腾讯混元与复旦大学研究团队在2026年10月22日提出WorkForge，一个从真实世界资源出发、规模化构建可验证训练环境的框架，专门用来训练需要长时间连续干活的工作智能体。团队用它产出了WorkForge-16K数据集，共16665个训练环境，覆盖40个专业领域和60种文件类型。
环境不是编出来的，是从真实工作流里拆的
训练工作智能体有个老难题：任务环境要么靠人工一条条搭，数量上不去；要么靠模板批量生成，看着多却和真实工作脱节，智能体学到的东西迁移不了。WorkForge的做法是从专家工作流出发搭建真实工作空间，从中抽取可以核查的事实，再派生出任务，并同时生成程序化验证器和语义验证器两套判分机制——前者按规则核对结果，后者判断语义层面的对错。这样每个环境既像真活儿，又能自动判分，才撑得起一万六千多个环境的规模。
为什么要强调可验证
长周期任务的训练最怕奖励信号不可靠：智能体跑了几十步，最后对没对没人说得清，训练就无从优化。可验证环境把判分标准提前写进环境本身，团队公布的结果显示，随着数据量和交互时长增加，WorkForge在长周期工作基准上带来持续稳定的提升。需要说明的是，这目前是一项研究框架工作，官方没有公布面向普通用户的产品入口，它的直接受众是做智能体训练的研究者和工程师。对行业的意义在于风向：当编程智能体、办公智能体开始比拼谁能独立干完长活儿，竞争的重点正在从模型本身，延伸到谁手里有足够多、足够真、还能自动判分的训练环境。
