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.
Accio-Labs jämförelse av Occamy-1.0 med andra modeller på arbetsuppgifter [1]
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.
Inte bedömd än. Alla kan ändra.
Inga kommentarer än. Skriv gärna vilket projekt den kan passa i.