通用模型理解退款政策的方式，和它理解一道物理题的方式是一样的。因此，Salesforce 专门为企业工作训练了

通用模型理解退款政策的方式，和它理解一道物理题的方式是一样的。因此，Salesforce 专门为企业工作训练了一个模型。

在 Agentforce 的大部分历史中，几乎每一项任务都由一个通用模型负责推理：意图识别、提示注入筛查、毒性检测、评估、重排序等等。过去十八个月里，Salesforce 改变了这一做法，构建了一系列更小的模型，每个模型专注一项具体工作，但所有核心的多步推理仍然交给通用模型。现在，这一局面正在改变。

Koa 是 Salesforce 首个针对企业工作优化的 AI 推理模型，运行在 Salesforce 信任边界之内。Salesforce 与 NVIDIA 联合工程打造 Koa，对其 NVIDIA Nemotron 3 Super 模型进行后训练，使其适配最常见的企业任务。客户现在可以使用 Koa 来驱动其 AI 智能体的业务流程。

面向企业工作的推理模型

推理是智能体思考复杂问题、评估自身逻辑、决定调用哪些工具并在给出答案或执行动作之前验证路径的方式。前沿模型可以做到这一点，但它以同样通用的智能去处理退款政策、物理题和差旅计划，每一项都从第一性原理出发推演。这种广度是通用模型的价值所在，也是它的局限：前沿模型是从外部推理你的业务，把宽泛的智能套用到它从未真正做过的工作上。

想想一个人是如何变得擅长本职工作的。新员工通过入职培训学习政策与流程、授信阈值与合规红线，学习公司判定线索、批准退款的具体规则。然后在反复实践中把这些内容烂熟于心，并加以应用。这就是专业能力：一套规则与来之不易的实践经验，在工作中学到，并被一致地运用。

而通用模型永远从第一性原理出发。每次接到任务，它都从头推演，哪怕已经做过一千次。由于它的推理是概率性的，每次的做法可能并不一致。这对需要创造性的任务是好事，但对受治理、可重复的工作而言，更需要一个学会了确切工作内容、并且始终运用这些专业能力的模型。这正是 Salesforce 要打造的模型。

如何构建

从零训练一个推理模型需要海量数据与时间。幸运的是，NVIDIA 已经构建了 Nemotron 3 Super——一个 1200 亿参数的开放模型，它带来了闭源前沿模型无法提供的两样东西。其一是对模型权重的直接访问，使 Salesforce 可以后训练并将其适配到确切的目标工作；其二是可溯源：NVIDIA 公开了 Nemotron 的训练数据集，因此 Salesforce 能够看清基础的构成，而不是听信厂商的一面之词。这为客户提供了可信的骨干——一个开放、在美国训练、由 Salesforce 掌控并可审查的模型，而非黑盒。

教模型学会一项工作有两种方式。第一种是让它模仿成功完成工作的过程记录，也就是业内默认的监督微调。这就像照着手册入职：阅读并记住工作是如何完成的。但这种方法收益有限，因为企业智能体运行的是多轮、使用工具的工作流，复杂到无法只靠阅读学会。

于是 Salesforce 让模型亲自去做。团队在制造、金融服务、医疗健康、旅游等 14 个以上行业中构建了模拟企业工作流，生成了带有情绪与人设的合成客户——有的配合，有的不满。工具对智能体的调用作出响应，由评审员判断客户的问题是否真正得到解决。如果没有，模型就重试，把每个场景运行数千次，努力提高得分。这种强化学习方法提升了最关键的能力：多轮工具调用，即把一项任务跨多个步骤、多个工具、多轮对话推进下去的能力。

为此，Salesforce 调动了 27 年运营同类工作流的经验：团队深知服务升级内部是什么样子、线索资格认定究竟涉及什么、当客户在另一端等待时「已解决」意味着什么。这些知识是通用模型从未拥有过的，而正是 Salesforce 能赋予 Koa 的东西。

有一个场景值得特别一提，因为它是企业最担心的：在模拟中，团队故意让模型处于正确工具不可用的境地——客户提出智能体当前做不到的请求。此时通用模型往往含糊其辞：调用一个名字相似、却会改动不该改动数据的工具，甚至更糟，确认一个从未发生的动作。Salesforce 训练 Koa 像一个好员工那样回应：停下来，坦率告诉客户自己还不能做什么，请求所需的支持，并在时机成熟时接回任务；当情况需要模型不该独自作出的判断时，把工作移交给人类同事。知道何时不行动，同样是企业级专业能力。

以智能体每天都在做的工作为例：判定一个新线索的资格。这不是开放式任务。公司有明确的合格线索定义、核对账户历史与企业属性的流程、转入销售的阈值，以及线索不达标时的处理规则。通用模型从外部推理这些规则与定义，每次可能得出略有不同的结论；而在真实业务上训练过的模型，对第一百个线索的判定与第一个完全一致。这就是「对资格认定这件事聪明」与「像你的企业那样认定线索」之间的区别。

Koa 并不孤单。它建立在 Salesforce 工程与 AI 研究院开发的领域专用模型组合之上，包括 HyperClassifier、TextEval 以及最近的 Moirai。通过在这些专用模型与前沿大模型之间进行编排，意图分类、毒性筛查、搜索重排序等定向任务被路由给为它们而生的模型，Koa 则专注处理多步企业推理。

初步成效与数据边界

Koa 已经在 Salesforce 内部的员工工作流中运行，并正进入小规模客户试点，被用于服务、销售与电商场景的智能体。在更新商机、分派工单、安排跟进等 CRM 具体任务上的早期基准测试令人鼓舞，表现优于最强的通用模型。

Koa 完全运行在 Salesforce 信任边界内、由 Salesforce 运营的基础设施之上，客户数据始终在客户掌控之中。训练 Koa 所用的模拟工作没有使用任何真实客户数据：无论是服务台、合成客户还是评分结果。保护客户数据是 Koa 构建过程的核心，也是它运行的原则：你的数据与推理轨迹永远不会被用于训练模型。你的智能体如何推理你的业务、你的公司实际运转方式的积累模式，才是竞争对手无法复制的优势。在租用的前沿模型上推理，这些轨迹会成为改进模型、服务所有客户的燃料；而在 Koa 上推理，你的数据与轨迹只属于你。

面向眼前工作选择合适的智能，并拥有决定权。这已经是金融服务、医疗健康、旅游、会计等受监管行业的试点客户正在作出的选择——在一个为企业工作优化的模型上运行智能体。