Cowork-Gym：用可执行工作环境训练更能适应变化的智能体

导语

让智能体在真实工作中可靠协作，难点并不只是调用某个工具。它还必须理解文件之间的依赖，面对需求变化，与用户澄清目标，并在共享工作区被修改后及时调整方案。传统训练任务往往是静态的：指令、资源和答案预先固定，智能体很少有机会学习“做了一半再返工”的过程。

论文提出的 Cowork-Gym，试图把这类动态协作过程转化为可批量生成、可执行和可验证的训练环境。

核心方法：让环境经历完整闭环

Cowork-Gym的关键不是单纯增加任务数量，而是引入“构建—执行—修订”（build–execute–revise）流程。系统首先根据任务目标和可用资源生成环境，然后实际执行其中的任务，利用执行结果发现工具、文件、目标和成功标准之间的不一致，最后结合评审反馈修复环境。

这种机制把“环境是否真的能运行”纳入生成过程。相比只依赖文本检查，执行证据可以暴露更具体的问题，例如资源无法使用、任务目标与验收条件不匹配，或多个步骤之间缺少必要依赖。论文摘要没有进一步披露每类错误的占比或修复成功率，因此其贡献更适合被理解为一套环境生产与验证框架，而不是某个单一任务的优化技巧。

框架还加入了有状态的用户模拟器。用户不会只在开头提供一次指令，而是会根据智能体的行动通过对话提供反馈，也可能直接修改共享工作区。这样的交互让训练任务包含了需求澄清、计划调整、结果修订等真实协作行为。

数据规模与模型结果

研究团队合成了 64888个环境，覆盖 14类应用场景 和 17个能力标签。随后，他们使用这些环境对9B、27B和35B-A3B规模的Qwen模型进行监督微调、强化学习和在策略蒸馏等后训练。

在六项智能体基准测试的平均成绩上，三个规模的模型相较各自基础检查点分别提升 8.7、6.4和4.1个百分点。其中，27B模型在论文评测模型中位列第二，并在PawBench和ClawEval上取得最高平均分；在这两项测试中，它还超过了评测范围内总参数量超过100B的模型。

需要注意的是，这些结果来自研究团队报告的评测设置，不能简单等同于所有工作场景中的普遍优势。材料也未提供各基准的单项分数、环境难度分布或消融实验细节，后续技术报告和公开模型将有助于进一步判断方法的泛化能力。

意义与局限

Cowork-Gym的价值在于，它把智能体训练从“给定指令、完成答案”推进到“在变化的工作空间中持续协作”。如果环境生成、执行验证和用户反馈能够稳定结合，训练数据就不必完全依赖人工编写，也更有机会覆盖长流程任务中的异常情况。

不过，模拟用户行为与真实用户仍存在差距。模拟器如何反映不同人的偏好、表达方式和修改习惯，生成环境是否会重复已有模式，以及基准提升能否转化为真实生产力，都需要更多公开实验来验证。总体而言，Cowork-Gym展示了一条面向工作型智能体的规模化训练路线：环境本身也应当像模型一样，接受执行检验、反馈修订和持续迭代。

来源：Hugging Face Daily Papers