#Pareto frontier - AI Papers Daily

Occamy-1.0: Open Pareto-frontier 35B Intelligence for Co-work

Occamy-1.0：面向协同工作的开源帕累托前沿35B智能模型

🧭 协同工作Agent模型后训练

Accio Team

开源35B协同工作模型，通过执行接地数据和分阶段后训练实现成本效率帕累托最优

📌 工作参考价值（4 点）

成本效率优先的模型选型：在业务中构建Agent时，可采用低参数MoE架构（如35B-A3B）替代超大模型，在保持工具调用、编码等能力的同时显著降低单次调用成本，适合电商场景中大量并发的商品信息查询、订单处理等任务。
执行接地数据构建：借鉴其采集真实执行轨迹并重放的方法，在电商Agent训练中记录用户与Agent的完整交互序列（包括工具调用、状态变更、错误恢复），作为后训练数据，可提升模型在长流程任务中的状态跟踪与协调能力。
分阶段后训练：将能力拆分为信息收集、工具使用、编码、文件操作等模块，分阶段注入训练数据，逐步巩固，避免灾难性遗忘，适合在现有基座模型上迭代增强特定Agent技能。
全流程成本评估：在评估Agent模型时，除accuracy外，应统计整个episode的累计token成本与延迟，绘制成本-性能帕累托曲线，选择位于低拐点的模型部署，而非仅看单点benchmark分数。

Agent | 2026-09-03 | HF Daily | score 7/10

嵌入者的困境：LLM 更好，但成本多高？

🧭 文本嵌入与 LLM 成本效益对比

Harvard University · Stanford University · Independent Researcher

控制成本对比 10 个 LLM 与 26 个嵌入模型，发现 LLM 总体仅高 0.4 分，且仅在推理重型检索领先，成本最高贵 1431 倍

📌 工作参考价值（4 点）

在商品相似度、分类、聚类等经典任务上，专用 embedding 模型（甚至小模型）性价比极高，不要盲目用大 LLM 替换；LLM 仅在推理密集型检索（复杂 query 理解、多跳推理）才值得考虑。
若用 LLM 做检索，注意 reasoning tokens 占推理成本 28-81%，可通过限制 reasoning budget（如关闭 thinking 或降低 max tokens）在多数场景保持或提升检索质量，显著降低 API 成本。
构建 embedding 服务时，用类似 MTEB(LLM) 的基准做成本-质量 Pareto 前沿分析，结合自身业务指标选择前沿模型；同时关注本地 GPU 吞吐，open LLM 比同 GPU 上的 embedding 模型慢 2.5-736 倍。
电商/搜索场景可分层：embedding 模型负责粗排和相似度召回，LLM 仅用于长尾 query 改写、意图解析或复杂检索，避免全量 LLM 推理。

Eval | 2026-08-12 | HF Daily | score 7/10