在人工智能领域，训练数据的质量直接影响到模型的表现。近日，中科大与复旦大学联合提出了一种名为GraphForge的训练数据合成框架，旨在提升智能Agent在真实工作场景中的表现。该框架通过构建基于真实文件的证据图，解决了以往训练数据合成中存在的真实性和验证性不足的问题。
GraphForge的核心在于其五步合成管线。首先，框架从美国O*NET职业数据库出发，筛选出246个职业和891种详细工作活动，确保生成的任务种子具有实际可执行性。接下来，系统会为每个种子检索相应的公开案例，搭建真实的工作区，这些工作区由核心文件、支撑文件、干扰文件和环境文件构成，确保训练过程中Agent能够接触到多样化的任务场景。
第三步，证据图的构建是GraphForge的关键环节。每个任务和评分标准都从证据图中提取，确保评分过程的客观性和可验证性。执行反馈式的修订机制允许教师模型先行试跑任务，确保Agent的执行过程符合预期，必要的修订则通过对照原始文件和证据图来完成。
最后，通过轨迹准入与清洗，系统只保留那些综合得分高于0.90的轨迹，从而确保最终交付物的质量。在这一系列的严谨步骤下，GraphForge成功生成了2169条高质量的训练轨迹。
值得注意的是，这些轨迹在多个基准测试上均表现出显著的提升。例如，在GDPVal、Workspace-Bench-Lite和SpreadsheetBenchII等基准上，GraphForge的成果均展现出可迁移的工作能力。这表明，经过GraphForge训练的Agent不仅在特定框架中表现优异，还能够跨框架迁移，展现出更强的适应能力。
然而，论文中也坦诚了当前框架的局限性，如数据规模的限制和对细粒度数值篡改的敏感性不足。未来，团队计划扩展GraphForge的应用范围，探索其在更复杂任务中的表现。
总的来说，GraphForge为智能Agent的训练数据合成提供了一个新思路：真实任务、可信验证和开放数据。希望这一框架能够为后续的研究者提供参考，推动AI技术在实际工作中的应用。对此感兴趣的研究者可以前往HuggingFace获取完整数据与模型。
