FloWright 把工作流当作训练场：让多个角色共同进化，小模型在文档、幻灯片、图表、代码、数学与金融任务上最高提升 7.41%

FloWright 让工作流中不止生成器一个角色可以学习：它用执行轨迹把工作流的单一标量结果定位到具体角色，按角色自身节点在失败中所占比例计分，因此不需要额外的模型、标注或重复执行。 此前从执行结果训练工作流的方法通常只优化工作流生成器，而构建或执行工作流的其他智能体保持固定，尽管每个结果都取决于它们全体。 论文给出角色级信用公式（Eq. 2）与分层奖励（Eq. 3），并说明只有真正的根因被计分、级联失败沿边传播、基础设施故障被排除；实验在留出测试集上比较四种进化模式。

FloWright 支持四种进化模式：单角色自我进化、智能体—技能共同进化、上游—下游共同进化、多智能体共同进化；共同进化的角色越多，收益越大。 既有工作要么单独训练每个智能体，要么只在固定配对或手工设计的系统中协同训练，而 FloWright 的协同发生在为每个任务构造的工作流之上。 在 Qwen3.5-4B 的四种模式中，多智能体共同进化整体增益最高（+5.03%），高于智能体—技能共同进化（+2.83%）、上游—下游共同进化与单角色自我进化；每个臂在至少一种模式下都有提升。

DataWright 通过 Shared、Paired、Decoy 三种硬化策略与两个硬化等级，把单智能体已能处理的数据集转成更难的工作流级任务，用于训练与评测。 论文指出工作流常在单问题数学、函数级代码、短问答等单智能体已能处理的数据上训练和评测，这类数据既无法揭示也无法优化工作流相对单智能体的增量。 论文报告了硬化前后的对照：在原始 MMLongBench-Doc（200 样本子集）上工作流与单智能体分别为 与 ，在原始 DocFinQA（200 样本子集）上分别为 与 ；同一工作流在 DataWright 硬化后的 MMLongBench-Doc 上达到 ，单智能体为 ，提升 点。

FloWright 的收益在训练时与测试时叠加，并跨角色、骨干、强化学习算法、工作流拓扑与组件池泛化。 同一套训练场既在训练时提供强化学习信号，也在测试时通过元蒸馏把成功经验变成可复用的先验，而无需更新权重。 测试时从自身经验蒸馏先验带来整体增益，从更强教师（GPT-5.4）蒸馏亦然；五样本元蒸馏测试时增益最大，而单样本低于未训练基线；训练时与测试时优化叠加后达到整体水平。消融显示 GRPO、CISPO、DAPO 均可实例化该目标，四种拓扑下优化都带来提升，按需增长的组件池相对固定池增益最大。

该结果面向需要多智能体协作的复杂任务，例如跨异构输入收集证据、长上下文推理与多步累积中间结果；训练与评测在 DataWright 硬化后的工作流级任务上进行，覆盖文档、幻灯片、图表、代码、数学与金融等领域，并区分分布内、分布外与领域外三种评测情形。论文的强化学习实验主要在两个同族开源模型 Qwen3.5-4B 与 Qwen3.5-9B 上评估，同时用元蒸馏在四个骨干（含两个未被优化的闭源模型）上验证；评测任务在任务开始后输入固定。对读者而言，这意味着该方法适用于“单智能体已难以一次完成、需要分解、路由、定位证据并聚合”的场景，而不是单问题数学或函数级代码这类单智能体已能处理的任务。

论文自述的局限包括：强化学习实验主要在两个同族开源模型上评估，作者表示希望纳入更多模型家族；评测任务在任务开始后输入固定，作者计划扩展到输入与所需组件在工作流运行中变化的动态环境。此外，首页证据包给出的是论文全文的解析文本，其中的表格与图（如 Tab. 1、Fig. 12–16）在文本中以占位形式出现，部分具体数值只能从正文叙述中读取，若需精确对照各臂数字仍需查阅原文图表。硬化策略对数据集的适用性也受前提约束：Shared 需要同一输入承载多个独立问题，Decoy 需要问题能唯一指向自己的输入，因此并非所有数据集都支持全部策略。