工作智能体的练习场不够用？腾讯混元与复旦用 WorkForge 造了 1.67 万个

训练一个能干活的工作智能体，卡脖子环节往往不是模型本身，而是找不到既真实、又能自动判卷的练习场。手工搭一个职场工作区，工程开销大到没法规模化；纯靠模型合成的环境，又常常把证据摆得太明显，复杂度、真实性和可验证性三头落空。10 月 21 日，腾讯混元与复旦大学在 arXiv 上发布的 WorkForge（编号 2610.04906），试图把这道题拆开来解。

WorkForge 的起点是专家工作流：先弄清一个专业流程需要哪些资源、要做哪些决策、最终交付什么，再去检索与之匹配的真实世界文件，把它们组织成一个工作区。真正的巧思在下一步——框架会检查这个工作区，从中提取具体、可核查的事实锚点。锚点一旦固定，这个工作区能出什么类型的任务、任务结果按什么标准验证，就都被定住了。任务的指令、解题方案，以及程序化与语义两路验证器，全部从锚点推导出来，验证因此可以一路追溯到工作区里看得见的证据，而不是靠模型自己说了算。 这套打法跑出来的盘子不算小：16,700 个可验证环境，覆盖 40 个专业领域，工作区合计横跨 60 种文件类型，单条轨迹平均约 7.6 万 tokens（论文口径）。更关键的是成绩单——用这些环境对 Qwen3.5-35B-A3B-Base 做后训练，GDPval 从 45.5 升到 73.6，APEX Score 从 5.0 涨到 21.3；Qwen3.5-27B 版本则拿到 82.4，超过了 397B-A17B 大模型的 79.7（论文口径）。论文的分析部分还给出了扩展规律：数据量往上加、交互时长往长拉，两条轴上成绩都跟着稳定爬升。

把这篇放进近一个月的环境构建论文堆里看，差异点在「验证的出身」。同类工作大多先造任务、再造验证器，验证逻辑多少带着设计者的预判；WorkForge 反过来，让工作区里已有的可观察事实决定出什么题、怎么判卷。对做工作智能体的团队来说，这降低了一个长期被忽视的风险——训练环境和真实任务之间的错位。当然，局限也要摆出来：环境来自公开可得的真实文件，企业内部的私有流程和专有系统仍需自行适配；两个基准分数的提升均属论文自报，尚未见独立复核。官方及行业暂未披露更多细节，后续将持续跟进迭代动态。