首页 >> 综合 > 快讯 >

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

2026-11-18 08:20:03 来源:网易 编辑:翁华玛 

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

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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。

 
最新文章
站长推荐