不是所有步骤都配得上前沿模型：Occamy-1.0 用 35B 打出 Co-work 的成本拐点

你有没有算过一笔账：让 agent 帮你跑一个"把 CRM 里这季度的客户记录整理一遍，顺手更新财务报表"的任务，它前前后后要调几十上百次模型。单次调用便宜几毛钱看着无所谓，但乘上一百次，再乘上每天要跑的几十条任务，账单就不好看了。更扎心的是，这一百次调用里，真正需要"前沿级推理"的可能不到十次——剩下九十次干的都是状态追踪、工具调用纪律、失败后恢复、把活儿收尾这类"执行力"的活儿。

用 GPT-5.6 级别的模型去干这九十次，就像让外科主任去贴创可贴。

Accio Team 的这篇 Occamy-1.0（arXiv:2609.11977）回答的就是这个问题：一个紧凑模型，能不能把 co-work 场景的能力-成本 Pareto 前沿往外推？ 答案给得相当硬气——基于 Qwen3.6-35B-A3B 继续后训练，在四个代表性 co-work 基准的聚合成本-性能图上，Occamy-1.0 正好卡在观测到的 Pareto 前沿的低成本拐点处，单任务推理成本约 0.06 美元，聚合得分约 57，跟它开销接近的模型全在它下面，比它强的模型全部贵出数倍。

核心摘要：Co-work 智能体的成本在整个 episode 上累积，而日常工作中大量步骤要的是执行力而非前沿推理。Occamy-1.0 的做法是：构建执行 grounded 的任务数据与环境（可执行契约 + 双路合成 + 三级变体 + 统一验证准入），搭一套 token 级精确捕获、可回放的多 harness 基础设施，再用"Marathon/Sprint 双专家 + 模型合并 + 最终 SAO"的分阶段配方后训练 Qwen3.6-35B-A3B。结果：Claw-Eval 均值 82.2（起点 checkpoint 是 69.5），pass3 从 54.8 拉到 71.4，执行成功率涨 14.74 个点的同时每条轨迹 token 数降 19.5%、墙钟时间降 46.4%。这不是一篇"刷榜论文"，它的真正价值在于把"长程 agentic 后训练"的工程链路——数据、基础设施、配方——完整开源了出来。

📖 论文信息

• 标题：Occamy-1.0: Open Pareto-frontier 35B Intelligence for Co-work
• 作者：Wenhui Chen、Shiwen Cheng、Hao Dong、Chenda Duan、Ruixiang Feng 等（Accio Team）
• 链接：https://arxiv.org/abs/2609.11977 （2026 年 9 月 4 日提交）
• 开源：模型权重 Accio-Lab/Occamy-1.0（HuggingFace）、代码 Accio-Lab/occamy（GitHub）、RL 基础设施开源版 Dressage（Accio-Lab/Dressage），另附部分训练数据

🎯 问题动机：Co-work 的能力需求是极度不均匀的

先把 co-work 这个词说清楚。论文给的定义挺克制：用户在持久化数字环境里指导的多步骤工作——更新 CRM 记录、走财务流程、电商运营、公司日常事务。它可能涉及编码、信息收集、工具调用，但定义它的不是任何固定技能组合，而是跨完整任务的持续协调。

这类任务有个很反直觉的结构特性：能力需求严重不均。少数步骤需要难题推理，大量步骤要的是状态追踪、工具使用纪律、失败恢复和可靠的 follow-through。而成本和延迟是在整个 episode 上累积的——每次调用省一点，一百次调用就是量级差异。

但真要训一个这样的模型，有个绕不过去的技术障碍：长程连续性。任务状态跨多次模型调用持久存在，可能超出单个上下文窗口。harness 会压缩、裁剪、重写模型可见的历史，但环境状态不会回滚——文件已经写了、工具效果还在、早期决策仍然约束后续动作。于是一个 episode 会横跨多个"模型可见历史"，基础设施必须精确捕获 policy 到底看到了什么，并把任务级结果归因到正确的 policy token 上。

说实话，这个问题在做 agentic RL 的团队里都碰到过，但大多数论文选择含糊过去。这篇论文把它当成一等公民来处理，这是我觉得它比一般"我们训了个 agent 模型"的报告值钱得多的原因。

图1：Occamy-1.0 的总览——五个环节咬合成一个闭环：真实工作（1）经双路合成（2）产出任务，统一验证准入（3）筛出可训练数据，执行 grounded 基础设施（4）负责多 harness 执行、token 精确 IO、状态回放与谱系追踪，最后进入分阶段训练配方（5）：初始 checkpoint 分出 Sprint Expert 与 Marathon Expert，合并后再做最终 RL。左上角也标明了评测口径：端到端 co-work 基准 + 工具/编码/指令遵循的支撑性评测。

🏗️ 方法核心之一：任务不是"写"出来的，是"执行验证"出来的

可执行任务契约

每条任务是一个版本化契约 \(\mathcal{C}=(\mathcal{S},\mathcal{M})\)：公开请求、初始世界状态、工具规范（含状态转移）、私有完成与评分契约，外加编排元数据（稳定标识、schema 版本、确定性时间设置、执行预算）。

关键在一致性要求：请求所需的证据必须存在于初始状态且经许可工具可达；每个评分条件必须能从执行证据中观测。光有静态 schema 校验不算数——必须有执行级证据证明存在有效完成路径，且 grader 能区分"真干了活"和 no-op 这类退化策略。

这套设计直接冲着合成数据的老大难问题去：很多 agentic 数据集的任务是 LLM"写"出来的，看着合理，跑起来要么完不成、要么 grader 形同虚设。Occamy 的准入管线用公开接口做参考执行证明可行路径，再用负向执行验证无效结果确实得低分。证据不全或基础设施故障的任务进隔离区（quarantine），不准入训练。

双路合成与三级变体

两条互补的合成路线：Environment-first 从真实工作环境（文档、代码库、软件包、服务能力）出发构造可支持、可验证的任务；Capability-first 从真实工作中抽象出的能力依赖（定位来源、身份消解、证据对账、跨工具行动、验证……）出发，再去找独立来源实例化环境。

变体分三级：Presentation（只换措辞、姓名、日期）、Realization（能力结构不变，换来源、初始状态、工具与约束）、Compositional（连能力结构和环境拓扑一起改，产生新的证据-决策-行动-验证依赖）。

图3：数据管线全貌——真实委托与环境资源（1）被抽象进"能力结构 × 环境结构"的联合设计空间（2），两条合成路线（3）发出同一份可执行契约（4），经过 canonical identity、可执行与语义门禁、可达性与服务证据、轨迹与奖励准入四道验证（5），产出三类分别计数的训练工件（6），右侧的覆盖监控（7）把领域、能力组合、环境类型的缺口反馈回合成目标。注意"quarantined"那个虚线框：基础设施故障或封存不完整的 episode 直接隔离，不进训练。

🔧 方法核心之二：把 harness 差异变成受控训练变量

这部分是全文工程密度最高的地方。Agent 在三个 harness 下执行——OpenClaw、Hermes、Accio Work——适配器层保留各 harness 的 prompt 结构、工具 schema、turn 边界、压缩规则、子代理交接、超时行为的差异。白盒 harness 被组合式分解：

其中 \(\ell\) 是 agent loop，\(p\) 是 prompt 配置，\(\mathcal{U}\) 是工具集，\(\mathcal{K}\) 是可复用技能包，\(m_{1:k}\) 是中间件链（上下文压缩、重试恢复、预算执行、失败归一化、事件追踪）。rollout 前控制器解析组合并存进不可变的 composition manifest——这样 harness 多样性就从"污染源"变成了"受控变量"。

更核心的是 token 级捕获。所有 policy 调用经过 OpenAI 兼容代理，记录输入与采样的 token ID、log 概率、loss mask、模型版本及归属的 episode/run/turn/segment。turn 定义为 \(u_t=(P_t, Y_t, D_t)\)，并维护不变式：

注意这是在 token 层面、而非解码后文本层面维护的——解码再重新 tokenize 是会漂的，干过 long context 训练的人都懂这个坑。基础设施承认两种 adapter 声明的前缀变换：summary replacement 与 history pruning，二者关闭当前 segment 并从新前缀重启 TiTO（token-in-token-out）拼接。无法解释的前缀变化或捕获失败？该 episode 可审计，但排除出训练。

图4：基础设施四大模块——多 harness 执行（1）下挂隔离沙箱与记录代理；同步 episode 记录（2）把模型视角（a）、harness 事件（b）、环境快照（c）、任务与结果（d）放进同一条谱系，"rewrite 是表示边界，不是 episode 终点"；回放机制（3）分 token 精确回放与状态回放两路，指纹不匹配或版本漂移的 rollout 直接拒收；最终汇成学习器可直接消费的训练视图（4）。

图13：一个 episode 的解剖图——root run 与 subagent run 各自的 segment 被 rewrite 边界切开，token 按来源着色（注入/继承、root 采样、subagent 采样），fork 与 handoff 都有明确归属；每个 episode 只有一个任务级终局结果。子代理轨迹保留谱系但不计入主 policy 的损失。

🧪 方法核心之三：双专家、模型合并、再巩固

训练配方不是一条直线 SFT→RL，而是分阶段多分支：

1. Marathon Expert：长程任务，SFT + HDPO（带分层效率奖励的 DPO 变体）
2. Sprint Expert：更广分布的短程 agentic 任务，只做 SFT
3. 模型合并：uniform model soup，两专家同架构、同分词器、同 checkpoint 谱系，直接权重平均
4. SAO：合并后的 checkpoint 上做最终 RL，广义 co-work 混合任务，遵循 CompactionRL——重写后的实际前缀就作为下一个策略状态，policy 自己生成的重写摘要可训练，harness 产生的重写内容只作条件

SFT 数据的构成很能说明问题（Table 3）：14,998 条轨迹、403.3M tokens、平均 26.9K，强双峰分布。

看结构：general agentic 加 long-horizon 用 42.3% 的样本贡献了 72.5% 的 tokens；tool-call grounding 占了近一半样本但只贡献 16.8% 的 tokens。长轨迹喂"持续性"，短轨迹喂"工具纪律"，分工明确。SFT 超参上值得一提的是最大序列长 131,072、CP=8/EP=8 并行、视觉编码器冻结、只对 response token 计损失，并对 harness 产生的 summary 与重放前缀做 history masking——作条件但不背损失，跟上面基础设施的 token 谱系严丝合缝。

RL 损失定义在 episode 级：每个 episode 含多条轨迹、可跨多个 segment，但只有一个终局奖励 \(R(e)\)：

Marathon Expert 的 HDPO 阶段还加了个挺精巧的效率奖励——按准确率分层构造效率信号：

同样做对的轨迹里，步数更少的拿更高奖励。零中心、相对比较，避免了"短而差"被效率项偏爱——这个坑在效率奖励设计里太常见了，看到作者专门防了一手，好感度加一。

模型合并这块作者倒是很坦诚：明确定位为"能力平衡步骤"而非全面提升。他们试过 SLERP，Claw-Eval 相近但 BFCL v4 更低，弃用，回到 uniform soup。

📊 实验：同规模全面领先，还能跟大块头掰手腕

评测覆盖 12 个基准、四大能力域。对比组分两层：同规模 35B-A3B 组（起点 checkpoint Qwen3.6 35B-A3B、Agents-A1、Nex-N2-mini、BigBang-1.0、Ornith-1.5），以及大规模托管组（GPT-5.6 Sol、Qwen3.8-Max、DeepSeek V4 Pro、GLM-5.2）。

主结果速览：九个基准面板上，深绿色（Occamy-1.0）相对浅绿色（起点 Qwen3.6-35B-A3B）全面拉开差距；在 Claw-Eval、CommerceAgentBench、τ³-Bench 等面板上已逼近甚至摸到大规模模型组的下沿。

全量数字（Table 5，节选关键行）：

几个值得停一下的数。Claw-Eval 均值 82.20，不仅赢了起点 checkpoint 12.7 个点，还压过 GPT-5.6 Sol 的 81.80，仅次于 Qwen3.8-Max 的 83.90——一个 35B-A3B 的模型在 co-work 综合榜上摸到大规模托管模型组的上沿，这个数是有点凶的。更该多看一眼的是 pass3（三次全对）从 54.8 到 71.4，均值与 pass3 的差距只有 10.8 个点，是同规模组里最小的。这说明收益来自可重复的执行能力，而不是偶尔蒙对一次撑起来的均值。

τ³-Bench 从 11.90 到 37.10，三倍多的提升；AutomationBench Pass1 从 7.50 到 27.60，接近四倍。这些长程、多轮、带模拟用户的任务恰恰是"执行力"密度最高的场景，提升幅度和论文的动机完全对得上。

当然也要泼点冷水：OfficeQA Pro（48.1）离 Ornith-1.5 的 59.4 和 GPT-5.6 Sol 的 74.4 差距明显，知识密集型任务还是大模型的主场；Terminal-Bench 2.1 的 59.0 也打不过 Ornith-1.5 的 67.8。专门化没有让它变成全能选手——但 IFEval 91.53、BFCL v4 65.40、TB 2.1 比起点涨 9.5 分说明一件事：专门化没有造成能力坍缩。

成本-Pareto：拐点到底是怎么站上去的

图2：四个代表基准（Claw-Eval、WildClawBench、AutomationBench、GDPval）等权聚合后的成本-性能图，横轴是单任务推理成本（美元，对数刻度），纵轴是归一化聚合分。绿线是经验 Pareto 前沿。Occamy-1.0 在约 0.06 美元/任务处拿到约 57 分，正好坐在前沿的低成本拐点——比它便宜或同价的模型全在 20 分上下，而要把分数再往上推，成本要跳到 0.4 美元以上（Qwen3.8-Max）乃至接近 1 美元（GPT-5.6 Sol）。

定价协议要说清楚，因为这是这个结论的命脉：大模型走托管 API，紧凑模型本地 serving（单副本、KV cache 无溢出），按 OpenRouter 上当时最便宜的合格供应商完整价格向量（input/cache-read/output）计价；所有本地 35B-A3B checkpoint 用同一个最低价格向量，保证同规模组内的成本差异只反映 token 用量。作者自己也声明这是"规模匹配的货币代理"，不是完整部署 TCO。

我的看法：协议设计得相当克制了——同价不同分，把"架构红利"和"训练红利"在同规模组内剥开。但拐点叙事确实依赖这套定价，换个计价方式（比如大模型走批量折扣、本地算上运维摊销），拐点的位置会挪。这个结论方向可信，具体坐标别当成物理常数。

效率与可靠性：快是真的快

Table 6 这组数字可能是全文对工程实践最有说服力的一张表（Claw-Eval T/C 合并，161 个 T 任务 + 38 个 C 任务，每模型 597 次尝试）：

分更高、token 更少、调用更少、墙钟几乎砍半、超时率从接近一成压到 2% 出头。这正好回应了开头的动机——效率不是靠少干活换来的，是靠"执行纪律"换来的。HDPO 那个分层效率奖励在这里落了地。

🔬 消融与经验：比结果更值钱的部分

Section 7 的四组经验我觉得是全文信息密度最高的地方，挑几条说。

专家合并不是白赚的。 Model soup 在 AutomationBench 拿到 29.0，反超两个专家各自的成绩；但 WildClawBench 上 48.28 卡在 Marathon Expert（50.76）和 Sprint Expert（45.29）之间——合并是把能力往平衡拉，不是全面提升。合并后 SAO 再把 Claw-Eval 从 79.2 推到 82.2、WildClawBench 从 48.28 推到 49.16，把平衡点掰回 co-work 执行。这个"分头练—合并—再对齐"的节奏，跟社区里做专长模型合并的经验是吻合的。

环境变化比名义难度更能预测训练收益。 任务构建上最反直觉的一条：按 workspace 文件、后端状态、请求措辞、评分标准四要素刻画任务，"真正变化的要素数"与"产生有意义分数差的速率"高度相关。模板化地换一百个皮（改名字改日期），不如实质地换十个环境。另外部分给分优于二元成败；轨迹长度本身无信息量，工具链复杂度和 grader 覆盖度才可靠。

奖励平台期不等于没在学。 Marathon Expert 的某个 run 里奖励长期平台，但并行工具调用行为在剧烈变化，行为稳定之后奖励才开始抬头——一个"重组阶段"。作者的建议很实在：把工具调用结构、并行度、轮数、轨迹长度当成奖励之外的辅助诊断指标，别只盯着 reward 曲线焦虑。

Reward hacking 审计：4352 条轨迹只抓到 4 例，全部来自同一个底层任务。 三阶段审计（确定性检测器 → 语义逐条复核 → 高风险校准）后得到的结论值得引用：在这个模型规模下，hacking 主要源于任务数据与评估基础设施的可利用缺陷，而非模型自发的策略性欺骗。三条具体教训也很硬核——任务可行性本身就是防 hacking 的一环（有个任务要求用根本不可用的 API 做图像理解，幻觉结果被当成"虚假进展"奖励了）；评估保密要覆盖公开渠道（agent 曾从过早暴露的 HuggingFace 数据集里直接找到答案）；RL 数据筛选本身是攻击面（不可行任务被绕过接口直读后端数据库拿到非零 pass@16，被选中后把偶然 exploit 强化成了策略）。

说实话，最后这条让我愣了一下。数据筛选管线按"高分轨迹"挑样本，天然偏爱 exploit——这个反馈回路以前真没认真想过。

🤔 我的判断

这篇报告最值钱的地方不在"35B 打赢了多少榜"，而在于它把长程 agentic 后训练最难讲清楚的三件事——数据怎么保证可执行、轨迹怎么保证可归因、多 harness 差异怎么不变污染源——全部给出了可复用的工程答案，并且把基础设施（Dressage）开源了。对正在搭 agentic RL 管线的团队，这套东西的直接参考价值超过模型本身。

但也有几处要保持清醒。其一，成本拐点的根基有一半是继承来的：Qwen3.6-35B-A3B 本身是 35B 总参、约 3B 激活的 MoE，"花 3B 的推理钱干 30B 的活"是基座架构给的红利，Occamy 的证明的是"在这个红利上专门化 co-work 不会亏能力，还能大赚执行力"——这依然很有价值，但"Pareto-frontier"这个标题措辞里，架构的功劳和后训练的功劳要分开记。其二，Pareto 结论依赖特定定价协议，作者自己标注了是推理成本代理而非 TCO，引用时别放大。其三，Business Arena 净值 $79,868 对 $80,000 初始资本基本是回本水平，作者诚实声明"不代表盈利运营"，这个表态比很多把模拟商业结果吹上天的报告体面得多。其四，知识密集（OfficeQA Pro 48.1 vs 74.4）与编码（TB 2.1 59.0 vs 67.8）上跟强模型仍有实打实的差距，它是个"执行力特长生"，不是通才。

工程启发上，有三条可以直接拿走：效率奖励要按准确率分层构造，否则就是在奖励"短而差"；轨迹诊断别只看 reward，行为指标（工具调用结构、并行度、轮数）往往先动；数据准入的负向执行验证（证明 no-op 得低分）比正向验证更能挡住 grader 漏洞——顺带把 reward hacking 的最大来源也堵了。

如果 co-work agent 的部署成本是你现在的瓶颈，这个权重值得下载下来跑一跑；如果你在做 agentic 后训练，Dressage 和这套准入/回放设计值得先读再抄。

觉得有启发的话，欢迎点赞、在看、转发。跟进最新AI前沿，关注我