WorkForge Inafanya kazi

WorkForge ni mfumo wa kujenga mazingira ya mafunzo ya mawakala wenye akili, uliotengenezwa kwa pamoja na Tencent Hunyuan na Chuo Kikuu cha Fudan. WorkForge huanzia kwenye michoro ya mtiririko wa kazi ya wataalamu, hutafuta kiotomatiki rasilimali za ulimwengu halisi ili kujenga eneo la kazi, na huzalisha majukumu pamoja na viwango vya uthibitishaji wa pande mbili kwa kutegemea ukweli wa eneo la kazi, hivyo kuwawezesha mawakala kuzalisha data ya mfuatano wa utekelezaji. WorkForge tayari imeunda mazingira 16.7K yanayoweza kuthibitishwa, yakihusisha nyanja 40 za kitaalamu, na inaweza kuongeza alama ya GDPval ya modeli ya 35B kwa pointi 28, na kuifikisha karibu na kiwango cha modeli za kisasa.

Ujenzi wa michoro ya matukio: Huweka uzoefu wa wataalamu katika violezo vya mtiririko wa kazi vinavyoweza kutumiwa tena, na kufafanua bidhaa za mwisho, rasilimali zinazohitajika na maeneo muhimu ya kufanya maamuzi.
Uundaji wa maeneo halisi ya kazi: Wakala wa ukusanyaji hutafuta na kupakua hazina halisi za misimbo, seti za data na nyenzo za wavuti kutoka mtandaoni, kisha huunda eneo la kazi kwa kuhifadhi muundo asilia wa saraka.
Uchambuzi wa mazingira na uchimbaji wa mihimili ya ukweli: Hubaini kiotomatiki jukumu na utegemeano wa kila faili, na kurekodi “ushahidi wa ukweli” unaoweza kuthibitishwa moja kwa moja.
Uzalishaji wa majukumu: Huchanganya mchoro na uchambuzi wa mazingira ili kutoa maagizo ya majukumu yanayotokana na maudhui halisi ya eneo la kazi, pamoja na suluhisho la marejeo lililofichwa.
Utaratibu wa uthibitishaji wa pande mbili: Ukaguzi wa kiprogramu huthibitisha nambari na uundaji wa faili, huku mwamuzi wa LLM akitathmini ubora wa kisemantiki kwa kutumia vigezo vya alama.
Ukusanyaji na upangaji wa mfuatano: Wakala hujitekeleza ukiwa na mwonekano wa eneo la kazi na maelezo ya jukumu pekee; mchakato mzima pamoja na alama huhifadhiwa kama data ya mafunzo.
Uzalishaji wa mazingira kwa kiwango kikubwa: Kwa hatua moja, huzalisha mazingira 16.7K ya kazi yanayoweza kuthibitishwa, yakihusisha nyanja 40 za kitaalamu na aina 60 za faili.
Mafunzo ya baada ya awali ya mawakala: Hutumia mifuatano mirefu iliyozalishwa kurekebisha modeli, na kuboresha kwa kiasi kikubwa uwezo wake wa kutekeleza majukumu ya kikazi.

Muundo wa pamoja wa majukumu na uthibitishaji unaoendeshwa na mihimili ya ukweli: Msingi wa WorkForge ni kwamba uwezo wa kuunda jukumu na kuthibitisha matokeo hutegemea ukweli unaoweza kuonekana ndani ya eneo la kazi. Kwanza hufanya uchambuzi kamili wa eneo la kazi (Profiling), na kutoa majukumu ya faili, utegemeano kati ya faili na rekodi za ukweli zinazoweza kuthibitishwa. Maagizo ya majukumu, suluhisho la marejeo, vipengele vya ukaguzi wa kiprogramu na vigezo vya tathmini ya kisemantiki vyote hutokana na mihimili hii ya ukweli; ukweli muhimu katika suluhisho la marejeo pia hukaguliwa tena katika eneo la kazi.
Ujenzi wa utata wa mazingira unaoendeshwa na rasilimali halisi: Tofauti na maeneo ya kazi yaliyoundwa na LLM, WorkForge hutumia wakala wa ukusanyaji kutekeleza mzunguko wa kutafuta—kusoma—kupakua—kuhakiki kwa marudio, huku ikikusanya rasilimali kutoka hazina na seti za data halisi na kuhifadhi muundo wake wa asili wa saraka. Majaribio ya kulinganisha yanaonyesha kuwa maeneo ya kazi halisi yana faili mara 5.4 zaidi na aina za faili mara 2.4 zaidi kuliko mazingira yaliyoundwa; ushahidi umetawanyika katika mti mzima wa saraka badala ya kujikita kwenye faili chache, jambo linalomlazimisha wakala kuchunguza kwanza kisha kufanya uamuzi, na hivyo kuunda msuguano halisi wa uendeshaji pamoja na mahitaji ya mwingiliano wa muda mrefu.
Uthibitishaji wa njia mbili: wa kiprogramu na kisemantiki: Moduli ya uthibitishaji ina sehemu mbili zinazokamilishana. Kithibitishaji cha kiprogramu hukagua mahitaji bainifu, kama usahihi wa nambari, uundaji wa faili lengwa na kama hali ya eneo la kazi inavyotarajiwa, kisha hutoa alama kwa kutumia kazi kiashirio. Kithibitishaji cha kisemantiki humsanidi mwamuzi wa LLM kupitia maagizo ya jukumu ili kutoa alama kwa bidhaa huria za mwisho kulingana na vigezo vya alama na kuziweka katika kiwango kimoja. Alama za njia hizi mbili huhifadhiwa kando; majaribio yanaonyesha kuwa uchujaji mseto unaozichanganya (ALE 22.11) ni bora zaidi kuliko kutumia ishara yoyote moja (15.62 / 14.89), kwa sababu uthibitishaji wa aina hizi mbili hunasa vipengele tofauti vya ubora wa bidhaa ya mwisho.

Kwa sasa WorkForge ni mfumo wa utafiti; makala haijataja njia ya umma ya kupata msimbo au seti ya data huria.

Uhalisia mkubwa zaidi: Huunda maeneo ya kazi moja kwa moja kutoka rasilimali halisi za ulimwengu; idadi ya faili, idadi ya aina na ukubwa wake ni mara 5.4, 2.4 na 13 mtawalia ya mazingira yaliyoundwa na LLM, huku ushahidi ukitawanyika katika mti wa saraka badala ya kufichuliwa katika sehemu moja.
Uthibitishaji unaoweza kufuatiliwa: Majukumu, suluhisho la marejeo na viwango vya alama vyote hutokana na “mihimili ya ukweli” ya eneo la kazi, na ukweli muhimu hukaguliwa tena katika eneo hilo, hivyo kuzuia mahitaji ya tathmini yanayotokana na dhana za kubuniwa.
Uthibitishaji wa pande mbili unaokamilishana: Ukaguzi wa kiprogramu (nambari/faili) unaunganishwa na tathmini ya kisemantiki ya LLM, na uchujaji mseto unazidi kwa mbali matumizi ya ishara yoyote moja.
Mafunzo ya mwingiliano wa muda mrefu: Mifuatano halisi ya uchunguzi yenye wastani wa hatua 31.8 na tokens 7.6 elfu humfundisha modeli mchakato kamili wa kazi wa kuchunguza, kukusanya ushahidi, kusahihisha makosa na kuwasilisha matokeo.
Uwezo wa kiwango kikubwa: Bomba moja huzalisha mazingira 16.7K katika nyanja 40, na kupunguza kwa kiasi kikubwa gharama za uhandisi ikilinganishwa na ujenzi wa mazingira kwa mikono.
Ongezeko kubwa la utendaji: Alama ya GDPval ya modeli ya A3B huongezeka kwa pointi 28.1, na kuongoza kwa ujumla modeli zote maalum za mawakala zenye chini ya 100B; modeli ya 27B huizidi modeli ya 397B yenye vigezo mara 15 zaidi.

Makala ya kiufundi ya arXiv：https://arxiv.org/pdf/2610.04906

Uzalishaji wa data ya mafunzo ya mawakala: Huzalisha kwa kiwango kikubwa data ya ubora wa juu ya mifuatano mirefu kwa biashara na taasisi za utafiti, kwa ajili ya mafunzo ya baada ya awali ya mawakala wao wa kazi, na kuondoa kikwazo cha gharama ya kuunda mazingira kwa mikono.
Uendelezaji wa wafanyakazi wa kidijitali wa kikazi: Katika nyanja 40 za kitaalamu, zikiwemo ofisi, uchanganuzi wa data, fedha na elimu, hufundisha “wafanyakazi wa kidijitali” wanaoweza kuwasilisha bidhaa halisi kama ripoti, lahajedwali na PPT.
Tathmini ya uwezo wa mawakala: Utaratibu wake wa uthibitishaji wa njia mbili unaoendeshwa na mihimili ya ukweli unaweza kutumika kama mtindo wa tathmini wa kuchunguza uwezo wa mawakala wa kuchunguza, kukusanya ushahidi na kuwasilisha matokeo katika mazingira ya faili yasiyopangwa.
Uwekaji wa kidijitali wa mtiririko wa kazi wa nyanja: Baada ya biashara kuandika uzoefu wa wataalamu wake kuwa michoro ya matukio, inaweza kuzalisha kwa haraka mifano mbalimbali ya majukumu yanayofanana kwa ajili ya mafunzo au tathmini.
Msingi wa utafiti na uendelezaji wa Agent za nyanja maalum: Kwa matukio ya kitaalamu yanayohitaji kulinganisha faili nyingi kutoka vyanzo mbalimbali, kama vile uwekezaji wa kiasi katika fedha, ukaguzi wa misimbo na uhakiki wa uzingatiaji wa kanuni, inaweza kutumika kama miundombinu ya mazingira na kusaidia uboreshaji wa uwezo wa bidhaa za Agent za kiwango cha juu.