Databricks 发布 KARL：用自定义强化学习打造更快企业知识智能体

KARL 是谁，什么时候出现的

2026 年 3 月 5 日，Databricks AI 研究团队发布了一个叫 KARL 的智能体模型。它专门用来回答企业里的知识问题，比如从很多文档里找答案、把不同信息对一对、再一步步推理出结论。原文没有说明它是开源、开放权重还是闭源服务，这一点官方未说明。

你可以把它想成图书馆里一个跑得特别快的小助手：你问一个问题，它会自己跑去翻很多本书，把不同书里的信息对一对，再跑回来告诉你答案。它比别的助手跑得更快、花的时间更少、说得还更清楚。

它到底解决什么问题

现在很多企业用大模型来做知识工作，比如写代码、问企业数据、自动处理常见流程。这些模型虽然很强，但非常贵，推理成本对很多场景来说已经涨到难以承受。KARL 要解决的就是这个矛盾：既要回答得好，又要便宜、要快。

原文说，KARL 在推理成本、延迟和质量这三个关键维度上，都严格优于前沿模型。也就是说，它不是只赢一项，而是三项都赢。这就像一辆车不仅跑得快，还特别省油，坐起来还舒服。

它靠什么本事做到又快又好

KARL 的核心能力叫“有依据的推理”：回答问题时先去搜索文档、核实事实、交叉比对信息，再在几十到几百步之间做推理。这种任务不像数学题或写代码那样有唯一正确答案，所以很难用传统方法判断对错。

Databricks 用自己开发的强化学习技术和基础设施来训练 KARL。强化学习可以理解成教小狗做动作：做对了给奖励，做错了不给，慢慢它就学会怎么做最好。KARL 只用了几千个 GPU 小时和完全合成的数据就训练出来了。

它在实际使用中表现如何

原文提到，在内部人工用户测试中，KARL 给出的回答比 Databricks 现有产品和最新前沿模型更好、更全面。而且面对它以前没见过的、新的有依据推理任务，它也能匹配世界上最强大的专有模型的性能，但服务成本和延迟只是后者的一小部分。

这项研究正在进入 Databricks 用户今天就在用的智能体产品，比如 Agent Bricks，把答案建立在 Databricks Lakehouse 里的结构化和非结构化数据之上。也就是说，它不是停留在论文里，而是已经在往产品里落地。

客户也能用上这套训练方法吗

Databricks 宣布，用来打造 KARL 的同一套强化学习管线和基础设施，现在也向 Databricks 客户开放。客户可以用它来提升自己高频智能体工作负载的模型表现并降低成本。原文说，几乎所有真实企业任务都很难自动验证对错，所以 KARL 为客户的定制模型铺了路。

具体入口是 Custom RL 私有预览，由 AI Runtime 支持。客户可以用 KARL 的基础设施，为自己常用的智能体构建一个更高效、更贴合自己领域的版本。如果你有快速扩张的 AI 智能体，可以登记表达对预览的兴趣。

有哪些限制和还没说清的地方

原文没有说明 KARL 是否开源或开放权重，也没有给出参数规模、支持语言、定价方式，以及 Custom RL 私有预览的申请门槛和可用区域。这些信息目前都只能写“官方未说明”，不能替它补上。

另外，原文虽然提到 KARL 在内部测试中优于前沿模型，但没有列出具体对比的基准名称和数值。所以“更好”这个结论来自 Databricks 自己的测试描述，读者需要知道这是官方口径，而不是第三方独立评测。

谁适合关注这件事

如果你是企业里负责 AI 智能体的人，尤其是智能体调用量很大、推理成本涨得很快的团队，KARL 和 Custom RL 私有预览值得关注，因为它瞄准的正是“又贵又慢”这个痛点。如果你只是普通用户，可以把它理解成企业问答助手会变得更快更便宜。

对小学生和初中生来说，记住一点就够了：KARL 是一个会自己翻资料、自己核对、自己推理的问答小助手，它被训练得更省钱、更迅速，也更会回答那些没有唯一标准答案的问题。至于它到底开不开源、怎么收费，原文没说，我们也不能猜。