腾讯混元与复旦开源WorkForge:16665个可验证环境,让智能体在真实仓库里学干活

流云 2026-10-23 1075 0条评论
摘要: 10月22日,腾讯混元与复旦大学联合推出WorkForge,一个智能体训练环境构建框架,技术论文已发布在arXiv。它的核心思路很直接:不再由人逐个编写训练环境,而是从真实代码仓库...

10月22日,腾讯混元与复旦大学联合推出WorkForge,一个智能体训练环境构建框架,技术论文已发布在arXiv。它的核心思路很直接:不再由人逐个编写训练环境,而是从真实代码仓库、数据集与网页资料中规模化搭建可验证的工作区,让智能体在杂乱的真实文件里学会探索、取证与交付。

四段管线:从专家蓝图到可验证轨迹

WorkForge的管线分为四段:写蓝图、搭工作区、出题定标准、执行并打分。专家先把一类工作梳理成场景蓝图——交付什么、需要哪些材料、要做哪些关键判断。框架据此检索代码仓库、数据集与网页资料,确认可用后放进工作区,并保留原有目录结构。保留真实结构是刻意选择:软件项目里的源码、文档、测试与配置本就散落在不同目录,而合成环境往往只有一份说明、一个脚本与一份示例数据。

工作区搭好后,框架先逐个文件判定用途,并记录一批可以直接核对的具体事实作为事实锚点。任务说明、参考解法与验收标准都从锚点推出,参考解法里的关键事实还会回到工作区复核,避免题目脱离材料。验收分两条通道:数值是否正确、文件是否生成,交给程序化检查自动核对;分析是否到位,由LLM评委按评分细则给出语义得分。两条通道同时挂在一份任务包上,任务包分为可见的工作区与任务说明,以及隐藏的参考解法与验证器,执行方看不到后者。打分完成后,整段操作过程连同分数一并保存,成为后训练素材——记录的不仅是最终交付物,还包括浏览目录、定位文件、交叉核对与出错后重新规划的全过程。

规模与效果:16665个环境,GDPval得分73.6

WorkForge构建了16665个可验证环境,覆盖40个领域、60种文件类型,单环境平均约42.3个文件、279KB,每任务平均21.9条验证标准,轨迹平均31.8步、33.8次调用。在AI工具导航的智能体训练分类中,这种以真实仓库为环境来源的路线,与技能驱动的任务合成形成了明确区隔。评测数据也印证了这一点:WorkForge-A3B在WildClawBench得分29.9,对比ClawGym-30A3的14.9;Claw-Eval得分53.3对35.4;GDPval得分73.6对35.0;APEX-Agents得分21.3对2.5;ALE Pass@1为12.4%对2.9%。论文还披露,WorkForge-27B在GDPval上取得82.4分,高于参数量约15倍的Qwen3.5-397B-A17B的79.7分,与Claude Opus 4.8的89.1分、GPT-5.6 Sol的90.1分仍有差距;WorkForge-A3B则从基座的45.5分提升到73.6分。对于关注AI办公软件推荐的团队,这组数据说明一件事:真实工作区产出的轨迹更容易迁移到专业交付物,能收尾的长程任务明显更多。

尚未开源:方法可复现,代码未公开

官方当前未发布可安装的软件或公开代码库,代码、数据集与模型权重均未提供下载入口,可执行的入口是论文给出的方法。研究团队可按四段管线自行复现:核对论文口径、整理场景蓝图、检索真实资源、抽取事实锚点、执行并留痕。论文给出的评测设置可作为对照:温度0.7、Top-p 0.9、Top-k 20,单条回复上限32768 tokens,最大上下文262144 tokens;后训练使用5个epoch、全局批大小64。WorkForge没有付费档位,若要自建环境,支出集中在算力与数据整理两端——论文中的后训练以Qwen3.5-35B-A3B-Base与Qwen3.5-27B为基座,属于典型的多卡后训练规模。

编辑判断

WorkForge的价值不在“又一个训练框架”,而在它把环境构建的源头从人写脚本换成了真实数字资源。16665个可验证环境、每任务平均21.9条验收标准、轨迹平均31.8步——这组数字指向一个现实:长程智能体的训练瓶颈不在模型,而在有没有足够多、足够真实、足够可核对的工作环境。代码和权重尚未公开,复现成本不低,但方法论本身已经给出了清晰的路径。对于模型后训练团队和需要把专业工作流程沉淀为数据资产的企业研究院,这份论文值得细读。环境取材真实仓库,验收标准才落得到可核对的证据上——这是WorkForge最直接的方法论贡献。


文章版权及转载声明:

作者:流云本文地址:https://sanwenge.com/post/1520.html发布于 2026-10-23
文章转载或复制请以超链接形式并注明出处三文阁