مقاله‌ی arXiv:2610.04906 · منتشرشده در کانال
Scaling Verifiable Environments for Long-horizon Work Agents
مقیاس دادن محیط‌های قابل تأیید برای ایجنت‌های کاری بلندمدت با ساخت از منابع واقعی
- تاریخ
- (۱۲ مهر ۱۴۰۵) 2026-10-04 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- 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, Shutong Jiang, Zhezheng Hao, Xinbing Liang, Zhihao Zhang, Changzhi Zhou, Wiggin Zhou, Tao Gui, Qi Zhang, Xuanjing Huang, Clarenceai, Aiden Adams
- نهاد نویسنده‌ها
- LLM Department, Tencent; Fudan University
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایجنت‌های کاری روی اسناد دیجیتال کار دانشی حرفه‌ای انجام می‌دهند و به محیط‌های آموزشی با تعامل طولانی و تأیید قابل اعتماد نیاز دارند. محیط‌های دستی هزینه‌ی مهندسی سنگینی دارند که مقیاس را محدود می‌کند، و روش‌های مصنوعی پیچیدگی، واقع‌گرایی یا قابلیت تأیید مستند را فدا می‌کنند.
روش
چارچوب WorkForge از گردش‌کارهای متخصص شروع می‌کند و منابع، تصمیم‌ها و خروجی‌های لازم هر گردش‌کار را شناسایی می‌کند. سپس فایل‌های واقعی مرتبط را بازیابی و در یک فضای کاری سازمان می‌دهد، فضای کاری را بررسی می‌کند تا واقعیت‌های مشخص و قابل بررسی درباره‌ی محتوایش استخراج کند، و دستور تسک، برنامه‌ی حل و تأییدکننده‌های برنامه‌ای و معنایی را مستقیم از این لنگرهای واقعی می‌سازد تا تأیید تا شواهد قابل مشاهده‌ی فضای کاری ردیابی شود.
یافته‌ها
- ۱۶٫۷ هزار محیط قابل تأیید در ۴۰ حوزه‌ی حرفه‌ای ساخته شد که فضاهای کاری‌شان روی هم ۶۰ نوع فایل را پوشش می‌دهند.
- پس‌آموزش Qwen3.5-35B-A3B-Base امتیاز GDPVal را از ۴۵٫۵ به ۷۳٫۶ و امتیاز APEX را از ۵٫۰ به ۲۱٫۳ رساند، و Qwen3.5-27B را به کارایی بسیار رقابتی رساند.
- تحلیل‌ها رفتار مقیاس‌پذیری پیوسته را هم در حجم داده و هم در افق تعامل نشان داد.
محدودیت‌ها
نویسنده‌ها می‌گویند روش به گردش‌کارهای متخصص و منابع واقعی در دسترس وابسته است که حوزه‌های اختصاصی یا حساس را محدود می‌کند، قابلیت اطمینان به دقت نیمرخ‌سازی خودکار فضای کاری بستگی دارد، و تأییدکننده‌ها بیشتر روی خروجی نهایی تمرکز دارند و کالیبراسیون متخصص محدودی دارند.
چرا مهم است
آموزش ایجنت‌های کاری به محیط‌های واقعی و قابل تأیید در مقیاس بالا نیاز دارد. این کار نشان می‌دهد ساخت خودکار چنین محیط‌هایی از فایل‌های واقعی، کارایی را در بنچمارک‌های کار حرفه‌ای جهشی بالا می‌برد.