AI-modeller
Tillbaka
Accio-Lab
Accio-Lab Modell Öppna vikter

Occamy-1.0

En öppen och billig agentmodell på 35B parametrar (3B aktiva) från Accio-Lab, tränad för långa kontorsuppgifter där AI:n söker, kodar, använder verktyg och hanterar filer.

  • Språkmodell
  • Agenter
  • Kod
  • Bildförståelse
  • Kör lokalt
Accio-Labs jämförelse av Occamy-1.0 med andra modeller på arbetsuppgifter 1 / 4

Accio-Labs jämförelse av Occamy-1.0 med andra modeller på arbetsuppgifter [1]

Om Occamy-1.0[1][2][3][5]

Occamy-1.0 är en språkmodell från Accio-Lab byggd för det de kallar "co-work": långa arbetsuppgifter där en AI-agent växlar mellan att söka information, skriva kod, köra verktyg, hantera filer och använda kontorsprogram och API:er. Enligt Accio-Lab handlar mycket av vardagsarbetet mindre om toppintelligens och mer om att hålla reda på läget, samordna, rätta egna misstag och slutföra. Modellen är därför tränad för att vara pålitlig och billig att köra genom hela uppgiften.

Den bygger på Alibabas Qwen3.6-35B-A3B och har tränats vidare med data och miljöer från riktiga arbetsflöden. Det är en Mixture-of-Experts-modell med 35 miljarder parametrar totalt, varav 3 miljarder är aktiva åt gången, vilket gör den relativt lätt att köra. Den tar emot både text och bilder och kan läsa 262 144 tokens. Projektsidan visar en körning av Occamy i Accio-Labs produkt Accio Work.

Enligt Accio-Lab är den genomgående bättre än basmodellen, till exempel 82,2 mot 69,5 i snitt på Claw-Eval, 59,0 mot 49,5 på Terminal-Bench 2.1 och 37,1 mot 11,9 på τ³-Bench (bank). Den slår inte alla större modeller; Qwen3.8-Max ligger till exempel högre på Claw-Eval. Accio-Lab skriver att modellen med deras sätt att räkna ger mest prestanda per krona bland de modeller de jämfört.

Vikterna är släppta under Apache 2.0 och finns i många storlekar, från originalet i BF16 (70 GB) till FP8, NVFP4, GGUF-versioner ner till omkring 12 GB och MLX-versioner för Mac. En del av träningsdatan och träningsramverket Dressage är också publicerade.

Det viktigaste[1][3]

  • Tränad för långa arbetsuppgifter med sökning, kod, verktyg, filer och kontorsprogram.
  • 35B parametrar men bara 3B aktiva, byggd på Qwen3.6-35B-A3B.
  • Enligt Accio-Lab: 82,2 på Claw-Eval (mot 69,5 för basmodellen) och 59,0 på Terminal-Bench 2.1 (mot 49,5).
  • Öppna vikter under Apache 2.0 i många format, från BF16 (70 GB) till GGUF på omkring 12 GB.
  • Enligt Accio-Lab ger den mest prestanda per kostnad bland jämförda modeller.

Källor

  1. [1]
    Accio-Lab/occamy-1.0 ↗
    Accio-Lab (Hugging Face) Modellkort huggingface.co
    Publicerad okänt datum Läst 25 okt 2026
  2. [2]
    Occamy-1.0: Open Pareto-frontier 35B Intelligence for Co-work ↗
    Accio-Lab Officiell sida accio-lab.github.io
    Publicerad okänt datum Läst 25 okt 2026
  3. [4]
    occamy-1.0 ↗
    Accio-Lab (ModelScope) Modellkort modelscope.ai
    Publicerad okänt datum Läst 25 okt 2026
  4. [5]
    OpenAI hacked, Jev, Dream RSI, Qwen 3.8 Omni, Gemini 3.8 Live, Bonsai 2: AI NEWS ↗
    AI Search Nyhetsbrev aisearch.substack.com
    Publicerad 20 sep 2026 Läst 25 okt 2026
  5. [3]
    Occamy-1.0: Open Pareto-frontier 35B Intelligence for Co-work ↗
    arXiv Forskningsartikel arxiv.org
    Publicerad 4 sep 2026 Läst 25 okt 2026

Historik

  1. 25 okt 2026
    Tillagd i listan efter AI Search (nyhetsbrev 2026-09-20). [5]

Vår bedömning

Inte bedömd än. Alla kan ändra.

Kommentarer

Inga kommentarer än. Skriv gärna vilket projekt den kan passa i.

⌘/Ctrl + Enter