# EnterpriseOps Gym

ServiceNow CoreAI 提出 AutoSynthData，用目标模型的失败与更强教师的成功来定位能力缺口，据此生成并校验新的可执行任务（系统规范、用户提示、验证器三件套），在 EnterpriseOps Gym 的 Hybrid 域用 Gemma-4-26B-A4B-it 与教师 Qwen3.8-27B 生成 2000 条样本（约 18 小时），微调后最佳检查点（第 5 轮）使平均 Pass@1 提升 7.2 个百分点（相对提升 35%）、验证器成功率从 63.01% 升至 68.55%，并弥合 Gemma 与参考模型之间 59% 的 Pass@1 差距；在 ITSM 域用教师 DeepSeek-V4.1-Flash 生成 1994 条样本（66 小时），平

ServiceNow CoreAI 提出 AutoSynthData，用目标模型的失败与更强教师的成功来定位能力缺口，据此生成并校验新的可执行任务（系统规范、用户提示、验证器三件套），在 EnterpriseOps Gym 的 Hybrid 域用 Gemma-4-26B-A4B-it 与教师 Qwen3.8-27B 生成 2000 条样本（约 18 小时），微调后最佳检查点（第 5 轮）使平均 Pass@1 提升 7.2 个百分点（相对提升 35%）、验证器成功率从 63.01% 升至 68.55%，并弥合 Gemma 与参考模型之间 59% 的 Pass@1 差距；在 ITSM 域用教师 DeepSeek-V4.1-Flash 生成 1994 条样本（66 小时），平