人大、复旦联合团队推出 ToolSpace 工具中心式环境合成新范式,使用这套合成环境做 Agent 后训练,744B 参数 GLM-5.2 模型在七组长时序工具调用基准上均分达到 56.6 分,分数和 Claude Opus 5 持平,同时还能让 35B 规模的 Qwen 小模型能力大幅上涨,解决了当前 Agent 研究里真实交互环境稀缺、LLM 自造环境容易幻觉、工具组合不符合真实执行逻辑的痛点,它一改以往先造场景再配工具的思路,反过来从真实工具调用轨迹里挖掘依赖关系来合成训练环境,产出的任务更贴近真实业务流程,这套方案完整开源,给长时序智能体的训练提供了一条可落地的新路线。
核心实验数据对照表
| 模型 | 优化方式 | 基准均分 |
|---|---|---|
| GLM-5.2(744B) | 原生基线 | 44.6 |
| GLM-5.2(744B) | ToolSpace 训练后 | 56.6 |
| Claude Opus 5 | 闭源原生 | 56.6 |
| GPT-5.6 Sol | 闭源原生 | 48.9 |
| Kimi K3 | 闭源原生 | 49.7 |
| Qwen3.6-35B | 原生基线 | 23.0 |
| Qwen3.6-35B | ToolSpace 训练 + RL | 43.2 |
ToolSpace 核心原理清单
- 反转传统环境合成顺序
- 基于真实执行轨迹挖掘依赖
- 差异化生成环境状态
- 带回滚的状态随机游走生成任务
- 可生成高难度 Pro 版本基准
传统方案优先构造数据库、任务场景,再去匹配工具;ToolSpace 以工具为核心,从 MCP 服务、公开 Agent 执行轨迹提取工具调用链路。
用确定性规则挖掘工具之间状态变更、重试、数据传递依赖,不靠大模型主观判断,避免引入幻觉,把工具关系聚类成独立环境。
只有会修改数据状态的环境才配套合成数据库,无状态查询类工具直接回放历史返回结果,降低合成成本。
沿着工具图做带回滚的采样,拆解成自然语言任务,搭配断言校验,只保留可以稳定复现成功的样本,保证环境逻辑自洽。
基于原有自动化、银行类基准升级 Pro 难版,多款前沿模型在新难版上性能最高下跌 38.2 点,方便后续评估 Agent 上限。
落地使用操作步骤
第一步,获取 ToolSpace 开源代码、轨迹数据集,部署环境合成流水线;
第二步,导入真实 MCP 工具调用日志,开启依赖挖掘,生成工具组合关系图;
第三步,按环境类型,选择性合成状态数据库或者配置回放规则;
第四步,启动状态随机游走,生成任务并做断言校验,过滤掉无法稳定复现的无效样本;
第五步,使用合成数据集对目标大模型做 SFT 或者强化学习,在长时序工具基准上复测效果。
整体来看,ToolSpace 最大价值是补齐长时序 Agent 训练的数据短板,不靠人工搭建沙盒也能产出大量符合真实调用逻辑的复杂任务,744B 模型追到 Claude Opus 5 的成绩,证明这套环境合成范式有效,而且小模型同样能吃到红利,适合做工具调用、自动化 Agent 方向的科研和工程落地。
【常见问题】
问题 1:744B 模型追平 Claude Opus 5,人大复旦 ToolSpace 新范式和旧环境合成方案差别在哪?
回答 1:744B 模型追平 Claude Opus 5,人大复旦 ToolSpace 新范式是工具优先,从真实执行轨迹提取依赖关系;旧方案一般先造场景数据库再配工具,容易出现工具逻辑脱离真实使用情况、幻觉多的问题。
问题 2:744B 模型追平 Claude Opus 5,人大复旦 ToolSpace 只对 744B 大模型有用吗?
回答 2:744B 模型追平 Claude Opus 5,人大复旦 ToolSpace 对小模型提升同样明显,Qwen3.6-35B 经过 ToolSpace 数据训练之后分数从 23.0 提升到 41.0,搭配强化学习最高到 43.2。
问题 3:744B 模型追平 Claude Opus 5,人大复旦 ToolSpace 产出的 Pro 基准有什么作用?
回答 3:744B 模型追平 Claude Opus 5,人大复旦 ToolSpace 生成的 Pro 版本基准难度更高,多款前沿模型分数明显下滑,可以用来更严格测试 Agent 处理复杂多工具任务的上限。
【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)思否
[2026-11-03](ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents)arXiv
[2026-11-03](人大复旦 ToolSpace 论文解读,744B GLM-5.2 追平 Claude Opus5)机器之心
[2026-04-14](人大 EnvScaler:自动化合成 Agent 工具交互环境)中国人民大学理工学科建设处
【免责声明】
本文仅为 ToolSpace 学术成果科普整理,不构成技术落地、模型采购建议;实验分数为论文给定基准测试结果,不同测试集、评估方式结果存在差异;开源项目可用性、部署难度受算力、轨迹数据质量影响。
