返回首页Data World：从零生成可审计的数据分析环境，RL 训练在 DABstep-Hard 提升 20.9 分2026/10/19 06:24 环境构造方式：该引擎不直接生成题目，而是先写下生成这份数据集的底层机制，再据此产出文件、任务与评分规则。因为数据是"按已知过程造出来的"，开放式分析结论可以被反查核对，独立审计确认每个答案都能从文件中恢复。 训练结果：在 2,135 个此类任务上对 Qwen3.6-35B-A3B 做 RL 训练，未使用任何蒸馏轨迹，DABstep-Hard 提升 20.9 分；同一流程在 DAComp 上带来 14.28 分、JobBench 上 12.13 分。 基准侧的另一项发现：论文指出十个前沿模型"算出正确数字"的频率，普遍高于"从这些数字得出正确结论"的频率——即计算环节已相对可靠，判断与归纳环节仍是短板。 行业观察：Agent 训练环境此前多为手工搭建或从真实库采样，环境本身是静态资产，奖励则依赖事后打分。把生成机制与评分规则一并产出，等于让"任务从哪来、答案为什么对"同时可验证，这对开放式数据分析这类没有唯一解的任务尤其关键；也解释了为何在无蒸馏数据的条件下仍能取得两位数提升——训练信号的质量来自环境可审计性，而非更强的教师模型。 🔗 论文 arXiv:2610.21656 | Chat with Paper