WorkForge：为长周期工作智能体扩展可验证环境
Scaling Verifiable Environments for Long-horizon Work Agents
论文提出 WorkForge，一个从真实资源合成可验证工作智能体环境的框架，通过提取工作区可核查事实锚定任务类型与验证方式，构建了覆盖 40 个专业领域、60 种文件类型的 16.7K 个环境。后训练使 Qwen3.5-35B-A3B-Base 的 GDPVal 从 45.5 升至 73.6，APEX Score 从 5.0 升至 21.3。该论文因合著者未完成审阅已撤回。
本文已被 Jiazheng Zhang 撤回
作者：Jiazheng Zhang、Long Ma、Yunxian Yang、Zhiheng Xi、Zhikai Lei、Yajie Yang、Chenyang Liao、Enyu Zhou、Yang Nan、Yuchen Tian、Senjie Jin、Yibo Wang、Wei He、Boyang Liu、Jixuan Huang、Xin Guo、Zhezheng Hao、Xinbing Liang、Zhihao Zhang、Changzhi Zhou、Wiggin Zhou、Tao Gui、Qi Zhang、Xuanjing Huang、Clarenceai、Aiden Adams
摘要：工作智能体在数字制品上运行，以执行专业知识密集型工作，这要求训练环境支持长时程交互和可信验证。然而，手工构建的环境会带来高昂的工程开销，阻碍环境扩展，而合成方法则牺牲了工作区复杂度、真实感或可落地的可验证性。为弥合这一差距，我们提出了 WorkForge，一个可扩展的合成框架，用于从真实世界资源构建可验证的工作智能体环境。从专家工作流出发，WorkForge 首先识别每个工作流所需的资源、决策和交付物。然后，它检索相关的真实世界文件并将其组织成一个工作区。WorkForge 检查该工作区，以提取关于其内容的具体、可核查的事实。这些事实锚点确定了该工作区能够支持哪些任务类型，以及这些任务的结果如何被验证。因此，WorkForge 直接从这些事实锚点推导出每个任务的指令、解决方案计划以及互补的程序化与语义验证器，使验证可追溯到可观察的工作区证据。此外，我们构建了覆盖 40 个专业领域的 16.7K 个可验证环境，其工作区合计涵盖 60 种文件类型。对 Qwen3.5-35B-A3B-Base 进行后训练，将 GDPVal 从 45.5 提升至 73.6，APEX Score 从 5.0 提升至 21.3，同时使 Qwen3.5-27B 达到极具竞争力的性能并超越强劲对手。我们的分析证实了所提方法的有效性，并揭示了在数据量和交互时程上一致的可扩展行为。
| 评论： | 本版本是在所有共同作者完成审阅并批准稿件和作者名单之前提交的。我们正在解决这些问题，因此撤回该版本 |
| 主题： | 计算与语言 (cs.CL)；人工智能 (cs.AI) |
| 引用为： | arXiv:2610.04906 [cs.CL] |
| （或 arXiv:2610.04906v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.04906 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiazheng Zhang [查看邮箱]
[v1]
2026年10月4日星期日 03:36:14 UTC（2,187 KB）
[v2]
2026年10月8日星期四 06:17:17 UTC（1 KB）（已撤回）
来源：arXiv cs.AI · arxiv.org