腾讯混元开源 WorkForge-16K：用真实工作区训练长程工作智能体
- 框架设计：腾讯混元与复旦大学提出 WorkForge，从真实世界资源出发规模化构建可验证的智能体工作环境。流程分四步——专家写场景蓝图、获取智能体按蓝图搭建工作区、先体检再出题定标准、智能体完整执行并打分。
- 数据集规模：WorkForge-16K 包含 16,665 个可验证工作环境，横跨 40 个专业领域、60 种文件类型。每个任务平均 21.9 条验证标准，每个工作区平均 42.3 个文件、约 279KB，智能体完成一个任务平均需 31.8 步、33.8 次工具调用，单条轨迹约 7.6 万 tokens。
- 真实 vs 合成：同一批蓝图下，真实工作区的文件数是 LLM 合成工作区的 5.4 倍，文件类型是 2.4 倍，平均体积从 21.5KB 增至 279KB——合成环境关键信息集中在少数文件，真实环境的证据分布在目录树中。
- 训练结果：WorkForge-A3B 训练后 GDPval 从 45.5 提升到 73.6，APEX 从 5.0 提升到 21.3，在五个基准上全面领先 100B 以下专用智能体模型；WorkForge-27B 在 GDPval 达 82.4，超过总参数量约为其 15 倍的 397B-A17B（79.7），与 Claude Opus 4.8（89.1）、GPT-5.6 Sol（90.1）差距缩小。
- 规模效应：训练轨迹从 1K 增至 16K，模型在 ALE 和 WildClaw 上分别提高 13.0 和 8.4 分；41–60 轮长轨迹比 20 轮以内短轨迹在 ALE 和 WildClaw 上分别高 4.2 和 5.0 分。
- 行为变化：WorkForge-27B 在 GDPval 上平均访问 6.52 个外部网站域名，是基座的 5.3 倍；工作区内定向检索证据的调用占比从 5.9% 提升到 16.2%；工具调用失败后推理长度从 144 个字符增至 614 个字符。
- 验证机制：程序化检查与语义评分混合筛选效果最好，ALE 得分 22.11，高于单用语义评分（15.62）或程序化检查（14.89）。
- 行业意义：真实工作区中的长程轨迹可迁移到不同评测场景，数据量与轨迹长度是两个独立的 scaling 维度；对 Agent 训练环境设计而言，可审计的评分来源与证据分散程度可能比环境数量本身更关键。