35B 模型能否胜任银行业务：从 Occamy-1.0 看长流程 Co-work 模型的适配改造路径

35B 模型能否胜任银行业务：从 Occamy-1.0 看长流程 Co-work 模型的适配改造路径

银行在 AI 落地中反复遇到同一个问题：模型能力榜单上的分数，为什么在真实业务里总是「差一点」？答案往往不在模型大小，而在任务形态。银行的大多数核心流程——信贷审批、反洗钱尽调、监管报送、客户运营——不是一次问答，而是几十步、跨系统、状态持续变化的长流程任务。而主流模型评测，测的多是单次推理能力。

阿里 Accio 团队近期开源了 Occamy-1.0，给出了另一种解题思路：从一个 35B 规模的基础模型（Qwen3.6-35B-A3B）出发，通过针对长流程 Co-work 任务的后训练，让紧凑模型具备端到端执行真实工作的能力。在 Claw-Eval 上，Occamy-1.0 取得 82.2 分，高于 GPT-5.6 Sol 的 81.8 与 DeepSeek V4 Pro 的 81.7，接近 Qwen3.8-Max 的 83.9；Pass^3 达 71.4，相比基础模型 54.8 提升 16.6 分。在模拟跨境经营的 Business Arena 中，最终净值 79,868 美元，同规模模型第一、全部参评模型第三。

对银行而言，这篇技术报告的真正价值不是又一款开源模型，而是它系统回答了三个问题：长流程模型凭什么能胜任复杂工作、评估它是否胜任的关键判据是什么、以及把通用长流程能力适配到银行业务需要做什么改造。本文逐一拆解。

一、银行工作为什么是「Co-work」而非「问答」

Accio 团队定义的 Co-work，不是某一种固定技能，而是模型在持续变化的数字环境里，围绕用户目标协调多种能力，直到完整任务结束。这个定义几乎是为银行业务量身定制的。

一笔信贷审批可能同时涉及：客户资料与征信记录（数据检索）、授信政策与风险限额（规则匹配）、押品估值与现金流预测（计算推理）、审批意见与留痕报告（文书生成），以及系统间的状态更新（工具调用）。信息分散在不同系统，外部状态随每一步操作变化，模型必须对每一步动作负责——这与 Occamy 训练的典型任务高度同构。

这也解释了为什么银行早期 AI 项目「试点多、规模小」：通用模型擅长单点能力，却缺乏在长链路中持续跟踪状态、核验信息、规范调用工具、出错后恢复并最终交付的「工作能力」。Co-work 模型补的正是这块短板。

二、关键判据：判断模型能否胜任银行工作的五个维度

Occamy-1.0 的实测案例给出了一套可迁移的评估框架。对比它与其基础模型在同类任务上的差距，可以提炼出银行评估「模型是否胜任」的五个关键判据。

第一，精确核对能力。 在项目状态核对任务中，基础模型把 Beta 项目逾期任务少算一个，还添加了没有来源支持的依赖关系；Occamy-1.0 准确给出 1 个已完成、2 个进行中、1 个阻塞、4 个逾期的状态，并保留两条来源依赖链。银行场景的对应物是数据核验：监管报送的科目余额、反洗钱的交易计数、客户分层的标签统计，错一个数都是实质性风险。判据不是「模型写得像不像」，而是「结果能否逐项验证」。

第二，副作用控制能力。 清洗 5 条候选人记录、只能发送 1 封 Gmail 的任务中，真正难点是严格控制外部副作用——发少了没完成任务，发多了造成不可逆的重复通知。Occamy 在发送前确认搜索结果为零，只发送一次并回读验证。银行的对应场景无处不在：客户通知、资金划转、系统变更，任何一次重复操作都可能造成不可逆后果。判据是模型能否理解「动作的边界」并主动验证副作用。

第三，交付物可用性。 12 份 PDF 的任务中，基础模型能恢复标题却留下不透明命名；Occamy 生成可读、确定、不会碰撞的新文件名，并把所有产物写入后回读。银行的对应物是报告与档案：风险报告不仅要「生成出来」，还要符合格式规范、可检索、可归档、可审计。判据是交付物是否达到「可继续使用」而非「提取了一些文字」。

第四，失败恢复能力。 两个模型都遇到 PDF 解析失败，都尝试切换到 pdftotext，区别在于后续是否继续推进。效率数据更直观：Occamy 的执行成功率从 62.81% 提升到 77.55%，超时率从 9.88% 降到 2.18%，无效调用率从 1.85% 降到 0.86%。银行的对应场景是异常处理：接口超时、数据缺失、系统切换，模型能否在失败后换路径继续，而不是停在错误上。

第五，成本效率。 Co-work 一次任务几十上百次模型调用，单次成本在整条工作流中滚雪球。Occamy 相比基础模型，轨迹 token 减少 19.5%，工具调用减少 15.2%，轨迹墙钟时间减少 46.4%，完整试次耗时减少 36.6%。对银行意味着：不是所有环节都需要调用最大模型，紧凑模型把「能力-成本最优前沿」向前推进，规模化才具备经济性。

三、适配改造：从通用 Co-work 到银行业务的四步路径

模型在通用任务上胜任，不等于在银行场景中可用。参考 Occamy 的训练方法论，银行可以设计自己的适配改造路径。

第一步，把业务任务重写为「可执行契约」。 Accio 团队把每个训练任务定义为四部分：用户请求、初始世界状态、可用工具、隐藏的评分标准；请求需要的证据必须真实存在且能通过允许的工具获得。银行应做同样的工作：把信贷审批、反洗钱、监管报送等流程拆解为「用户请求 + 系统状态 + 可用工具 + 验证标准」的契约，让训练与评测建立在真实可执行的环境上，而不是「说得像做完了」。

第二步，建立细粒度验证器。 Occamy 的评分器要能分辨「真正完成、什么都没做、只有表面进展」三种结果。银行对长流程智能体的验证，不能只看最终输出文字，而要按中间检查点逐项打分：数据是否来自真实系统、状态是否同步更新、文件是否真实写入、动作是否产生预期副作用。这需要把合规要求与业务流程转化为可自动验证的检查项。

第三步，区分「马拉松」与「冲刺」的能力组合。 Occamy 没有用一条训练路线解决所有问题，而是从同一基础模型训练两个互补 checkpoint：Marathon Expert 强化长任务的状态跟踪、证据使用、错误恢复与完整交付；Sprint Expert 保留指令遵循、工具调用、编程与搜索等通用能力，最后在参数空间合并再继续强化。银行同样需要区分两类能力：一类是长流程执行业务（审批、尽调、报送），一类是短程单点能力（问答、检索、文书），分别设计能力基线，再组合成面向业务场景的「银行专属版本」。

第四步，适配数据主权与监管要求。 银行的后训练必须基于自有业务数据与内部工具环境，这涉及数据出域、模型托管与供应链治理。Accio 通过 Dressage 开源了训练基础设施（多 Harness 执行、代理式轨迹捕获、沙箱集成），银行可参考其「统一轨迹与回放契约」思想，构建自己的智能体训练与评测沙箱，在隔离环境中完成适配改造，守住数据合规底线。

四、银行部署长流程智能体的治理边界

Occamy 报告同时坦承了能力边界：知识密集型文档推理、模拟用户交互、原生浏览器与视觉操作、超时鲁棒性、跨子智能体与多目标联合学习仍有提升空间。银行在部署时必须正视这些边界，并设置对应的治理防线。

其一，人机权责边界。 长流程智能体自主执行数十步操作，银行必须明确哪些环节可自主、哪些必须人工确认。参考智能体动作的「不可逆等级」设计分级授权：只读查询可自主，通知类动作需留痕复核，资金划转与系统变更须人工确认。Occamy 在邮件任务中展示的「副作用控制」，正是银行对智能体的最低要求。

其二，审计与回放能力。 Occamy 的训练基础设施精确记录模型当时看到了哪些 token、生成了什么内容、工具实际返回了什么，支持对真实执行状态进行回放。银行对长流程智能体的监管要求更高：每一步的输入、输出、工具调用与中间状态都应可追溯、可回放、可解释，以支撑模型风险管理与监管检查。

其三，评测的可靠性。 银行不能直接套用 Claw-Eval 等通用基准验收业务智能体。应自建「银行业务长流程基准」：用真实（或高仿真）业务环境、真实工具与可验证评分标准，覆盖信贷、合规、运营等典型长流程，考察完成率、纠错率、副作用控制与合规命中率，并持续更新评测集以对抗过拟合。

其四，供应链与版本治理。 Occamy 基于开源模型后训练，银行选型时应评估基座模型的许可证、升级路径与长期维护；同时建立版本管理机制，记录每次适配改造的基座版本、训练数据与验证结果，确保模型可追溯、可回退。

结语

Occamy-1.0 验证了一条对银行极具参考价值的路线：决定智能体能力上限的，不只是模型有多大，还包括训练任务是否可执行、轨迹是否合理、状态能否回放、结果能否被真正验证。35B 模型在长流程 Co-work 任务上逼近前沿大模型，意味着银行不必等待「超大模型+超高预算」才能实现复杂流程自动化——通过系统化的适配改造，紧凑模型同样可以胜任信贷、合规与运营的长流程工作。

但胜任的前提是改造到位：把业务重写为可执行契约，建立细粒度验证器，区分长跑与冲刺能力，在合规沙箱中完成适配。银行需要回答的不是「模型能不能」，而是「我们有没有把业务变成模型可学习、可验证、可治理的任务」。当这两件事同时完成，长流程智能体才真正从「演示可用」走向「生产可靠」。

注：本文素材来源于微信公众号「关注AI Agent」文章《阿里开源Co-work专用模型，35B也能把长流程工作做完！》（智猩猩AI整理，阿里巴巴Accio团队投稿，2026-09-15），文中 Occamy-1.0 技术数据（Claw-Eval 82.2、Pass^3 71.4、Business Arena 净值 79,868 美元、效率指标等）均引自该文及 Accio 团队技术报告，具体表现需结合银行场景独立验证。