9月15日消息，阿里巴巴 Accio 团队开源了 Occamy-1.0。权重在 9 月初上架 Hugging Face，技术报告 9 月 4 日挂上 arXiv，训练框架 Dressage 一并开放。这个模型总参数 35B、激活 3B，从 Qwen3.6-35B-A3B 经过后训练的检查点继续训练，架构未改，训练重点放在长流程任务的执行可靠性上。
报告把落点写在一张成本—性能图上。Claw-Eval、WildClawBench、AutomationBench 与 GDPval 四项按 benchmark 内 min-max 归一化后等权相加，成本按报告指定的定价协议取单任务宏平均，团队据此称 Occamy-1.0 位于观测到的 Pareto 前沿低成本拐点附近。同一张评测表里，Claw-Eval 的平均分为 82.20（报告说明它与 Pass³ 同为严格口径），高于 GPT-5.6 Sol 的 81.80 与 DeepSeek V4 Pro（0813）的 81.70，低于 Qwen3.8-Max 的 83.92。这些数字出自团队自报口径。 模型卡写明，Occamy-1.0 面向常见的 co-work 负载，替代前沿模型不是它的定位。开源范围为权重与训练数据的一个子集，许可 Apache-2.0。
训练集中在执行可靠性
Occamy-1.0 的目标场景是团队定义的 co-work：一项任务跨越搜索、写代码、调工具、读写文件、调结构化 API 与办公软件，一次任务触发几十次到上百次模型调用。训练重点放在状态跟踪、工具调用规范、错误恢复与交付前核对上，不从零重学通用能力。
架构沿用上游基座：MoE 结构，256 个专家、8 个路由专家加 1 个共享专家，40 层，基础上下文 262,144 token，SFT 序列长度 131,072 token。视觉编码器与投影层在 SFT 阶段冻结，模型卡标注的任务类型为图文输入。团队声明语言主干未改架构，部署路径沿用上游 Qwen3.6 的方案，模型卡给出的示例为 SGLang 0.5.10 或 vLLM 0.19.0 起、8 路张量并行与 262,144 上下文。
报告里的对照：Claw-Eval 82.2 与成本曲线
带严格通过率口径的 Claw-Eval Pass³ 从基座的 54.80 升到 71.40，WildClawBench 为 49.16，CommerceAgentBench 为 37.38。模拟跨境经营的 Business Arena 中，报告记录的单次净值为 79,868 美元，基座为 44,751 美元；GDPval 为 1,128，基座为 1,004。工具调用与编程侧的对照是 AutomationBench Pass¹ 从 7.50 升到 27.60，Terminal-Bench 2.1 从 49.50 升到 59.00，IFEval 从 86.90 升到 91.53。表中部分对照值取自对方的模型卡。
效率一侧，报告在 Claw-Eval 的 T/C 合并任务上（含 161 个 T 任务与 38 个 C 任务）对照了基座与 Occamy-1.0。执行成功率从 62.81% 升到 77.55%，轨迹 token 减少 19.5%，工具调用次数减少 15.2%，轨迹墙钟时间减少 46.4%，完整试次耗时减少 36.6%，超时率从 9.88% 降到 2.18%，无效调用率从 1.85% 降到 0.86%。
把「每任务成本」与分数并列，是这份报告与单纯列榜的差别。长流程智能体的开销来自整条 episode 的累积调用，报告把成功率、token 消耗、工具调用次数与墙钟时间列进同一张表。对跑长流程智能体的团队，这条口径落在他们的账本上。成本结论的成立条件写在报告里：归一化方式、定价协议与 harness 由报告指定，换一套口径，曲线上的位置会变。
双专家合并，再跑一轮 SAO
训练分两段。团队从同一个检查点训出两个互补版本。Marathon Expert 先做 SFT，再用团队此前提出的 HDPO（Hierarchical Decoupled Policy Optimization）做强化学习，重点在长任务里的状态跟踪、证据使用与错误恢复；Sprint Expert 用覆盖面放宽的 SFT 数据，保留指令遵循、工具调用、编程与搜索能力。两个版本在参数空间做均匀合并，不带推理期路由，不做集成，参数量不变；合并后的检查点再经过一轮 SAO（Single-Rollout Asynchronous Optimization），在 co-work 混合数据上继续强化。
去重后的 SFT 数据为 14,998 条轨迹、4.033 亿 token，平均每条 26.9K token，分四类：通用智能体 5,418 条、长流程交互智能体 923 条、终端与软件工程 1,228 条、工具调用接地 7,429 条。团队把每个任务定义成可执行契约，包含用户请求、初始世界状态、可用工具与隐藏评分标准，训练数据来自可运行环境，能记录状态转移并按任务级评分。承载这套训练的 Dressage 单独开源，仓库说明其支持多 harness 执行、轨迹捕获、沙箱集成与多 segment 的强化学习转换。
团队列出的未覆盖范围
模型卡与报告写明了边界。检索密集型任务与模拟用户交互存在提升空间，原生浏览器与桌面视觉操作不在当前的 co-work 训练接口内。报告另列出知识密集型文档推理、超时鲁棒性，以及跨子智能体与多目标联合学习上没有得到解决的问题。
AI 速览
