NexForge：用需求驱动的任务合成扩展 LLM Agent 能力

导语

LLM Agent 的能力提升，越来越取决于是否有足够多、足够真实、且可执行的训练任务。NexForge 这篇论文关注的正是这个瓶颈：现有许多数据合成方法往往绑定在特定工具、代码仓库、技能图谱或预设环境上。这样做虽然便于验证，却会带来明显成本——每扩展一个领域都要重新搭建底层“素材场”，任务分布也容易反映工具和环境本身的偏差，而不是真实用户需求。

NexForge 的思路是把起点从“有什么工具可用”改为“需要训练什么能力”。它以高层能力需求为输入，自动合成多样化、可执行的 Agent 任务，并生成专家执行轨迹，用于监督微调等后训练流程。

核心要点

• 需求驱动，而非基底驱动：NexForge 不把任务生成绑定到某个固定仓库、工具集或技能图谱，而是先分析现实需求，形成代表性场景和任务画像。
• 分布感知的任务编译：框架会根据能力覆盖与任务分布生成具体任务指令，尽量避免合成数据只围绕少数环境或模板打转。
• 自动补齐执行环境：对每个任务指令，NexForge 会自动检索或构建所需文件、依赖和运行配置，使任务不只是文本描述，而是可运行、可验证的环境。
• 生成专家轨迹用于训练：框架还会合成专家 rollout，产出可用于 SFT 的训练轨迹，帮助模型学习长程操作和工具使用过程。
• 实验结果指向规模效应：论文称，在不依赖特定领域基础设施的情况下，NexForge 生成了 3.6K 个终端任务和 2K 个办公任务，将 Qwen3.5-35B-A3B Base 在 Terminal-Bench 2.0 上从 22.5% 提升到 52.0%，在 GDPval 上从 813 Elo 提升到 1338 Elo。进一步扩展到 43.2K 个终端任务后，Terminal-Bench 2.0 达到 58.4%。

意义与影响

这项工作的价值不只在于“又做了一批合成数据”，而在于提出了一种更接近产品需求的 Agent 数据生产范式。对终端 Agent、办公自动化 Agent 乃至更广泛的工具型智能体来说，真正困难的不是单个任务的求解，而是如何覆盖大量长尾需求，并让训练数据保持可执行、可验证、可扩展。

NexForge 还被描述为 Nex-N2 模型家族的核心数据引擎。论文称，在进一步扩展后，NexForge 合成数据参与训练的 Nex-N2 系列公开模型，将 Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 上提升到 75.3%，在 GDPval 上提升到 1585 Elo。对于开源 Agent 模型而言，这说明数据工程本身可能成为追赶闭源系统的重要杠杆。

当然，摘要中仍有一些问题需要读者回到论文细节中核实，例如任务质量控制、专家轨迹可靠性、真实需求建模方式，以及这些任务是否会对特定评测形成间接适配。但整体来看，NexForge 把 Agent 训练数据的扩展问题，从“手工搭环境”推进到了“按能力需求自动造环境”的方向。

来源：Hugging Face Daily Papers