744B模型追平Claude Opus 5,人大复旦提出ToolSpace探索环境合成新范式

资讯 腾讯网 作者:机器之心 全文 3522 字 · 约 9 分钟读完 分类ClaudeOpusAnthropic学术研究智能体

给智能体造训练环境,一定要先从数据库开始吗?现有的环境合成方法通常以数据为中心,先生成数据库和业务场景,再据此构造工具与任务。但沿着这条路线,工具接口和参数逻辑可能偏离真实定义,工具组合也可能缺少执行依据,任务往往局限于单个环境。现实中的工作却需要跨越这些边界,要让智能体熟悉跨环境的工具调用,训练任务就需要覆盖不同环境

所属频道 大厂动态智能体与 AgentClaude 与 Anthropic前沿研究

给智能体造训练环境,一定要先从数据库开始吗?现有的工具接口和参数逻辑可能偏离真实定义,工具组合也可能缺少执行依据,任务往往局限于单个环境。现实中的工作却需要跨越这些边界,要让智能体熟悉跨环境的工具调用,训练任务就需要覆盖不同环境之间的数据传递、状态衔接与工具编排。

为此,中国人民大学,复旦大学和上海交通大学的研究团队提出 。该方法包含两个核心环节。(1) 工具空间探索:从执行轨迹提取工具,构建(2) :沿工具图做

图 1

下面的视频展示了 ToolSpace 的完整流程。

视频链接:https://mp.weixin.qq.com/s/P_jMtmD6W4mirCPltHgwZg

研究团队从训练与评测两方面验证:

  • 七项长程工具基准全面提升: ToolSpace 合成数据在训练后带来稳定提升。ToolSpace-744B-A40B 综合性能由 44.6 升至 56.6,与

  • 构建更具挑战的升级基准: 构建

  • 论文标题:ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents

  • 论文链接:https://arxiv.org/pdf/2611.05036

  • 项目主页:https://toolspace-agent.github.io/

  • 代码仓库:https://github.com/dongguanting/ToolSpace

  • 模型合集: https://huggingface.co/collections/dongguanting/toolspace

ToolSpace:

将工具连成宇宙,按需合成环境!

一、工具空间探索

ToolSpace 将工具视为智能体执行任务的基本单元。为此,系统先从轨迹中还原工具之间有执行证据的连接,再将紧密关联的工具组织为环境,为其中需要持久状态的操作补齐底层数据。随后,系统在工具图上探索跨环境调用链,将可执行的链路转化为任务。整个流程由工具的连接关系牵引。

图 2 ToolSpace 的两个阶段。先从执行轨迹构建工具空间并按需构建环境,再以状态感知游走生成跨环境任务。

工具组合图。

有了轨迹,下一步是找出工具之间的依赖。同一个工具换一组参数,可能产生不同结果,也可能通向不同的后续操作,因此图中的节点同时记录工具与规范化参数配置。系统再按确定性规则,从相邻调用中提取三类连接。

1. 。例如,前一步返回文件 ID,后一步用这个 ID 读取文件。系统要求下游输入使用上游输出值,且字段类型匹配。

2. 。例如,前一步修改某条记录,后一步读取或继续修改同一对象。识别这类连接需要检查对象及其状态是否衔接。

3. 。前一次调用返回错误,轨迹随后切换工具,并在下一次调用中成功,这段可恢复的错误与后续成功调用会一起保留。

这些连接由规则识别,边的权重来自轨迹中实际观察到的转移频率。系统会过滤低频边,并要求候选数据边的下游参数可追溯至上游输出,减少 limit=10 这类偶然匹配。

按需环境数据合成。

二、

状态感知随机游走。

回退采样:抽中下一步后,系统会执行工具并更新状态。遇到调用失败,或结果与该连接要求的数据、状态关系不一致时,就恢复执行前的快照,重新选择路径。反复回退后仍无法继续的链路会被丢弃。通过设置目标调用长度与跨越环境数量等条件,系统可以生成不同复杂度的工作流。

图 3 项目交互演示中的一次状态感知游走。调用链跨越 6 个环境,完成 28 次工具调用,经历 2 次回退,并通过回放验证。

可验证任务的反向合成。

系统同时生成断言脚本,用程序检查最终状态、关键中间状态及必要的返回字段。随后,环境恢复到初始快照,调用链从头重放,只有全部检查通过才保留样本。每条样本都包含任务、验证脚本、工具链与初始快照,后续可以重新执行并检查结果。任务去重后,系统进一步生成

三、ToolSpace 的静态数据统计

环境统计。

图 4:工具空间的领域分布、环境工具数量及依赖类型统计。(论文图 4)

数据统计。ToolSpace 共生成 34,376 条轨迹。在至少包含 5 次工具调用的子集中,平均每条轨迹包含 18.86 次工具调用,最多 209 次;平均跨越 2.29 个环境,最多 22 个;至少 66.2% 涉及两个或更多环境。

图 5:至少包含 5 次工具调用的 21,385 条轨迹的长度、调用次数与跨环境数量分布。(论文图 5)

实验结果 1:

从 8B 到 744B

七项长程工具基准显著提升

研究团队首先在七项长程工具使用基准上评估 ToolSpace,包括 AutomationBench、SkillsBench、JobBench、τ³-Bench Banking、

表 1 七项基准完整结果。Avg. 为七项平均分,+

从七项平均分看,不同规模模型均获得提升。Qwen3.6-35B-A3B 经过监督微调后,平均分从 23.0 提高至 41.0,其中 AutomationBench 从 8.2 提高至 45.8。基于 GLM-5.2 的 ToolSpace-744B-A40B 仅经监督微调,平均分便从 44.6 提高至 56.6,与

在线强化学习进一步将 35B 模型的七项平均分从 41.0 提高至 43.2。其中,τ³-Bench Banking 从 34.0 提高至 42.3。该结果表明,在监督微调建立工具使用能力后,环境内探索仍能为多步操作带来额外收益。

实验结果 2:两大 Pro 基准的构建与评测

除了生成训练数据,研究团队还将 ToolSpace 用于扩展现有评测。在 AutomationBench 与 τ³-Bench Banking 中,系统接入具有数据或状态依赖的外部工具,沿更长的调用链生成任务,构建

表 2 两项 Pro 基准的评测结果。Std. 为标准版,Pro 为升级版,Δ 为升级版与标准版的分差。标准版分数来源见论文表注。(论文表 2)

评测结果显示,七个模型在两项 Pro 基准上的得分均低于标准版,其中 AutomationBench 的最大降幅为 38.2 分。对三个模型执行过程的统计还显示,它们在两项 Pro 基准上平均调用了更多工具。Pro 版本同时扩展了调用长度、环境范围与依赖关系,这组结果反映了整套任务升级带来的执行难度。

实验结果 3: 环境与数据规模分析

研究团队分别调整训练数据比例和训练环境覆盖比例,考察模型表现随规模扩展的变化。前者检验增加合成样本的收益,后者检验扩大工具与环境覆盖的作用,两组实验分别控制相应的规模变量。

图 6 数据与环境规模实验。上排逐步扩大训练数据比例,下排逐步扩大训练环境比例。(论文图 7)

随着合成数据与训练环境覆盖范围扩大,模型表现总体持续改善,但不同任务的收益曲线存在差异。AutomationBench 在较低的环境覆盖率下就出现明显提升,银行交互任务的收益则更多出现在覆盖率较高时。作者将这一差异与任务依赖的工具范围联系起来,通用办公涉及更广的跨服务组合,银行任务则更集中于特定业务状态的操作。

研究团队进一步比较了两种环境选择方式,分别使用与评测最相关的一半环境,以及随机抽取的一半环境。在 AutomationBench、SkillsBench、BFCL V4 和 OfficeQA Pro 上,两者的最大分差为 1.7,且均接近全量环境训练的结果。在这组对照中,按评测相关性筛选环境带来的额外收益有限,支持了工具组合训练在不同环境之间的迁移潜力。

总结

ToolSpace 将环境合成的起点从数据转向工具,从执行轨迹中提取工具依赖、构建组合图,再按需组织环境并合成跨环境任务。通过调节调用长度与环境范围,系统能够扩展任务复杂度,并以状态检查、失败回退和回放验证为样本提供可核验的执行依据。训练、评测及分析实验展示了这一路径的应用潜力,为长程智能体提供了一种可扩展、可验证的环境与任务合成方法。

这项工作的价值在于,将真实工具的组合关系引入环境与任务合成,为训练能力向实际工作流迁移提供基础。随着工具及其连接不断扩展,同一套框架可以覆盖更多跨服务协作场景,并通过按需构建底层数据减少环境合成工作量。训练数据与评测任务也能沿着共同的工具空间持续扩展,为研究智能体在更长流程、更多环境中的泛化能力提供支撑。

作者与团队信息

研究团队主要来自中国人民大学和复旦大学。其中本论文的共同第一作者为董冠霆、孙志超与杨欣羽,通讯作者为桂韬和窦志成。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 刚刚,Anthropic公开Opus 5.5同款自主Agent架构:算力成本狂降78%

    阅读之前记得关注+星标⭐️,,每天才能第一时间接收到更新 真正能全天候自主干活的AI Agent,平时绝大多数时间都在睡觉,只有来任务时才会醒过来。所谓的全天候运行,只是用户层面的感知。Anthropic发了一篇工程文章首次披露了这种自主智能体的完整底层架构。过去几个月,自主型Agent迎来爆发。爆发的核心原因在于底层

    来源 腾讯网
  2. 跑步机看Netflix要再交39美元会员费,老外用Claude破解

    对老狐来说,每个月总要有些订阅软件服务的开销,比如 AI 的、网盘的、资讯的……这年头已经不流行一劳永逸的买断了,必要的服务该订阅还是得订阅。既然已经掏钱买了会员,自然会默认为跨平台都能通用。但总有些厂商不讲武德,明明已经买了一款软件的会员,结果在别的平台用的时候居然还得掏钱?不知道大家有没有过这种经历,而最近国外 R

    来源 腾讯网
  3. AI自己造的harness靠谱吗?中科院计算所团队推出Doc2Harness评测

    你可能听说过GPT、Claude这些大模型能自己写代码、改bug、完成复杂的软件工程任务。但很少有人意识到,这些模型能做到多好,其实有一大半功劳不在模型本身,而在一个叫"harness"的东西上。harness:可以理解为AI智能体的工作外壳,它负责管理对话轮次、调用各种工具(读文件、写文件、执行命令)、处理权限、保存

    来源 腾讯网
  4. Claude Fable5.2上线:70万笔触代码作画,不靠扩散模型

    Anthropic 当地时间11月9日发布 Claude Fable5.2与 Mythos5.2。该公司无传统文生图模型,Fable5.2却能以代码在虚拟画布上模拟画笔逐笔作画,还原笔刷纹理、颜料湿度与画布质感并可修正错误。不同于 Midjourney 等扩散模型从噪声生成图像,它把绘画拆解为笔触指

    来源 AI 开发者社区
  5. Opus 5.5自主搭建AI算力底座:CMU新论文称人类基线失守

    新智元报道 短短一周内,黄仁勋从英伟达几乎「净身出户」,消息被疯狂刷屏。当人们还在吃瓜时,卡内基梅隆大学(CMU)刚刚发布的一篇新论文,炸懵了所有的AI工程师。核心结论只有一句话:超级智能已经学会了自主构建并优化算力底座,或已具备通往奇点所需的技能。需要注意的是,这里的奇点更多说的是「递归自我改进」:奇点...

    来源 腾讯网
  6. Cursor密钥泄露:恶意Claude Code扩展波及5000开发者

    Cursor于2026年11月14日确认安全事件:Fireworks AI密钥被盗后,攻击者于10月29日上传恶意Claude Code扩展版本2.1.312和2.1.313,约5000名开发者可能安装带SSH后门的版本。事件暴露AI工具链凭据泄露风险,Cursor已迁移推理流量并重建市场。

    来源 AI 行业观察
  7. 腾讯 Hy4 flash 实测:快速、实惠、聪明,国模进入过日子时代

    作者|Cynthia编辑|郑玄过日子的风,还是吹到了大模型行业。2026 年之前,一款模型能不能刷屏,往往取决于它又做到了什么。GPT-4o 的实时语音交互、Claude 的编程能力、DeepSeek R1 的推理表现,一度轮番成为讨论焦点。一款新模型发布,大家首先关心的是它超过了谁,又做到了什么过去做不到的事。但到了

    来源 腾讯网
  8. 个人智能体咋总掉线?9顶校发布126页「持续在线智能体」路线图

    新智元报道 个人智能体,正在迎来一场前所未有的密集爆发。在海外,前沿AI实验室接连出手,推出Muse、dots、Claude Duet、Grok Bot、Gemini Daily Brief等重磅产品。它们不再只是被动地等待用户提问:有的在对话结束后继续在云端默默干活,有的每天清晨准时送来定制简报,还有的每隔几小时自动

    来源 腾讯网
  9. Claude安全对齐:小宪法如何约束模型行为

    Constitutional AI 不只是给模型贴道德标签,而是把原则写进训练和评估流程。本文拆解 critique-revision 机制、RLAIF 反馈循环,并教你怎么为企业应用编写可测试的“小宪法”,让 AI 在隐私、权限和事实准确性上不再胡来。

    来源 AI 应用前沿
  10. Fable 5.2发布:套壳Agent的编排壁垒还能撑多久?

    Fable 5.2发布后没几天,国内社交平台上流传过一款“国产自研3A射击游戏”,页面写着由Fable 5.2自主研发。 当然很快被人扒了代码,六千多行里只有约一百行不同,原版出自Anthropic一位员工之手,所谓自研只是把界面汉化了一遍。 这件事倒是很能说明Fable 5.2在国内的处境。 讨论的人多,真正用上的人

    来源 AI 行业观察
  11. Anthropic、OpenAI抢滩个人财务:AI帮你管钱,谁有资格动这笔钱?

    AI开始碰触普通人最敏感的一部分生活:银行卡里还有多少钱,下个月需要还多少账单,以及这些钱最终会花到哪里。 11月初,Anthropic推出Claude个人财务测试版。很快,OpenAI也相对应地发布了ChatGPT Wallet。前者通过连接账户帮助用户看账,后者已经允许智能体在用户确认后完成购物支付。 两家的功能不

    来源 AI 行业观察
  12. 十种自我蒸馏方法同台横评:132次训练花了12124.4个H800 GPU小时

    2026年,如果你在凌晨刷arXiv,大概每隔两天就会看到一篇新论文宣称自己找到了训练AI智能体的更好方法。这不是夸张的说法。有研究者统计过,过去三个月里,专门研究"自我蒸馏"这个方向的论文多达47篇,平均每1.9天就有一篇新作发布。这个速度放在任何一个科研领域都堪称疯狂,相当于一个足球联赛,每隔一场比赛就冒出一个新的

    来源 腾讯网
  13. 谷歌DeepMind战略主管Jasjeet Sekhon跳槽加入Anthropic

    谷歌DeepMind首席战略官Jasjeet Sekhon于周一官宣离职,将加盟Anthropic。他在X平台发文称:“我的工作目标是推动 Claude 模型践行并恪守认知严谨性。”Anthropic发言人证实了此次聘用。领英资料显示,在加入谷歌之前,塞洪曾任桥水基金首席科学家与AI负责人,更早之前是耶鲁大学教授。(财

    来源 AI 行业观察
  14. 英伟达CEO黄仁勋辞职,OpenAI模型安全与资本争议升温

    英伟达领导层变动、Anthropic拟上市与财报窗口,使AI交易从增长叙事转向现金流、资本效率和治理连续性验证;美国将先进芯片出口管制延伸至远程算力与最终用户审查。OpenAI在儿童安全、媒体分发与健康研究上推进基础设施化,同时因自主智能体安全遭加州起诉。Claude Fable 5.2展现过程智能,谷歌Gemini4

    来源 钛媒体
  15. Taste Skill 开源:把前端审美写成 AI 能读的规则

    很多AI生成的前端页面虽然功能正常,但总有一股廉价的“塑料味”。Taste Skill不是一个新框架,而是一套给AI代理看的“审美说明书”。它通过SKILL.md文件,将排版、留白、动效等设计原则转化为模型能理解的约束条件。你可以把它挂载到Cursor或Claude Code中,让AI在写代码时自动遵循更高级的视觉规范

    来源 AI 应用前沿
  16. OpenAI与Meta同日打通代理支付:Agent商业闭环成了?

    作者|桦林舞王编辑|靖宇Agent 能进门了,也能付钱了。Agent 替用户「消费」的时代,终于到来了。美国时间 2026 年 11 月 13 日,两家公司两场发布会同天发生。一边是企业级对话式智能体公司 Sierra 联合 Meta 正式发布个人代理协议 Poppy v1.0,解决助手怎么「进门」的问题;另一边是 O

    来源 腾讯网
  17. 知乎推出Paper开源计划:论文与讨论打通,科研作者可绑定身份

    知乎把论文阅读与社区讨论连接了起来。近日,2026知乎科学季收官。除了邀请科研人员参与线下交流,知乎还在科学季期间推出“Paper开源计划”,将论文关联、讨论入口和研究者身份绑定纳入社区功能。基于这项计划。用户阅读论文时,可以通过插件查看知乎上的相关讨论;社区问题可以关联论文卡片,方便读者查阅原始研究;科研...

    来源 腾讯网
  18. NEO-VLA:像素直出动作,具身模型怎么吃透视觉细节?

    让机械臂把网球稳稳放到易拉罐上,既要识别物体,也要判断网球是否对准罐顶,以及何时松开夹爪。这些看似简单的操作,往往依赖细微的视觉信息。问题在于,动作模型能否充分利用这些信息?近日,来自南洋理工大学 S-Lab、商汤研究院与 Ropedia 的研究团队提出 NEO-VLA,将原生视觉语言模型引入机器人动作学习。图像经过轻

    来源 腾讯网
  19. CataX AI种轮融资4000万:Agent原生推进新药临床开发

    近日,上海凯思达生物医药科技有限公司 宣布完成4000万元人民币种子轮融资,由启明创投孵化并独家投资。CataX AI创立于上海,是一家智能体原生的创新药研发公司。CataX AI聚焦临床开发端,以智能体为技术底座,并由此构建“Clinical-of-One”这一全新的组织范式,计划通过许可引进或共同开发,推动临床前及

    来源 TechWeb
向下滚动自动加载更多