GraphForge发布：基于证据图的工作智能体训练框架

摘要：GraphForge是一款基于证据图的新型框架，旨在解决智能体训练中数据生成与任务验证的难题。该框架通过整合真实文件构建任务环境，并利用证据图确保任务要求与验证标准的一致性。实验结果表明，使用GraphForge生成的轨迹对Qwen3.6-27B模型进行微调后，在OpenHands、Workspace-Bench-Lite和SpreadsheetBench II等基准测试中性能显著提升，展示了其在提升智能体任务执行能力方面的潜力。

---

核心突破

GraphForge是一款基于证据图的工作智能体训练框架，旨在解决智能体训练中数据生成与任务验证的难题。其主要特点包括：

• 真实文件整合：通过整合真实文件构建任务环境，确保训练数据的多样性和真实性。
• 证据图构建：利用证据图描述文件之间的关系，并基于此生成任务声明和评分标准，确保任务要求与验证标准的一致性。
• 任务可执行性测试：在初始阶段测试任务的可执行性，并通过修订智能体对任务和评分标准进行优化。
• 拒绝微调：对模型自身的输出进行拒绝微调，进一步提升模型性能。

技术亮点

1. 证据图驱动：任务和评分标准均基于证据图生成，确保了任务要求的可验证性和一致性。
2. 多样化数据生成：通过职业导向的种子生成多样化的工作空间文件，提升训练数据的真实性和多样性。
3. 智能修订机制：引入修订智能体对任务和评分标准进行优化，确保任务的可执行性和评分标准的合理性。
4. 显著性能提升：在OpenHands、Workspace-Bench-Lite和SpreadsheetBench II等基准测试中，Qwen3.6-27B模型在经过GraphForge生成的轨迹微调后，性能均有显著提升。

行业影响

GraphForge的发布为智能体训练领域带来了新的技术思路，特别是在需要处理复杂任务和多文件协作的场景中具有重要应用价值。其基于证据图的框架设计不仅提升了训练数据的质量，还为任务验证提供了可靠的保障。开发者可以利用GraphForge构建更高效、更可靠的智能体训练流程，推动智能体技术在各行业的应用与发展。

开发者建议

• 探索应用场景：尝试将GraphForge应用于需要处理复杂文件和多任务协作的场景，如文档处理、自动化办公等。
• 优化训练流程：利用GraphForge的证据图驱动机制，优化智能体训练流程，提升模型性能。
• 参与社区讨论：关注GraphForge的社区动态，参与相关讨论，获取更多技术支持和资源。

结论

GraphForge的推出标志着智能体训练领域的一个重要里程碑，其基于证据图的设计理念为智能体训练提供了新的解决方案。开发者可以借助这一框架构建更高效、更可靠的智能体，推动AI技术在各行业的深入应用。

---

消息来源：Hugging Face Daily Papers (2026-09-30)

—— 完 ——

主题标签： #GraphForge #智能体训练 #证据图 #AI框架 #多模态