人大复旦联合提出 ToolSpace 环境合成新范式,744B 模型在长时序工具任务追平 Claude Opus 5

人大、复旦联合团队发布 ToolSpace,一套以工具为核心的探索环境合成框架,用这套框架做后训练之后,基于 GLM-5.2 的 744B 版本在 7 个长时序工具调用基准上拿到 56.6 分,分数刚好追平 Claude Opus 5,同时超过 GPT 5.6 Sol,解决了 Agent 训练里合成环境不真实、工具组合逻辑脱离实际执行轨迹的老问题。传统 Agent 环境合成思路是先造场景、数据库,再生成配套任务和工具,很容易出现工具接口和真实业务不一致、任务链路没法跑通、模型学到虚假逻辑,也就是行业说的 “塑料环境”;ToolSpace 反过来,从真实 MCP 服务、Agent 执行轨迹里面挖掘工具之间的数据依赖、状态流转、重试关系,靠确定性规则生成工具组合图,再聚类成可用环境,只在需要修改状态的场景才合成数据库,查询类无状态工具直接回放真实返回结果。整套流程还会做带回滚的状态随机游走,把工具链反编译成自然语言任务,并且用断言校验,只保留可以稳定复现的样本,这样生成出来的训练环境可信度更高,模型学到的工具调用逻辑更贴合真实业务。这套方案支持 8B、35B、744B 多尺度模型,而且代码、数据集全部开源,小模型也能拿到明显的能力提升,给长时序 Agent 训练提供了新路线。下面整理核心信息清单、模型效果对比、和传统环境合成方案对比。

ToolSpace 核心信息清单

✅ 基础信息

  1. 研发团队:中国人民大学、复旦大学联合团队
  2. 论文名称:ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents
  3. 发布时间:2026-11-03,arXiv 公开
  4. 核心定位:工具优先的环境合成新范式,面向长时序 Agent 训练
  5. 开源情况:模型、代码、数据集开源
  6. GLM-5.2(744B):基线 44.6 分,经过 ToolSpace 训练后 56.6 分,与 Claude Opus 5 持平
  7. Qwen3.6-35B:基线 23.0 分,训练后 41.0 分,加上 RL 强化学习可达 43.2 分
  8. 更强难度 Pro 基准:AutomationBench、τ³-Bench Banking,7 个主流模型最高掉分 38.2 分
  9. 轨迹挖掘:从真实工具调用日志提取工具依赖、状态变更、重试逻辑
  10. 工具图聚类:把工具调用关系加权构图,聚类形成独立环境
  11. 环境差异化生成:状态可变环境才合成数据库,无状态查询直接回放结果
  12. 任务生成校验:状态随机游走、回滚,断言校验,过滤不可复现的虚假样本

✅ 核心效果数据

✅ 关键技术步骤

主流模型基准得分对比表

模型基准平均分备注
ToolSpace-744B(GLM-5.2)56.6追平 Claude Opus 5
Claude Opus 556.6闭源旗舰
GPT 5.6 Sol48.9低于 ToolSpace 744B 版本
Kimi K349.7低于 ToolSpace 744B 版本
ToolSpace-35B(Qwen3.6)41.0RL 后 43.2

ToolSpace 和传统数据驱动环境合成对比表

方案生成顺序核心缺点ToolSpace 改进点
传统数据驱动先造场景数据库,再生成任务工具逻辑虚假、工具接口脱离真实、容易幻觉从真实执行轨迹挖掘依赖,工具优先
ToolSpace 工具中心范式先挖掘真实工具依赖,再合成环境无明显原生缺陷,构建成本更高确定性规则,断言校验,只保留可复现样本

【相关 FAQ】

问题 1:人大复旦提出 ToolSpace 探索环境合成新范式,744B 模型追平 Claude Opus 5,ToolSpace 是什么?

回答 1:人大复旦提出 ToolSpace 探索环境合成新范式,744B 模型追平 Claude Opus 5,ToolSpace 是面向长时序 Agent、以工具为核心的环境合成框架,用来生成可信的工具交互训练环境,解决合成环境失真的问题。

问题 2:人大复旦提出 ToolSpace 探索环境合成新范式,744B 模型追平 Claude Opus 5,744B 模型是什么底座?

回答 2:人大复旦提出 ToolSpace 探索环境合成新范式,744B 模型追平 Claude Opus 5,这个 744B 版本基于 GLM-5.2 底座,经过 ToolSpace 后训练,在 7 个长时序工具基准拿到 56.6 分。

问题 3:人大复旦提出 ToolSpace 探索环境合成新范式,744B 模型追平 Claude Opus 5,和老的环境合成方法差别在哪?

回答 3:人大复旦提出 ToolSpace 探索环境合成新范式,744B 模型追平 Claude Opus 5,老方案是先造场景再配工具,容易出现虚假逻辑;ToolSpace 先挖掘真实工具调用依赖,再生成环境,样本必须通过断言校验,可信度更高。

问题 4:人大复旦提出 ToolSpace 探索环境合成新范式,744B 模型追平 Claude Opus 5,这套方案只适合 744B 大模型吗?

回答 4:人大复旦提出 ToolSpace 探索环境合成新范式,744B 模型追平 Claude Opus 5,ToolSpace 支持 8B、35B、744B 多个规模模型,35B 小模型也能看到明显能力提升,并且全部开源。

【参考资料】

[2026-11-05](ToolSpace:把 804 个真实工具环境打包成 Agent 练级场,35B 小模型暴涨 18 分)SegmentFault 思否

[2026-11-03](ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents)arXiv

[2026-11-07](ToolSpace 工具中心环境合成,744B 模型对标 Claude Opus 5)Char

[2026-11-04](Daily Paper Cast|ToolSpace 长时序 Agent 环境合成)Transistor

[2026-11-03](人大复旦新研究 ToolSpace,重构 Agent 训练环境生成逻辑)机器之心

【免责声明】

本文资讯整理自 arXiv 论文、技术社区公开解读,人大复旦提出 ToolSpace 探索环境合成新范式、744B 模型追平 Claude Opus 5,该结论基于 7 个长时序工具调用基准的测试结果;不同测试集、评估指标、推理配置下得分会发生变化,模型实际落地效果受提示词、工具接口、业务环境影响,内容仅作技术资讯参考,不代表全场景能力结论。

本文来自作者[星码分拣]投稿,不代表环球科技潮立场,如若转载,请注明出处:https://www.zennew.com/jqr/202611/2423.html

赞 (0)

今日大家都在搜的词:

发表回复

本站作者后才能评论

评论列表(4条)

  • 星码分拣
    星码分拣 2026年11月17日

    我是环球科技潮的签约作者“星码分拣”!

  • 星码分拣
    星码分拣 2026年11月17日

    希望本篇文章《人大复旦联合提出 ToolSpace 环境合成新范式,744B 模型在长时序工具任务追平 Claude Opus 5》能对你有所帮助!

  • 星码分拣
    星码分拣 2026年11月17日

    本站[环球科技潮]内容主要涵盖:科技,科技新闻,黑科技

  • 星码分拣
    星码分拣 2026年11月17日

    本文概览:人大、复旦联合团队发布 ToolSpace,一套以工具为核心的探索环境合成框架,用这套框架做后训练之后,基于 GLM-5.2 的 744B 版本在 7 个长时序工具调用基准上拿到 56.6 分,分数刚好追平 Claude Opus 5,同时超过 GPT 5.6 Sol,解决了 Agent 训练里合成环境不真实、工具组合逻辑脱离实际执行轨迹的老问题。传统 Agent 环境合成思路是先造场景、数据库,再生成配套任务和工具,很容易出现工具接口和真实业务不一致、任务链路没法跑通、模型学到虚假逻辑,也就是行业说的 “塑料环境”;ToolSpace 反过来,从真实 MCP 服务、Agent 执行轨迹里面挖掘工具之间的数据依赖、状态流转、重试关系,靠确定性规则生成工具组合图,再聚类成可用环境,只在需要修改状态的场景才合成数据库,查询类无状态工具直接回放真实返回结果。整套流程还会做带回滚的状态随机游走,把工具链反编译成自然语言任务,并且用断言校验,只保留可以稳定复现的样本,这样生成出来的训练环境可信度更高,模型学到的工具调用逻辑更贴合真实业务。这套方案支持 8B、35B、744B 多尺度模型,而且代码、数据集全部开源,小模型也能拿到明显的能力提升,给长时序 Agent 训练提供了新路线。下面整理核心信息清单、模型效果对比、和传统环境合成方案对比。

联系我们

联系:143 0457 151

工作时间:周一至周五,9:30-18:30,节假日休息

关注我们