WorkForge Đang hoạt động

WorkForge là framework xây dựng môi trường huấn luyện tác tử do Tencent Hunyuan và Đại học Phúc Đán cùng phát triển. Xuất phát từ bản thiết kế quy trình làm việc của chuyên gia, WorkForge tự động truy xuất tài nguyên thực tế để dựng workspace, tạo chỉ dẫn nhiệm vụ và tiêu chuẩn xác minh kép dựa trên các sự kiện trong workspace, giúp tác tử thực hiện nhiệm vụ và tạo dữ liệu quỹ đạo. WorkForge đã xây dựng 16.7K môi trường có thể xác minh, bao phủ 40 lĩnh vực chuyên môn, có thể nâng điểm GDPval của mô hình 35B thêm 28 điểm, tiệm cận trình độ của các mô hình tiên tiến.

Xây dựng bản thiết kế kịch bản: Chuyển hóa kinh nghiệm chuyên gia thành các mẫu quy trình làm việc có thể tái sử dụng, xác định sản phẩm bàn giao, tài nguyên cần thiết và các điểm ra quyết định then chốt.
Tổng hợp workspace thực tế: Tác tử thu thập tìm kiếm và tải xuống kho mã nguồn, bộ dữ liệu và tài liệu web thực tế từ Internet, sau đó dựng workspace theo cấu trúc thư mục gốc.
Trích xuất hồ sơ môi trường và mốc sự kiện: Tự động xác định vai trò, quan hệ phụ thuộc của từng tệp và ghi lại các “bằng chứng sự kiện” có thể kiểm tra trực tiếp.
Tạo nhiệm vụ: Kết hợp bản thiết kế và hồ sơ để tạo chỉ dẫn nhiệm vụ cùng lời giải tham chiếu ẩn, bám sát nội dung thực tế của workspace.
Cơ chế xác minh kép: Kiểm tra theo chương trình đối chiếu các giá trị và tệp được tạo; giám khảo LLM đánh giá chất lượng ngữ nghĩa theo tiêu chí chấm điểm.
Thu thập và chấm điểm quỹ đạo: Tác tử tự thực hiện trong điều kiện chỉ nhìn thấy workspace và mô tả nhiệm vụ; toàn bộ quá trình cùng điểm số được lưu làm dữ liệu huấn luyện.
Tạo môi trường quy mô lớn: Chỉ với một lần thao tác, tạo 16.7K môi trường làm việc có thể xác minh, bao phủ 40 lĩnh vực chuyên môn và 60 loại tệp.
Hậu huấn luyện tác tử: Dùng các quỹ đạo dài được tạo ra để tinh chỉnh mô hình, nâng cao đáng kể khả năng thực hiện nhiệm vụ công việc.

Thiết kế cộng sinh giữa nhiệm vụ và xác minh dựa trên mốc sự kiện: premise cốt lõi của WorkForge là khả năng đặt nhiệm vụ và xác minh kết quả đều phụ thuộc vào các sự kiện có thể quan sát trong workspace. Trước tiên, hệ thống lập hồ sơ toàn diện cho workspace (Profiling), trích xuất vai trò tệp, quan hệ phụ thuộc giữa các tệp và các bản ghi sự kiện cụ thể có thể kiểm tra. Chỉ dẫn nhiệm vụ, lời giải tham chiếu, mục kiểm tra theo chương trình và tiêu chí chấm điểm ngữ nghĩa đều được suy ra từ các mốc sự kiện này; các sự kiện then chốt trong lời giải tham chiếu còn được đối chiếu lại với workspace.
Thiết lập độ phức tạp môi trường dựa trên tài nguyên thực tế: Khác với workspace được LLM tổng hợp, WorkForge dùng tác tử thu thập lặp lại chu trình tìm kiếm—đọc—tải xuống—xem trước để thu thập tài nguyên từ các kho mã nguồn và bộ dữ liệu thực tế, đồng thời giữ nguyên cấu trúc thư mục gốc. Thí nghiệm đối chứng cho thấy số tệp trong workspace thực tế gấp 5.4 lần môi trường tổng hợp, số loại tệp gấp 2.4 lần; bằng chứng được phân tán trong toàn bộ cây thư mục thay vì tập trung ở một số ít tệp, buộc tác tử phải khám phá trước rồi mới phán đoán, từ đó tạo ra ma sát thao tác thực tế và nhu cầu tương tác dài hạn.
Xác minh song song theo chương trình và ngữ nghĩa: Mô-đun xác minh gồm hai thành phần bổ trợ: trình xác minh theo chương trình kiểm tra các yêu cầu tất định như giá trị có chính xác không, tệp mục tiêu có được tạo không, trạng thái workspace có đúng kỳ vọng không, rồi chấm điểm theo hàm chỉ thị; trình xác minh ngữ nghĩa cấu hình giám khảo LLM bằng chỉ dẫn nhiệm vụ để chấm điểm từng mục của sản phẩm bàn giao mở theo tiêu chí chấm điểm và chuẩn hóa kết quả. Điểm của hai nhánh được lưu riêng. Thí nghiệm cho thấy sàng lọc kết hợp hai loại điểm (ALE 22.11) vượt trội so với chỉ dùng một tín hiệu (15.62 / 14.89), vì hai loại xác minh nắm bắt các khía cạnh khác nhau của chất lượng sản phẩm bàn giao.

WorkForge hiện là một framework nghiên cứu; bài báo không đề cập đến kênh công khai mã nguồn mở hoặc bộ dữ liệu.

Tính chân thực cao hơn: Dựng workspace trực tiếp từ tài nguyên thực tế; số tệp, số loại tệp và dung lượng lần lượt gấp 5.4 lần, 2.4 lần và 13 lần môi trường do LLM tổng hợp, với bằng chứng phân tán trong cây thư mục thay vì tập trung lộ rõ.
Khả năng truy nguyên khi xác minh: Nhiệm vụ, lời giải tham chiếu và tiêu chuẩn chấm điểm đều được suy ra từ “mốc sự kiện” trong workspace; các sự kiện then chốt được đối chiếu lại với workspace, loại bỏ các yêu cầu đánh giá mang tính ảo giác.
Xác minh kép bổ trợ lẫn nhau: Kết hợp kiểm tra theo chương trình (giá trị/tệp) với chấm điểm ngữ nghĩa bằng LLM, cho hiệu quả sàng lọc kết hợp vượt xa việc chỉ dùng một tín hiệu.
Huấn luyện tương tác dài hạn: Các quỹ đạo khám phá thực tế trung bình 31.8 bước và 7.6 vạn tokens giúp mô hình học toàn bộ quy trình làm việc gồm khám phá, thu thập bằng chứng, sửa lỗi và bàn giao.
Khả năng mở rộng: Một pipeline tạo ra 16.7K môi trường, trải rộng 40 lĩnh vực, giảm đáng kể chi phí kỹ thuật so với xây dựng môi trường thủ công.
Cải thiện hiệu năng rõ rệt: Điểm GDPval của mô hình A3B tăng 28.1 điểm, dẫn đầu toàn diện tất cả mô hình tác tử chuyên dụng <100B; mô hình 27B vượt mô hình 397B có số tham số gấp 15 lần.

Bài báo kỹ thuật arXiv: https://arxiv.org/pdf/2610.04906

Sản xuất dữ liệu huấn luyện tác tử: Tạo dữ liệu quỹ đạo dài chất lượng cao ở quy mô lớn cho doanh nghiệp/tổ chức nghiên cứu, dùng để hậu huấn luyện tác tử công việc của riêng mình và loại bỏ nút thắt chi phí do xây dựng môi trường thủ công.
Đào tạo nhân viên số trong công việc: Huấn luyện “nhân viên số” có thể bàn giao các sản phẩm thực tế như báo cáo, bảng tính và PPT trong 40 lĩnh vực chuyên môn gồm văn phòng, phân tích dữ liệu, tài chính và giáo dục.
Đánh giá năng lực tác tử: Cơ chế xác minh song song dựa trên mốc sự kiện có thể được dùng làm mô hình đánh giá để kiểm tra khả năng khám phá, thu thập bằng chứng và bàn giao của tác tử trong môi trường tệp lộn xộn.
Số hóa quy trình làm việc theo lĩnh vực: Sau khi doanh nghiệp chuyển kinh nghiệm chuyên gia nội bộ thành bản thiết kế kịch bản, có thể nhanh chóng tạo hàng loạt các biến thể của cùng loại nhiệm vụ để đào tạo hoặc kiểm tra.
Nền tảng R&D cho Agent chuyên ngành: Các kịch bản chuyên môn như định lượng tài chính, đánh giá mã nguồn và kiểm tra tuân thủ cần đối chiếu nhiều tệp từ nhiều nguồn có thể dùng làm hạ tầng môi trường, hỗ trợ lặp cải tiến năng lực cho sản phẩm Agent ở lớp trên.