ToolSpace Releases 804 Real-Tool Agent Training Environments
Juejin’s AI account reports that a joint team from Renmin University of China, Fudan University, and Shanghai Jiao Tong University released ToolSpace, which mines verified tool dependencies from real execution trajectories before constructing training environments. The report says the release packages 804 environments, improves Qwen3.6-35B-A3B’s reported seven-benchmark average from 23.0 to 41.0, and opens the project’s code, models, and data.
ToolSpace offers a concrete method for training agents on verified tool combinations rather than databases and scenarios synthesized in advance, with reported gains that warrant attention from agent-training practitioners.
💡 一句话总结：做 Agent 后训练最头疼的是「没有可信环境」。人大、复旦、上交团队发布的 ToolSpace 把环境合成的顺序整个倒过来——不先造数据库，而是先从真实执行轨迹里挖出工具之间被验证过的依赖关系，让任务复杂度从工具组合空间里自然长出来。Qwen3.6-35B 七个长时程基准均分 23.0 → 41.0，744B 版本 56.6 分追平 Claude Opus 5，代码、模型、数据全部开源。
导语：你的 Agent 训练数据，可能从头就是「塑料」的
先问一个可能戳到你的问题：你给 Agent 做 SFT 或者 RL 的时候，训练环境哪来的？
大部分团队的路子是「合成」：挑个主题（比如订机票、管邮件），让模型生成一个数据库，再配上一些工具定义，最后编几个任务。听起来很顺，对吧？但跑过真实业务的人很快会发现不对劲——模型在合成环境里分数很高，一接到真实 MCP 服务上就露馅：参数格式对不上、调用顺序想当然、跨服务的任务完全不会拆。
#ToolSpace#Renmin University of China#Fudan University#Shanghai Jiao Tong University#Qwen3.6-35B-A3B#GLM-5.2#Claude Opus 5#GPT 5.6 Sol#Kimi K3