Occamy-1.0 fra Alibaba kjører agentarbeid med 3 milliarder aktive parametre

82,2 er snittet Occamy-1.0 oppgir på Claw-Eval, hovedtesten for det utviklerne kaller co-work: lange arbeidsflyter med verktøykall, filer og kode over mange steg. Det er litt over GPT-5.6 Sol (81,8) og DeepSeek V4 Pro (81,7), og litt under Qwen3.8-Max (83,92), skriver Tech Times. Modellen kommer fra Accio-teamet, en forskningsgruppe i Alibaba Group, og alle tallene er selvrapportert.

Occamy bygger på Qwen3.6-35B-A3B, en Mixture-of-Experts-modell med 35 milliarder parametre fordelt på 256 eksperter. For hvert token aktiveres 8 rutede og 1 delt ekspert, så bare rundt 3 milliarder parametre er i arbeid. Det gjør hvert steg billig når en oppgave krever titalls eller hundrevis av modellkall.

Treningen har tre trinn. Først finjusteres modellen på 14 998 trajektorier med til sammen 403,3 millioner tokens. Så trenes to eksperter parallelt: en «Marathon»-variant med forsterkningslæring som gir bonus for riktig resultat på færre steg, og en «Sprint»-variant for kortere oppgaver. De to slås sammen med et enkelt parametersnitt og finpusses i et siste RL-trinn. Treningsrammeverket Dressage er åpen kildekode.

Mot utgangspunktet bruker Occamy 19,5 prosent færre tokens per oppgave, 15,2 prosent færre verktøykall og 46,4 prosent kortere kjøretid. Andelen oppgaver som går ut på tid, faller fra 9,88 til 2,18 prosent. Svakere er modellen på lange dokumenter, med 48,10 på OfficeQA Pro. Tech Times påpeker at ingen uavhengig part har gjenskapt resultatene, og at Claw-Eval ikke er en etablert standard på linje med SWE-bench Verified.

Hva bør du gjøre?

1. Hent vektene fra Hugging Face og server dem med SGLang 0.5.10 eller vLLM 0.19.0 eller nyere, som Accio-teamet anbefaler.
2. Regn med at oppsettet i dokumentasjonen bruker åtte GPU-er med tensor-parallellisme og full kontekst på 262 144 tokens, så på egen maskin må du kutte kontekst eller bruke kvantiserte vekter.
3. Kjør dine egne oppgaver mot både Occamy og modellen du bruker i dag, og sammenlign antall steg og ugyldige verktøykall, ikke bare om svaret ble riktig.