ToolSpace 发布工具中心跨环境智能体合成框架,优化长程任务并搭建高难度评测基准
ToolSpace 是人大、复旦、上交团队推出的工具优先型智能体环境合成框架,和传统先造场景再配工具的方案思路相反,它从真实工具调用轨迹里提取依赖关系,生成跨多个环境的可执行任务,既能用来训练提升智能体长程任务的完成能力,也产出了难度更高的评测基准。过去同类方案大多是以数据为中心,先搭建数据库、编造业务场景,再配套生成工具,这样做出来的工具接口经常和真实系统不一致,工具串联缺少实际执行依据,任务也大多局限在单一环境里,很难模拟现实里跨系统联动的复杂工作流。ToolSpace 会先解析 MCP 服务、智能体公开日志里的调用记录,挖掘状态传递、参数依赖、重试逻辑,构建工具组合图,再通过带回滚机制的状态随机游走生成可复现的任务,搭配断言校验,过滤掉跑不通的样本。在实验环节,基于 ToolSpace 生成的数据训练后,多款主流大模型的长程工具调用指标明显上涨,同时团队还升级了 AutomationBench、τ³-Bench Banking 两个基准的 Pro 版本,用来更严格测试智能体能力。总的来说这套框架改变了智能体训练环境的生成顺序,让训练任务更贴近真实业务里跨系统编排工具的场景。
ToolSpace 核心工作流程清单
- 轨迹挖掘:读取真实工具调用日志,提取数据依赖、状态变更、重试关联关系,用确定规则构建加权工具组合图
- 环境聚类:根据工具之间的关联,划分出不同环境,只在会修改状态的环境里生成配套数据库,无状态查询工具直接复用历史返回结果
- 任务采样:带回滚的状态感知随机游走,生成连续工具调用链路
- 校验过滤:把调用链转成自然语言任务,增加断言校验,只保留可以稳定复现的有效样本
- 产出两类产物:训练数据集、高难度评测基准
实验关键结果
| 项目 | 结果说明 |
|---|---|
| 评测升级 | AutomationBench Pro、τ³-Bench Banking Pro,7 个前沿模型在新基准上分数最高下降 38.2 分 |
| Qwen3.6-35B-A3B | 平均分由 23.0 提升至 41.0,强化学习后可达 43.2 |
| GLM-5.2 | 平均分由 44.6 提升至 56.6,和 Claude Opus 5 持平 |
适用场景
✅ 适合:需要跨多系统调用工具的办公智能体、自动化流程 Agent、企业内部工作流智能体、长链工具调用评测
❌ 不适合:纯文本对话、不需要调用外部工具的生成类任务
【相关 FAQ】
问题 1:ToolSpace 这个跨环境智能体合成框架,和以往环境合成方案最大差别是什么?
回答 1:传统方案以数据和场景为先,ToolSpace 是工具优先,从真实执行轨迹提取依赖构建工具图,任务天然支持跨环境串联,工具组合有真实调用记录作为依据。
问题 2:ToolSpace 除了提升长程任务性能之外,还产出了什么高挑战评测基准?
回答 2:ToolSpace 产出 AutomationBench Pro、τ³-Bench Banking Pro 两个升级基准,难度更高,可以用来检验智能体处理复杂工具任务的上限。
问题 3:ToolSpace 生成的跨环境智能体任务,怎么保证任务是可以稳定复现的?
回答 3:ToolSpace 采用带回滚的状态随机游走生成调用链,同时增加断言校验机制,只保留从初始状态可以成功回放执行的样本,保证任务可复现。
问题 4:ToolSpace 训练出来的智能体,在长程工具任务上提升幅度大概是什么水平?
回答 4:在 7 个长程工具评测集合上,Qwen3.6-35B-A3B、GLM-5.2 都有明显上涨,GLM-5.2 经过训练之后分数追平 Claude Opus 5。
【参考资料】
[2026-11-17](744B 模型追平 Claude Opus 5,人大复旦提出 ToolSpace 探索环境合成新范式)新浪财经
[2026-11-17](ToolSpace: Tool-Centric Environment Synthesis Framework Trains 744B Model to Match Claude Opus 5)PicX AI News
[2026-11-03](ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents)arXiv
[2026-11-04](Daily Paper Cast | ToolSpace 论文解读)Transistor
【免责声明】
本文信息整理自 ToolSpace 论文与科技媒体报道,框架效果受模型基座、工具集、任务复杂度影响;基准难度、模型跑分均为论文内实验条件下的测试结果,不代表线上生产环境表现,不构成 Agent 项目选型、采购的决策依据。
相关阅读
- OpenAI 推出 GPT-6.2 Astra 与 Sol,性能超越 Fable 5.2,任务成本仅为对手 5%
- 苹果破例签长约,拟与三星达成 4 至 5 年 DRAM 供货协议
- iPhone Duo 铰链卡死被拒保,博主发邮件给库克后事件反转
- 京东三季度营收 3096 亿元,服务收入占比创下历史新高
- 数毛社分析《GTA6》主机版锁定 30 帧,PS5 Pro 也无法实现 60 帧
- Google Antigravity 新版完成改版,多 Agent 管理界面呈现全新设计趋势
- ToolSpace 发布工具中心跨环境智能体合成框架,优化长程任务并搭建高难度评测基准
- 微软发布自研医疗语音大模型 MAI-Transcribe-2,Dragon Copilot Transcribe 完成全面升级
- 快手可灵 AI 发布 Kling Image 4.0支持原生 8K、2000 字图文同生与 10 图连贯组图生成
- 耐克发布 “全速前进” 战略,锁定五大专业运动 + 23 国重点市场,目标 2031 财年新增营收 50 亿、利润率 12%-14%
- 英伟达 2027 财年前三季度营收 1158 亿美元,数据中心业务领跑
- OVHcloud 推出首个 AI 模型家族 Olala,首款开源模型 Olala mini 7A1B 支持 8GB 显存运行
- 微软推出 Microsoft-Decision-1.1 专用决策 AI 模型,主打结构化判断、多模态输入与人工协同
- 《大迁离》大女主登场女版 Jun Aslan(FemJun)由 Carina Conti 配音出演
- 佰维 SP5010 企业级 122.88TB SSD 亮相,顺序读取速度可达 12500MB/s
- 抢跑 iPhone 20 Pro三星无边框旗舰曝光,正面近乎全是屏观感惊艳
-
OpenAI 正式对外发布 GPT-6 2 Astra 和 GPT-6 2 Sol 两款新模型,两款模型主打更少 Token 消耗、更...浏览全文>>
-
根据韩国行业媒体消息,苹果正在和三星电子磋商一份为期 4 到 5 年的 DRAM 长期供货协议,预计在明年上...浏览全文>>
-
数码博主陈抱一的 iPhone Duo 出现铰链卡死故障,一开始在苹果售后送修被拒保,多次沟通没有结果,博主直接...浏览全文>>
-
京东在 11 月 17 日发布最新三季度财报,财报显示京东第三季度整体收入达到 3096 亿元,同比上涨 3 5%...浏览全文>>
-
游戏技术媒体数毛社(Digital Foundry)发布分析结论,R 星确认《GTA6》在 PS5 Pro 在内的所有本世代主机...浏览全文>>
-
9521 并不是传统国有大行全国统一客服热线,它属于企业级呼叫中心短号,一般是持牌消费金融公司或者互联网信...浏览全文>>
-
Google Antigravity 近期推出重大 UI 改版,这套面向多 Agent 编排的管理界面不再只偏向程序员代码开发...浏览全文>>
-
ToolSpace 是人大、复旦、上交团队推出的工具优先型智能体环境合成框架,和传统先造场景再配工具的方案思路相...浏览全文>>
-
微软在 Ignite 2026 大会上正式推出自研医疗语音转写模型 MAI-Transcribe-2,并且医疗 AI 产品 Dragon Copilot Transcribe 已经 浏览全文>>
-
快手可灵 AI 正式上线图像模型 Kling Image 4 0,这一代模型有三大核心能力升级,原生支持 8K 图片输...浏览全文>>
- 苹果破例签长约,拟与三星达成 4 至 5 年 DRAM 供货协议
- 数毛社分析《GTA6》主机版锁定 30 帧,PS5 Pro 也无法实现 60 帧
- 耐克发布 “全速前进” 战略,锁定五大专业运动 + 23 国重点市场,目标 2031 财年新增营收 50 亿、利润率 12%-14%
- 英伟达 2027 财年前三季度营收 1158 亿美元,数据中心业务领跑
- OVHcloud 推出首个 AI 模型家族 Olala,首款开源模型 Olala mini 7A1B 支持 8GB 显存运行
- 巴中二中在四川排第几 排名情况详解
- 《大迁离》大女主登场女版 Jun Aslan(FemJun)由 Carina Conti 配音出演
- Tim 兑现早前承诺,影视飓风全员放假一天畅玩《GTA6》
- OpenAI GPT-6.2 Astra 与 Sol 双模型上线,长程任务成本仅 Fable 5%
- 微软发布 MAI Image 2.7 与 Flash 版模型,同步推出交互式图像创作空间 Canvas
- iPhone Duo 铰链卡死被拒保,博主发邮件给库克后事件反转
- ToolSpace 发布工具中心跨环境智能体合成框架,优化长程任务并搭建高难度评测基准
- 快手可灵 AI 发布 Kling Image 4.0支持原生 8K、2000 字图文同生与 10 图连贯组图生成
- 巴西龟怎么养啊 全套饲养入门详解
- 老黄想回来 做梦英伟达董事会明确表态,不让黄仁勋复职 CEO
- 微软发布 MAI Cyber 2 Flash 专用安全大模型,漏洞发现率 92.3%,成本不足竞品 2%
- 淘金币可以做什么 抵扣兑换与使用规则详解
- 巴基斯坦时间与北京时间的时差 时区换算详解
- 微软表示客户重心转向 Agent 落地部署,安全信任管控成为核心诉求
- Inkling 拿下 FutureSim 评测最佳开放权重模型,长周期预测与 Agent 任务表现突出
- 微软推出 Microsoft-Decision-1.1 专用决策 AI 模型,主打结构化判断、多模态输入与人工协同
- 央行是指哪家银行 中国人民银行职能详解
- OpenAI 推出 GPT-6.2 Astra、Sol 双模型Astra 主打专业智能体任务,Sol 负责日常高效场景,整体成本下调
- 微软发布企业级语音对语音 AI 模型 MAI Realtime 1,支持实时打断、嘈杂环境识别
- 巴黎时间差 中法时差详细说明
- 神 24 船箭组合体转运至发射区,将搭载外籍航天员择机发射
- TGA2026 年度游戏提名正式出炉,GTA6、影之刃零共同入围角逐大奖
- 平安银行几点下班 网点营业时段详细说明
- GPT-6.2 Astra 拿下 AA-3D 基准第一,文本生成交互式 3D 场景能力领跑榜单
- 微软 Ignite 大会纳德拉公布前沿生态三大架构原则,推出 Copilot Workspaces
- 微软正式启动 AI 透明度计划,联合多家企业共建 AI 开放行业标准
- Lightspeed 领投 ComputeDesk 4500 万美元融资,打造算力金融对冲基础设施
- Hugging Face 上线 Qwen3.8-27B-pi-adapted 适配模型,基于 Qwen3.8-27B 底座做 Pi 场景微调
- MSIgnite 官宣 Microsoft Perception 正式全面上线
- 黄仁勋公开认错承认个人生活犯错,承诺全力配合独立调查
- 微软 MSIgnite 大会发布多款全新 MAI 模型,新增安全、代码等专项能力
- GTA6 提前拿到近乎满分评价,登顶全球多数 PS 商店畅销榜
- 黄金铂金哪个更好 选购对比与适用场景说明
- 八英寸披萨多大 尺寸详细讲解
- Gartner 指出 AI 智能体在生产环境表现经常和测试环境不一致,落地存在明显可靠性落差
