WorkForge是什么？腾讯智能体训练环境框架

更新时间:2026-10-25 11:22:14 发布时间:5小时前阅读:6次

真实工作区加双轨验证，让智能体学会干活。WorkForge 是腾讯混元与复旦大学联合推出的智能体训练环境构建框架，从专家工作流蓝图出发，自动检索真实资源搭出工作区，再依据工作区里能核对的事实生成任务与验证标准。

腾讯WorkForge智能体框架

WorkForge要解决的是环境不够真实

编程智能体和办公类智能体要在职场任务上变强，得有大量贴近真实的工作环境让它练。手工搭环境成本太高，用语言模型合成工作区又太干净：文件少、线索集中、没有目录树的干扰，模型在里头练出来的能力，换到真实项目里就不管用。

WorkForge 换了个来源，不用合成数据，让获取智能体去搜索、阅读、下载真实资源，代码仓库、数据集、网页资料一并算进去，下载之后保留原始目录结构。官方给的对照数据显示，真实工作区的文件数是合成环境的 5.4 倍，文件类型是 2.4 倍，体积是 13 倍。

这组倍数的意义不在数量，在难度。证据散落在多级目录里，模型得先探索、再判断，中间会产生真实的操作摩擦，长程交互的需求自然就出来了。合成环境里模型点两下就能拿到答案，练不出探索能力。

流程分三段，前一段的产出是后一段的输入，环环相扣。

第三段是全套设计的关键。任务能不能提出来、结果能不能验证，取决于工作区里能观察到的事实。把事实先抽成锚点，任务指令、参考解法、检查项和评分细则从这些锚点推导，参考解法里的关键事实还要回到工作区复核一遍。这样出题不会写出工作区里根本查不到的要求。

验证分两条轨，一条管确定性，一条管语义质量。

验证轨	查什么	怎么算分
程序化验证	数值对不对、目标文件有没有生成、工作区状态是否符合预期	按指示函数计分，非零即一
语义验证	开放式交付物的质量	由任务指令配置的评委按细则逐项打分再归一化

两轨的分数分开保留，不合并成一个总分。官方给的实验里，把两类信号混合筛选之后的效果是 22.11，单用程序化信号是 15.62，单用语义信号是 14.89。差距说明两轨抓的是交付质量的不同侧面，缺一条就会漏掉一整类问题。

这个设计对做评测的人有参考价值。只用程序化检查，模型学会凑格式；只用评委打分，评分标准又容易被话术带偏。两条一起用，作弊空间小很多。

训练效果有两组数字值得看。第一组是提升幅度，35B 量级的模型在 GDPval 上提升 28.1 分，逼近前沿模型水平，具体基准与分数见 WorkForge 的技术论文。第二组是参数量对比，27B 的模型在若干基准上反超了 397B 的模型，说明环境质量的影响能压过参数规模的差距。

轨迹特征也能说明问题。平均 31.8 步、7.6 万 tokens 的一次任务，属于典型的长程交互，模型要在里头完成探索、取证、纠错、交付这一串动作。短对话式的训练数据练不出这种能力，这也是环境构建值得单独做一套框架的原因。

规模上，一条管线产出 16.7K 个可验证环境，横跨 40 个专业领域、60 种文件类型。这个量级靠人工搭不现实，靠合成又失真，属于框架能提供、单个团队做不到的部分。

它是研究框架，官方论文里没有提开源代码或数据集的公开渠道，也没给下载入口。想直接用这套管线，目前没有现成的包。

能拿来用的是方法论。三段流程、事实锚点驱动的出题方式、双轨验证的评分设计，这三点皆可在自己的环境里复现，不需要它的代码。中小团队真要做，从两三个岗位的工作流开始，先验证出题和验证能不能对上，再考虑扩量。

判断要不要跟进，看自己有没有后训练的需求。只做本地部署和推理应用、不训模型的团队，这套东西离得比较远；要做领域智能体、又苦于没有高质量轨迹数据的，值得按论文的思路搭一版试试。

是研究项目，不是对外销售的商业产品。它由腾讯混元与复旦大学联合推出，定位是智能体训练环境的构建框架，成果以技术论文的形式公开。和同名的美国行业后台产品没有关系，搜的时候容易被带偏，认准混元与复旦这个组合。

没有。论文里没有给出代码仓库或数据集的公开地址，官方也没提供下载入口，16.7K 个环境属于论文里报告的规模，不是可以直接拉到本地的数据集。想复现要按论文描述自己实现，工作量不小，先评估有没有必要再动手。

数据来源不同。合成数据由模型生成，干净、可控、便宜，但缺少真实项目的杂乱；WorkForge 从真实仓库和数据集采集，保留原始目录结构，文件数和类型多出好几倍。杂乱本身就是训练目标，模型得学会在噪声里找证据，这个能力合成环境给不了。

要做领域智能体后训练、并且缺高质量长程轨迹数据的团队。纯做应用集成、不碰模型训练的，看方法论就够了，不必投入。另外要有能跑通数据管线的工程能力，搭工作区、做验证器、采轨迹这几步得自己实现，不是装个包就能用。

标签：