您的位置首页 >科技要闻 >

ToolSpace 新范式落地 744B 模型,长时序智能体能力追平 Claude Opus 5

人大、复旦联合团队推出 ToolSpace 工具中心式环境合成新范式,解决了传统智能体训练环境造假、工具调用逻辑脱离真实接口的痛点,之前主流方案是先造场景数据再配套工具,很容易出现工具参数、联动逻辑不真实的问题,团队改成以真实工具交互轨迹为核心,挖掘可执行的工具依赖关系、合成可信训练环境,用这套数据训练出来的 744B 版本 GLM-5.2 模型,在 7 个长时序工具调用基准测试拿到 56.6 分,和 Claude Opus 5 分数持平,证明这套 ToolSpace 环境合成路线能有效拉高大模型智能体的长期任务执行水平。

一、ToolSpace 和传统环境合成的核心差别

  • 传统数据中心路线:优先构建数据库、场景,再派生任务和工具,容易出现 “塑料环境”,模型学会的调用逻辑放到真实工具里直接失效。
  • ToolSpace 工具中心新路线:先采集大量真实工具交互轨迹,校验工具之间可执行的依赖链路,再反向生成配套任务与环境,保证所有工具调用流程能真实跑通。
  • 核心优势:合成出来的训练样本不会出现测试集污染,任务复杂度来自工具组合本身,不是人为编写的固定脚本。

二、模型评测核心结果

一共在 7 个长时序工具基准上做统一测试,包含 AutomationBench、SkillsBench、JobBench、Tau3-Bench Banking、BFCL V4、Harvey LAB、OfficeQA Pro。

模型版本基准均分对比参考
GLM-5.2(744B,ToolSpace 训练后)56.6追平 Claude Opus 5(56.6)
GLM-5.2 原始基线44.6提升幅度明显
Qwen3.6-35B(ToolSpace+RL)43.2中小模型提升效果突出
GPT 5.6 Sol48.9低于 744B ToolSpace 版本

三、ToolSpace 完整搭建步骤

  1. 采集 20 万条以上智能体和工具交互的原始轨迹,做任务和轨迹双重去污染,剔除和测试集重合样本。
  2. 挖掘可执行的工具环境,提取工具之间真实的联动、依赖关系,一共覆盖 804 个真实工具环境。
  3. 借助教师模型生成验证过的轨迹,反向合成可核验任务,产出 SFT 监督微调样本、RL 强化学习样本。
  4. 在不同参数规模基座(8B、35B、744B)上训练,用同样 7 套长时序基准统一验证效果。

四、配套开源信息

  • 论文、代码、模型权重、数据集全部对外开源,可在 arXiv、GitHub、HuggingFace 获取。
  • ablation 实验验证:带真实执行验证的工具链路,比纯靠大模型脑补的链路效果更好;环境和数据规模越大,智能体能力持续上涨。

【常见问题】

问题 1:ToolSpace 新范式下的 744B 模型追平 Claude Opus 5,是不是代表它综合能力全面超过 Claude Opus 5?

回答 1:ToolSpace 新范式下的 744B 模型只是在本次 7 个长时序工具调用基准上分数追平 Claude Opus 5,并不是全场景综合能力超越,在代码、多模态、通用推理等其它能力维度,二者表现仍存在差异。

问题 2:ToolSpace 作为探索环境合成新范式,主要解决智能体领域什么难题?

回答 2:ToolSpace 这个环境合成新范式,主要解决过去合成训练环境 “假环境、假工具” 的痛点,用真实执行轨迹反向搭建环境,让模型学到的工具调用逻辑可以迁移到真实线上工具,减少智能体在实际落地时翻车。

问题 3:中小模型用 ToolSpace 数据训练,也能拿到明显提升吗?

回答 3:中小模型用 ToolSpace 数据训练同样提升明显,35B 规模的 Qwen3.6 经过 ToolSpace 微调再加强化学习,基准均分从 23.0 涨到 43.2,说明 ToolSpace 这套环境合成范式对大小基座模型都有效。

问题 4:ToolSpace 的训练数据会不会存在测试集泄露污染?

回答 4:ToolSpace 在轨迹采集环节做了任务层、调用序列层双重去污染,只要任务、工具调用序列、初始状态和测试集重合的样本都会被过滤,规避测试集污染问题。

【参考资料】

[2026-11-07](ToolSpace:人大复旦提出工具中心环境合成,744B 模型追平 Claude Opus5)机器之心

[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

[2026-11-04](Daily Paper Cast | ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents)Transistor

[2026-11-03](ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents)arXiv

免责声明

本文内容基于公开论文、行业资讯整理转述,ToolSpace 范式 744B 模型追平 Claude Opus5 仅针对指定 7 组长时序工具调用基准,不同评测集、提示词、推理配置下结果会发生变化;开源模型实际落地效果受算力、工具接口、业务场景影响,不构成选型、采购、投资建议,最终技术细节以论文原文和开源仓库为准。

今日大家都在搜的词: