WorkFactory：先把工作环境造对，再训练办公智能体
合成任务如何避免缺资料、错依赖与把答案直接写进输入？
从职业意图构建隐藏的信息支持图，生成文件环境，再由看不到答案规划的探针实际执行并修复。112686个任务训练WorkPilot，多个办公基准提升；当前仓库仍是发布占位，论文中的数据和模型开放承诺尚未落地核实。
图解主要方法
合成任务如何避免缺资料、错依赖与把答案直接写进输入？
- 1
图2上层：反向规划信息支持图
从交付物倒推需要的事实、约束与推导关系，将信息节点与PDF、表格等载体节点分离。区分已提供、外部可取、应由执行者计算以及内部规划信息；例如供应商报价可提供，最终成本比较须留给模型完成，防止环境把目标答案泄露出来。
- 2
把图实现为真实可操作文件
按无环依赖计划生成多格式材料并检查文件、关系与约束。任务意图来自职业、技能和交付物线索。图只用于构造者，执行模型看到的是请求与材料；工作难度不应靠损坏文件或缺失必要输入人为制造。
- 3
图2下层：干净探针与保难度修复
每次探针从全新沙箱出发，不接触内部图、规划和旧运行日志。发现阻塞后修复输入，再检查是否保留文件种类、依赖与实际工作量；正常需要推理的选择不能算环境错误。反复仍不能消除阻塞的任务被丢弃。
- 4
独立教师轨迹与有边界的筛选
GLM-5.3在干净环境完成任务，得到平均57.36轮、62.95工具调用的长轨迹。全体只做轻量完整性过滤，最长5%再与固定基线交付物比较，最多四次独立尝试。SFT训练四轮、256K序列；失败工具调用的token不监督，但失败上下文保留以学习恢复。
实验与证据
已阅读全文正文、局限及附录D.3和E评测协议，核对实验条件与原图；未独立复现。
来源证据5000任务对照中，普通材料、信息图、再加执行修复的局部Elo为1245/1293/1326；坏推导24.86%→6.86%→3.26%，答案泄露1.92%→3.36%→0.84%。 正文消融与附录D ↗
我的解读我的解读：信息图本身不能保证不泄露答案，执行修复才补上这一环；不能把全部环境都称为已证明正确。
来源证据WorkPilot-35B-A3B的GDPval局部估计879→1565，95%任务bootstrap区间1539–1589；JobBench28.91→62.35、Workspace47.12→56.53、Office7.14→21.18。每任务三轮；执行模型均为纯文本输入。 正文结果与附录E.1 ↗
我的解读我的解读：1565来自两锚点Bradley–Terry拟合及固定映射，不是官方提交成绩；区间不包含裁判和标尺模型误差。视觉裁判可看文档渲染，不代表学生得到视觉输入。
来源证据任务覆盖612职业、23组，平均4.15文件；75K→110K任务仅再增13Elo，web-fetch失败仍约40–48%。成本估算固定缓存命中率99.2%，不含工具、裁判、沙箱等。 规模、失败与成本口径 ↗
我的解读我的解读：长轨迹能力改善不等于工具可靠性问题消失，估算推理费不能当真实办公工作流总成本。
开放情况与使用许可
官方IQuestLab/WorkFactory仓库目前仅README、图片等；数据与模型链接仍是页内占位。根目录Apache-2.0不能证明代码、112686任务或WorkPilot权重已开放。本次不将其计作开源。
LICENSE论文及原图 CC BY 4.0；代码与权重许可另列
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
我的判断：先验证任务能被合理完成，再蒸馏执行轨迹，能把环境缺陷与模型缺陷分开，适合构建企业内多文件流程数据。
反方 · 哪些结论还不够
多数轨迹并未做交付物正确性强验证；教师偏好会传入学生。公开材料不足以独立检查112686任务的覆盖与泄漏，合成任务收益还需在企业真实材料上验证。
综合判断
方法和消融值得借鉴；当前应归为公开论文、待发布实现与数据，不能称为完整开源办公智能体。
我会先做的验证
未执行的验证方案：抽取100个真实但脱敏的办公流程，盲分原材料、信息图构造、执行修复三组；专家独立检查缺件、泄漏、交付物正确性，统一工具预算测基座与SFT模型，另外计入沙箱和人工修复成本。