Les auteurs d’Occamy-1.0 décrivent un modèle ouvert de 35 milliards de paramètres pensé pour les scénarios de *co-work*, c’est-à-dire des agents qui exécutent des workflows complexes sur plusieurs étapes. L’objectif n’est pas seulement d’atteindre un haut niveau de raisonnement, mais de le faire avec une efficacité économique compatible avec des usages réels, où les coûts et la latence s’additionnent au fil des invocations.
Le modèle est obtenu par un entraînement complémentaire d’un checkpoint Qwen3.6-35B-A3B déjà post-entraîné. Les chercheurs expliquent avoir construit des données ancrées dans l’exécution ainsi que des environnements permettant de rejouer des trajectoires longues sur plusieurs bancs d’essai. Cette approche vise à mieux couvrir des tâches souvent sous-estimées dans le travail quotidien des agents : suivi d’état, coordination, reprise après erreur et continuité d’exécution.
D’après l’article, Occamy-1.0 figure régulièrement parmi les modèles les plus solides de taille comparable sur un ensemble large de benchmarks de co-work. Les auteurs indiquent aussi qu’il reste compétitif face à des systèmes de frontière nettement plus grands sur certaines tâches. Dans leur protocole d’évaluation et de tarification, sa performance agrégée sur quatre benchmarks représentatifs le placerait au niveau du “genou” de la frontière de Pareto coût-performance, autrement dit dans une zone de compromis jugée particulièrement attractive.
Les évaluations complémentaires mentionnent également de bonnes capacités en appel d’outils, génération de code et suivi d’instructions, ce qui suggère que la spécialisation n’aurait pas dégradé les aptitudes agentiques générales. Les auteurs annoncent enfin la publication des poids du modèle et d’une partie des données d’entraînement, un choix qui pourrait favoriser la recherche sur des agents plus pratiques et plus abordables. Comme souvent sur arXiv, ces résultats restent toutefois à confirmer par des validations indépendantes.