Salesforce 推出面向 Agentforce 的 Koa CRM 推理模型

Salesforce 于 2026 年 9 月 15 日发布 Koa，称其为公司首个面向 Agentforce 的 CRM 推理模型。Agentforce 是 Salesforce 围绕销售、服务和工作自动化建设的智能体平台。Koa 并没有被描述为通用前沿模型，而是一个领域模型：它以 NVIDIA Nemotron 3 Super 这个 open-weight 模型为起点，再由 Salesforce 针对客户关系管理任务进行后训练。这个来源很关键，因为这次发布的重点不是再造一个基础模型，而是让 Salesforce 控制一层用于业务流程的推理能力。在这些流程里，系统必须判断哪些记录要更新、请求应转给哪里、何时必须让人工介入。

从 Nemotron 到 CRM 场景

Salesforce 表示，Koa 的后训练使用了基于 27 年 CRM 经验构建的合成场景，覆盖超过 14 个行业。公司同时强调，没有使用客户数据训练该模型。按照 Salesforce 的说法，后训练结合了监督微调和 GRPO 强化学习，并使用 NVIDIA NeMo RL、NeMo Gym 和 NeMo AutoModel。这里的技术含义也关系到治理：Salesforce 称自己控制模型权重，并在自有基础设施中运行后训练和推理，而不是把完整的 CRM 推理层交给外部模型供应商。

• Koa 是 Salesforce 首个面向 Agentforce 的 CRM 推理模型。
• 起点是 NVIDIA Nemotron 3 Super，Salesforce 将其描述为 open-weight 模型。
• Salesforce 称后训练使用的是合成 CRM 场景，不是客户数据。
• 公布的方法包括 SFT，以及使用 NeMo 工具的 GRPO 强化学习。
• Salesforce 预计 2026 年冬季在美国区域提供正式可用版本。

Salesforce 称它测试了什么

Salesforce 提到一个内部 CRM Bench，用来测试机会更新、工单路由、跟进计划等任务。公司称，Koa 的表现至少与大型模型相当，同时错误少三倍。这个说法需要谨慎理解，因为该基准来自 Salesforce 内部，并未获得独立验证。但它仍然说明了 Salesforce 希望测量的行为：一个智能体能否以更少的错误动作完成 CRM 步骤，而不是能否回答百科问题或写通用文章。

第一个实际用例也很具体。Salesforce 称，Koa 已经为 Slack 中的员工智能体提供支持，模型可以在受控的产品界面内对工作请求进行推理。被列入试点的客户包括 Formula 1、UChicago Medicine、Baxter Credit Union、1-800Accountant、Engine 和 Xero。Salesforce 计划在 2026 年冬季于美国区域扩大可用性。公司还称，Missionforce 也将获得 Nemotron 模型和加速计算，用于私有云和隔离网络，这表明 Salesforce 把主权或受限环境视为同一架构的一部分。

为什么 Salesforce 想要自己的推理层

TechCrunch 将这一动作解读为 Salesforce 试图减少多步骤 CRM 任务对前沿模型的依赖，并降低 token 成本，但并不放弃 Claude 或 ChatGPT。这个区分很重要。Salesforce 并没有说所有企业任务都应该转向 Koa，TechCrunch 也没有把它描述成与外部 AI 实验室决裂。它的论点更窄：对于重复性的 CRM 工作，由应用厂商控制的较小专用模型，可能比反复调用前沿模型更便宜、更容易审计，也更容易针对业务流程调整。

买方应该做的测试也应当是运营层面的，而不是口号式比较。团队应在真实记录上把 Koa 与现有模型路线对比，并开启权限边界，加入不完整数据、过期字段、含糊案例和失败的工具调用。需要衡量的是更新准确率、出错后的恢复、每个完成流程的总成本、审计轨迹，以及当智能体没有足够权限或信心时升级给人工的可靠性。测试还应观察模型在信息不足时是否停止操作，是否留下可复核的原因，是否把上下文完整交给人工处理。这些不是 Salesforce 的承诺，而是在允许推理模型进入 CRM 执行动作之前必须完成的评估。

对中文企业的影响

对中文企业而言，Koa 给 Agentforce 客户提供了一个更贴近业务记录系统测试 CRM 推理的新选项。实际问题不是 Koa 是否在通用智能上超过某个知名聊天机器人，而是一个智能体能否以更少错误更新销售机会、路由工单和规划跟进，同时保持可预测成本和清晰审计。如果试点能在真实 Salesforce 部署中证明这一点，Koa 可能会让一部分 CRM 自动化从抽象的模型选择转向受治理的应用层推理。