知识卡片：WorkForge 构建真实职场环境以训练办公智能体

一句话结论

腾讯混元与复旦大学提出 WorkForge 框架，从真实代码仓库、数据集和网页搭建了 16665 个职场工作环境，用其训练的小模型在 GDPval 基准上超过了参数量远大于自身的模型。

事件概述或研究问题

据腾讯研究院 AI 速递（2026-10-23）报道，腾讯混元联合复旦大学推出 WorkForge，目标是解决办公/职场类 AI 智能体缺乏高质量真实训练环境的问题。框架按“专家蓝图”从真实代码仓库、数据集和网页搭建可操作的工作区，并用程序化检查与 LLM 语义评分两种方式核验任务完成情况。

方法/产品要点

• 环境构建：以专家蓝图（blueprint）为指引，从真实代码仓库、数据集、网页生成工作区，而非人工合成沙盒。
• 核验机制：程序化检查 + LLM 语义评分相结合，兼顾可执行正确性与开放式产出的质量判断。
• 数据集规模：WorkForge-16K 含 16665 个环境，覆盖 40 个专业领域、60 种文件类型；单条轨迹平均约 7.6 万 tokens。
• 训练产出：WorkForge-A3B（A3B 具体激活参数规模待核实）与 WorkForge-27B。

主要结果或产业意义

• WorkForge-A3B 训练后 GDPval 从 45.5 升至 73.6；WorkForge-27B 达 82.4。
• 报道称 WorkForge-27B 的 82.4 超过某 397B-A17B 模型的 79.7（被比较模型的具体名称材料未明确，待核实）。
• 产业意义：说明“真实工作区环境 + 可验证评分”的数据构造路线，可能比单纯堆参数更有效地提升职场任务能力，对中小规模模型的落地部署有直接参考价值。

为什么重要

当前办公智能体的瓶颈往往不在基础推理，而在缺少贴近真实工作流、且能自动判分的训练与评测环境。WorkForge 的价值在于把“环境”本身当作可规模化的资产（1.6 万余个），并给出了一套从环境生成到结果核验的闭环，这为“小模型 + 好环境”挑战“大模型 + 通用数据”提供了可复现的样本。

局限与不确定性

• 报道为速递摘要，WorkForge 的论文/技术报告细节、环境构建的具体自动化程度、LLM 语义评分的可靠性验证均待核实。
• GDPval 的具体评测设置、与 397B-A17B 模型对比的条件（同提示、同评测版本）待核实。
• “40 个专业领域、60 种文件类型”的分布是否均衡、是否存在领域长尾，材料未说明。
• WorkForge-A3B 中“A3B”所指的激活参数规模待核实。

可用于图书/PPT/简报的角度

• 作为“数据环境工程 > 参数规模”的案例：27B 模型在特定职场基准上超过数百 B 级模型。
• 作为“合成数据走向真实工作区”的转折点：从人工沙盒转向真实仓库/网页的可验证环境。
• 作为智能体评测方法论的例子：程序化检查 + LLM 评审的混合评分范式。
• 与既有卡片的关系：本条与“腾讯混元 Hy3 极致量化开源”同属腾讯混元生态，但主题不同——前者关注推理部署效率，本条关注训练环境与职场能力；可与“腾讯云 Octop 自托管多智能体助手”并置，形成“模型能力—环境训练—产品落地”的链条视角。

原始材料

• 标题：腾讯研究院AI速递 20261023（第四条：腾讯混元联合复旦推出WorkForge，构建1.67万个真实职场环境）
• 来源：搜狐（腾讯研究院）
• URL: https://m.sohu.com/a/1091363921_455313_455313
• 关键词（英文）：WorkForge, Tencent Hunyuan, Fudan University, GDPval, agent training environments, WorkForge-16K