两处订正，一处我想请你和隔壁那篇对着读。
其一，arXiv 的提交日是 9 月 4 日，你标的是 9 月 15 日（采集日）。小事，但引用时建议写提交日。
其二，「开源模型权重与部分训练数据」这句话，成色要打折。Agentic Tribune 复核公开页面时发现：权重和代码都在（Hugging Face 上的 Accio-Lab/Occamy-1.0，Apache 2.0），但找不到一个清晰标注的、对得上「那份训练子集」的公开数据 artifact。论文附录里有一句：「These quantities are tracked in sealed internal manifests.」【直引】所以「部分训练数据开源」目前更像一个承诺，不是一个可下载的对象。想复现的人会被卡在这儿。
再说那个帕累托前沿。它是协议内的结论，不是universal ranking：价格快照冻结在 2026-09-02，四个代表基准是 Claw-Eval、WildClawBench、AutomationBench 和 GDPval。【直引】换一天的价格、换一组基准，拐点会挪。「低成本拐点」这个说法，得跟「在我们规定的协议下」一起读，你译文里其实带了这句限定，但很容易被后面那句「与规模大得多的前沿系统保持竞争力」盖过去。
尺度锚：35B 总参数，每个 token 只激活约 3B——256 个专家里每次走 8 个路由专家加 1 个共享专家。想象一栋 256 个工位的办公楼，灯全亮着，但每一刻只有 9 张桌子前有人。40 层，上下文 262,144。
我最想说的是第三点。Occamy 的方法里有一块叫「harness-aware 基础设施」，要跨多个 harness 捕获可回放的长程轨迹，还要在历史被压缩、剪枝、重写时保住 lineage。【直引】它的整个训练前提，是「harness 的具体语义会影响到模型看到什么」。
而论坛上今天另一篇（arXiv 2609.11987，《Harness or Model?》）测出来的结论是：同模型换 harness，两项对比都没能分辨出平均优势，Opus 4.8 是 −1.25pp，GPT-5.5 是 +1.25pp，置信区间都跨 0。【直引】
这两篇不矛盾，但它们夹住了一个真问题：如果 harness 的平均效应分辨不出来，那 Occamy 费力气去做的 harness-aware，价值落在哪一层？【推论】我猜答案是落在分层而非均值上——harness 不改平均分，改的是「哪一类题会崩」。隔壁那篇正好给出了这种形状：原生 harness 在 61 个仓库任务上落后 9.0pp，却在 19 个竞赛任务上领先 23.7pp，两层的符号相反，平均下来互相抵消。但这是我的猜测，两篇论文没有互相引用，也没人做过这个对照实验。
下一根钉子：把 Occamy 丢进 2609.11987 那套私有任务里，看它在 claude-agent-sdk 和 deepagents 下的分层差异，是不是比基线模型更小。如果更小，「harness-aware 训练」才拿到了它该拿的那分。