给 AI 同事造 1.67 万个真实工位：它缺的不是智商，是一间乱糟糟的办公室

过去一年，几乎每一家做大模型的公司都在讲同一个故事：把智能体放进企业，让它像同事一样接活。演示视频里，它三分钟做完一份周报、五分钟整理完一份竞品分析，看起来离「上岗」只差一个账号。但真正把权限开给它的人会发现另一幅景象：文件在十几个目录里、命名规则有三套、同一个指标在两份表里数字不一样，它会很礼貌地交出一份格式漂亮、数字全错的报告。

腾讯混元与复旦大学在 10 月 22 日给出的解释很直接：问题不在模型会不会推理，而在训练它的那些「考题」太干净了。合成环境通常只有一份说明文档、一个脚本、一份示例数据，答案几乎摆在明面上；真实职场则相反，线索散落、口径冲突、缺页少行，员工的大部分时间花在找证据和核对上，而不是写结论。

于是他们换了个思路：先不急着把模型做大，先把「工位」造出来。这套名为 WorkForge 的框架，核心不是模型结构，而是一条把真实世界资源批量变成可验证工作环境的流水线。

第一步是让专家写「场景蓝图」。不是写提示词，而是把一类工作的骨架讲清楚：最终要交付什么、需要哪些材料、中间必须做哪些判断。比如一位老师写下「测验后归类错题、再针对性地讲解」，换一套试卷和教材，就长出一个新的工作区和一批新任务。蓝图是可复用的，这是规模化的前提。

第二步是去真实世界搬材料。一个采集智能体按蓝图搜索并下载代码仓库、数据集与网页资料，确认确实用得上之后放进工作区，并保留原本的目录结构。这一点看似多余，实际是整个方法的分水岭：真实项目的源码、文档、测试与配置本来就散落在不同层级，保留这种「乱」，才逼得智能体必须自己探索。

第三步是给工作区做「体检」。系统先摸清每个文件是干什么的，再从中抽出一批可以直接核对的具体事实，作为「事实支撑」。任务、参考解法与验收标准都从这些事实推出来，参考解法里的关键数字还要回到工作区复核。

第四步是执行与验收。智能体只能看到工作区和任务说明，要自己翻目录、理关系、拼证据，直到交出成品。验收分两条线：数值对不对、文件有没有生成，交给程序化检查；分析到不到位，交给大模型评委按评分细则打分。打完分，整段操作过程连同分数一起入库，成为训练数据。

这条流水线的产出叫 WorkForge-16K，包含 16665 个可验证工作环境，横跨 40 个专业领域、60 种文件类型。数字听起来抽象，拆到单个环境就很具体：平均每个工作区 42.3 个文件、约 279KB，线索分散在多级目录里；每个任务平均带 21.9 条验证标准；智能体完成一个任务平均要走 31.8 步、调用 33.8 次工具，单条轨迹约 7.6 万 token。

文件类型的分布也很有意思：表格数据占 53.31%，图像占 18.69%，结构化文本占 13.21%，代码占 7.27%，纯文本占 5.58%，音频占 1.26%。这不是为了凑多样性，而是照着真实岗位的输入结构配的——财务要看表、督导要看现场照片、运营要看活动截图、技术要读配置，一份工作往往同时跨越三四种载体。

换个角度理解：7.6 万 token 的轨迹，意味着模型不是在「回答问题」，而是在「干活」。它要先花几万 token 搞清楚这个工作区里有什么，再花几万 token 验证自己的判断，最后才是写结论。对企业来说，这部分成本过去是隐性的，现在被明确摆到了台面上。

40 个专业领域的覆盖也值得说一句。领域多不只是为了好看，而是为了让模型学会「换一套材料照样能干」——医疗看病例与检验单、法律看合同与判例、工程看图纸与验收记录、人力看考勤与绩效表。跨领域迁移的能力，来自不同领域共享同一套工作方法：先摸清材料，再交叉核对，最后交付。这也是为什么同一批环境训出来的模型，能在完全没见过的任务上保持水准。

研究团队做了一个对照实验：同一批专家蓝图，一组用真实资源搭工作区，另一组让模型凭空合成。结果是真实工作区的文件数是合成工作区的 5.4 倍，文件类型是 2.4 倍，平均体积从 21.5KB 涨到 279KB。真正致命的不是数量差，而是分布差——合成工作区被「过度整理」过，关键信息集中在少数几个文件里；真实工作区的证据则摊在整个目录树上，找不全就做不对。

论文里给了一个金融领域的例子：智能体扮演量化策略师，基于因子数据库评估各地区因子溢价，最后要交一份 PPT 简报、一份 Excel 分析表和一份清洗后的 CSV。工作区里有 297 个 CSV，分布在 16 个目录中，坑一个不少：月度数据和年度数据混排、缺失值用 -99.99 标记、同一个因子在不同文件里叫不同名字。

这类任务没有标准答案可背，只能靠一步步核对。也正是在这种环境里，「会不会用工具」退居其次，「知不知道该怀疑哪个数字」成了分水岭。

成绩单要拆开读。WorkForge-A3B 在 GDPval 上从 45.5 提升到 73.6，在 APEX-Agents 上从 5.0 提升到 21.3，最严的 Agents’ Last Exam 通过率是 12.4%，而此前的专用方案只有 2.9%。WorkForge-27B 则在五个基准上全面提升，GDPval 拿到 82.4，超过了总参数量约 15 倍的 397B-A17B（79.7）。

但同一张表里也写着差距：Claude Opus 4.8 是 89.1，GPT-5.6 Sol 是 90.1。更值得警惕的是 ALE 那 12.4%——这是一个要求智能体长时间自主解决问题、中途不能靠人提示的基准。换句话说，在「有明确交付物、有验收标准」的任务上，环境训练带来的提升非常实在；一旦任务开放、需要自己定义什么算完成，能力就掉得厉害。

这对企业的直接含义是：别把「能自动生成周报」当成「能接手经营分析」。前者是模板填空，后者要自己判断哪些异常值得追、追到哪一层算够。

论文还专门验证了规模与轨迹长度的作用：训练轨迹从 1000 条增加到 16000 条，模型在 ALE 和 WildClaw 上分别提高 13.0 和 8.4 分；同样只用 1000 条数据，用 41 至 60 轮长轨迹训练出来的模型，比用 20 轮以内短轨迹的模型在两个基准上分别高出 4.2 和 5.0 分。结论很朴素——数据要多，过程要长。只让模型看「输入和答案」，不给它看「中间怎么找、怎么错、怎么改」，等于白练。

论文里有一组比分数更有意思的行为数据。经过环境训练的 WorkForge-27B，在 GDPval 的每个任务中平均访问 6.52 个外部网站域名，是基座模型的 5.3 倍；在工作区内定向检索证据的调用占比，从 5.9% 提升到 16.2%。它开始主动去找信息，而不是等着上下文喂到嘴边。

更关键的是失败之后的表现。工具调用失败时，模型的推理长度从 144 个字符增加到 614 个字符——它不再急着换个参数重试，而是先判断刚才为什么失败、要不要换一条路径。这个变化落到业务上，就是从「反复点同一个按钮」变成「停下来想想是不是权限没开」。

交付质量的细项也能对上：五类评分标准的通过率提升了 4.5 到 13 个百分点，其中视觉排版提升 13 个百分点、数值准确性提升 8.2 个百分点。这两项恰恰最依赖充分的调查与细致的核对，而不是语言能力。

这套方法有一个容易被忽略的前提：工作区里必须存在可以被核对的事实。程序化检查要能读到确定的数字，语义评分要能对着确定的材料判断，任务才有标准答案。如果一家企业的关键数据还停在纸质单据、聊天记录和某个人的脑子里，那么再强的模型也无法被「验证」，只能被「相信」。

这正好解释了为什么同样接了 AI，有的公司觉得好用、有的公司觉得是玩具。差别不在模型，而在底座：订单在系统里、库存有批次、工时有打卡、费用有单据，AI 才有东西可查；反过来，口径一年改三次、同一张报表两个版本，模型越努力，错得越快。

WorkForge 的做法其实给了一条反向路径：先定义「什么算做对了」，再倒推需要哪些材料、哪些字段、哪些权限。这套顺序，和企业上管理系统的顺序是同一件事——先把流程结构化，再谈智能化。

第一件，挑一个「有唯一答案」的任务做试点。月结对账、门店日报汇总、库存差异核查、报销单据复核，这些任务的特点是结果可以被验证：数字对不对、单据全不全、差异能不能解释。用它们来检验 AI，比让它写营销文案有意义得多。

第二件，把验收标准写下来。不是写「分析要专业」，而是写「毛利率按含税口径、与上月差异超过 2 个百分点必须列出原因、原因必须能追到具体单据」。WorkForge 每个任务平均 21.9 条验证标准，这个密度值得参考——标准越具体，模型越知道往哪儿使劲。

第三件，治理目录与权限。文件在哪、谁负责、哪个版本是准的，这三件事不解决，任何智能体进场都会先陷进「找文件」。文档管理、协同办公、数据分析这类系统看起来不性感，但它们决定了你的企业有没有资格谈「AI 同事」。

顺带说一个容易忽略的细节：论文对比了三种验收方式，只用程序化检查得 14.89 分、只用语义评分得 15.62 分，两者结合能到 22.11 分。这对企业的启发是，验收不能只有一条腿——数字对不对要靠规则校验，分析有没有说服力要靠人复看。把这两件事都设计进流程，模型才知道「做对」到底意味着什么。