | gpt-oss-20b、MiniCPM3-4B、Nemotron-Mini-4B、微调 Qwen 0.5B | 角色差异来自异构模型，不只是换 prompt |
| 模型规模 | 4 个模型均在 32B 以下 | 项目押的是小模型编排，不是大模型统治全场 |
| 部署 | 都部署在 Modal | 难点落到服务层、镜像、推理栈和调度 |
| 输出 | 统一 JSON 解析与修复层 | 模型格式不稳，系统要兜底 |
| 记忆 | 不塞原始历史，只给有限关系摘要 | 保留关系感，控制 prompt 膨胀 |
| 信息安全 | 内幕真假标记不进 prompt，只放玩家账本 | 把泄密风险从“提示词技巧”降到数据流设计 |
这件事对两类人最直接。
做智能体应用的工程团队，可以把它当成一份小型架构样本：多模型不难接，难的是权限、状态、输出修复和可测试行为。关注小模型落地的团队，也应该少问“4B 能不能像 70B”，多问“4B 放在哪个环节最省钱、最可控”。
企业采购或内部平台团队也会受影响。看到这类项目后，不该急着把业务流程交给小模型代理。更现实的动作是延后“全自动智能体”采购，先要求供应商交代三件事：数据隔离怎么做、失败输出怎么修、每轮 prompt 能不能被审计。
工程点比玩法更硬：小模型靠结构补短板
v2 的几个细节，听起来不花哨，却是真正有用的部分。
vLLM 0.22.1 加载时需要 JIT 编译 kernel，因此要有 CUDA toolkit / nvcc。作者一开始用精简镜像，四个模型都报找不到 nvcc；换成 CUDA devel 镜像后统一解决。
这不是某个模型的小毛病，而是服务栈的共性坑。很多智能体项目死得不壮烈，就是死在镜像、依赖、解析器和状态管理上。
gpt-oss-20b 使用原生 MXFP4 量化，可以在 24GB L4 上跑。但这个事实不能外推成“所有 20B 模型都低成本好跑”。模型结构、量化支持、推理后端、显存占用，都会改变账本。
MiniCPM3 需要 trust_remote_code，Nemotron 加载更顺。真正让异构模型可控的，不是模型突然都变乖，而是外面套了统一的容错解析器。
结果也要克制看。
在一次 seeded run 里，微调 Qwen 0.5B 做到 0% self-buys、100% valid offers。隐藏提示标记在每轮完整 prompt 扫描中 0 泄漏。
这很好，但不是通用基准。0 泄漏也不是绝对安全证明。它只能说明：在这个设定、这次运行、这套扫描规则下，系统没有把隐藏标记漏进 prompt。
这里的分水岭很清楚：不要把小模型当聪明人，要把它当一个会说话、会犯错、但便宜可调的执行部件。
可复用的部分大概是这几条：
- 动作空间要窄，别让模型自由发挥太久；
- 输出必须结构化，JSON 修复层不能省；
- 敏感标记不要进 prompt，放到账本或权限层；
- 记忆给摘要，不给无限历史；
- 强敌意、拒贷、联盟等行为可以部分机械化；
- 每轮 prompt 要能扫描，关键状态要能测试。
这套东西不浪漫，但管用。工程里最贵的往往不是模型，而是把模型出错后的损失压住。
我的判断：小模型能上桌，但别让它坐主位
我不太买账“小模型追平大模型”这种叙事。至少从 Thousand Token Wood v2 看，结论刚好相反。
小模型的价值不是像大模型一样包打天下。它的价值在便宜、可部署、可替换、可编排。它适合当系统里的零件，不适合当系统本身。
这个项目做对的一点，是没有假装模型会凭空推理出稳定金融行为。它把模型关进几道笼子：有限动作、结构化输出、关系摘要、数据流防火墙、每轮 prompt 扫描。
“天下熙熙，皆为利来。”这句话放在金融游戏里贴切，放在 AI 行业也不违和。参数好讲，融资好讲，Demo 好讲；权限、镜像、解析、测试、回滚，不好讲，也不好卖。
但真到落地，脏活决定生死。
这也是我认为它有价值的地方。它没有证明小模型有多聪明，只证明了一件更实在的事：只要系统边界设计得足够硬，小模型可以参与复杂交互。
历史上很多技术也是这样进工业体系的。电力改变世界，不只靠更大的发电机，还靠电网、标准、电表和保险丝。类比不完全一样，但今天的小模型智能体也缺这套“保险丝”。
接下来该观察的不是“动物会不会演得更像人”。那不关键。
更该看三件事：
| 观察点 | 为什么重要 |
|---|---|
| 多轮运行是否稳定 | 单次 seeded run 不能说明长期可靠性 |
| 泄漏扫描能否覆盖更多攻击面 | 0 泄漏只对当前规则有效 |
| 小模型编排的成本是否低于单大模型 | 便宜不是口号，要算部署、维护、测试总成本 |
如果这三件事跑不通，多模型智能体只是漂亮玩具。如果跑通，它就会进入很多低风险、强约束、可审计的场景：游戏 NPC、仿真市场、训练沙盒、内部流程助手。
别急着把它包装成真实金融交易系统。它不是。
它更像一个提醒：智能体的第一性原理不是“更聪明”，而是“更可控”。模型看着更小，工程反而更重。这不是倒退，是工业化该有的样子。