WorkForge是什麼？騰訊智慧體訓練環境框架

更新時間:2026-10-25 10:17:35 發布時間:4小時前閱讀:5 views次

真實工作區加雙軌驗證，讓智慧體學會幹活。WorkForge 是騰訊混元與復旦大學聯合推出的智慧體訓練環境構建框架，從專家工作流藍圖出發，自動檢索真實資源搭出工作區，再依據工作區裡能覈對的事實生成任務與驗證標準。

騰訊WorkForge智慧體框架

WorkForge要解決的是環境不夠真實

程式設計智慧體和辦公類智慧體要在職場任務上變強，得有大量貼近真實的工作環境讓它練。手工搭環境成本太高，用語言模型合成工作區又太乾淨：檔案少、線索集中、沒有目錄樹的干擾，模型在裡頭練出來的能力，換到真實項目裡就不管用。

WorkForge 換了個來源，不用合成資料，讓獲取智慧體去搜尋、閱讀、下載真實資源，程式碼倉庫、資料集、網頁資料一併算進去，下載之後保留原始目錄結構。官方給的對照資料顯示，真實工作區的檔案數是合成環境的 5.4 倍，檔案類型是 2.4 倍，體積是 13 倍。

這組倍數的意義不在數量，在難度。證據散落在多級目錄裡，模型得先探索、再判斷，中間會產生真實的操作摩擦，長程互動的需求自然就出來了。合成環境裡模型點兩下就能拿到答案，練不出探索能力。

流程分三段，前一段的產出是後一段的輸入，環環相扣。

第三段是全套設計的關鍵。任務能不能提出來、結果能不能驗證，取決於工作區裡能觀察到的事實。把事實先抽成錨點，任務指令、參考解法、檢查項和評分細則從這些錨點推導，參考解法裡的關鍵事實還要回到工作區複覈一遍。這樣出題不會寫出工作區里根本查不到的要求。

驗證分兩條軌，一條管確定性，一條管語義品質。

驗證軌	查什麼	怎麼算分
程式化驗證	數值對不對、目標檔案有沒有生成、工作區狀態是否符合預期	按指示函數計分，非零即一
語義驗證	開放式交付物的品質	由任務指令配置的評委按細則逐項打分再歸一化

兩軌的分數分開保留，不合併成一個總分。官方給的實驗裡，把兩類信號混合篩選之後的效果是 22.11，單用程式化信號是 15.62，單用語義信號是 14.89。差距說明兩軌抓的是交付品質的不同側面，缺一條就會漏掉一整類問題。

這個設計對做評測的人有參考價值。只用程式化檢查，模型學會湊格式；只用評委打分，評分標準又容易被話術帶偏。兩條一起用，作弊空間小很多。

訓練效果有兩組數字值得看。第一組是提升幅度，35B 量級的模型在 GDPval 上提升 28.1 分，逼近前沿模型水平，具體基準與分數見 WorkForge 的技術論文。第二組是參數量對比，27B 的模型在若干基準上反超了 397B 的模型，說明環境品質的影響能壓過參數規模的差距。

軌跡特徵也能說明問題。平均 31.8 步、7.6 萬 tokens 的一次任務，屬於典型的長程互動，模型要在裡頭完成探索、取證、糾錯、交付這一串動作。短對話式的訓練資料練不出這種能力，這也是環境構建值得單獨做一套框架的原因。

規模上，一條管線產出 16.7K 個可驗證環境，橫跨 40 個專業領域、60 種檔案類型。這個量級靠人工搭不現實，靠合成又失真，屬於框架能提供、單個團隊做不到的部分。

它是研究框架，官方論文裡沒有提開源程式碼或資料集的公開渠道，也沒給下載入口。想直接用這套管線，目前沒有現成的包。

能拿來用的是方法論。三段流程、事實錨點驅動的出題方式、雙軌驗證的評分設計，這三點皆可在自己的環境裡復現，不需要它的程式碼。中小團隊真要做，從兩三個崗位的工作流開始，先驗證出題和驗證能不能對上，再考慮擴量。

判斷要不要跟進，看自己有沒有後訓練的需求。只做本地部署和推理應用、不訓模型的團隊，這套東西離得比較遠；要做領域智慧體、又苦於沒有高品質軌跡資料的，值得按論文的思路搭一版試試。

是研究項目，不是對外銷售的商業產品。它由騰訊混元與復旦大學聯合推出，定位是智慧體訓練環境的構建框架，成果以技術論文的形式公開。和同名的美國行業後台產品沒有關係，搜的時候容易被帶偏，認準混元與復旦這個組合。

沒有。論文裡沒有給出程式碼倉庫或資料集的公開地址，官方也沒提供下載入口，16.7K 個環境屬於論文裡報告的規模，不是可以直接拉到本地的資料集。想復現要按論文描述自己實現，工作量不小，先評估有沒有必要再動手。

資料來源不同。合成資料由模型生成，乾淨、可控、便宜，但缺少真實項目的雜亂；WorkForge 從真實倉庫和資料集採集，保留原始目錄結構，檔案數和類型多出好幾倍。雜亂本身就是訓練目標，模型得學會在噪聲裡找證據，這個能力合成環境給不了。

要做領域智慧體後訓練、並且缺高品質長程軌跡資料的團隊。純做應用整合、不碰模型訓練的，看方法論就夠了，不必投入。另外要有能跑通資料管線的工程能力，搭工作區、做驗證器、採軌跡這幾步得自己實現，不是裝個包就能用。