# 任务合成

GraphForge 提出一个以证据图为核心的框架，从 O*NET 职业种子出发抓取真实文件组成工作区、在文件关系上构建证据图，并由该图编译出任务陈述与评分细则，再用一次初始 rollout 与修订代理校验可执行性；在 2169 条轨迹上微调 Qwen3.6-27B 后，OpenHands 下 GDPVal 达到 1445.7（+65.7），Claude Code 下 Workspace-Bench-Lite 与 SpreadsheetBench II 分别达到 63.7（+7.7）与 24.0（+13.7），同一数据也提升了 Qwen3.6-35B-A3B。

GraphForge 提出一个以证据图为核心的框架，从 O*NET 职业种子出发抓取真实文件组成工作区、在文件关系上构建证据图，并由该图编译出任务陈述与评分细则，再用一次初始 rollout 与修订代理校验可执行性；在 2169 条轨迹上微调 Qwen3.6-27B 后，OpenHands 下 GDPVal 达到 1445.7（+65.7），Claude Code 下 Workspace-Bench-Lite 与 SpreadsheetBench II 分别达到 63.7（+7.7）与 24.0（+13.7），同一数据也提升了 Qwen3.6-35B-A3B。

SkillGym 提出一条自动流水线，从互联网抓取技能并筛选出可离线复现的部分，用 builder-reviewer 智能体系统围绕四种推理结构构造带参考解与可执行验证器的技能关键型任务，再用三个教师模型和四个 agent harness 采集成功轨迹做监督微调，使 2B 到 122B 的六个模型在四个技能使用基准上 24 项比较中 22 项提升，其中 9B 模型在 SkillGym 测试集与 SkillEval 上超过 Qwen3.5-397B-A17B，并把智能体读取相关技能的比例从 28% 提高到 96%。

SkillGym 提出一条自动流水线，从互联网抓取技能并筛选出可离线复现的部分，用 builder-reviewer 智能体系统围绕四种推理结构构造带参考解与可执行验证器的技能关键型任务，再用三个教师模型和四个 agent harness 采集成功轨迹做监督微调，使 2B 到 122B 的六个模型在四个技能使用基准上 24 项比较中 22 项提升，其中 9B 模型在 SkillGym 测试集与 SkillEval 上超过 Qwen3.5-397B-A17B，并把智能体读取相关技能的比例从 28% 提高到 96%。

Skill2Env 提出以能力需求为导向的框架，从公开技能库筛选技能、用可复用难度模式与任务蓝图联合合成任务指令、执行底座、工作区与评分器，并用求解器执行证据迭代加固任务，最终产出 2963 个可执行任务；用其中 1.5K 条高分轨迹对 Qwen3.6-35B-A3B 做监督微调后，在七个智能体基准上平均分从 36.6 提升到 45.0。

Skill2Env 提出以能力需求为导向的框架，从公开技能库筛选技能、用可复用难度模式与任务蓝图联合合成任务指令、执行底座、工作区与评分器，并用求解器执行证据迭代加固任务，最终产出 2963 个可执行任务；用其中 1.5K 条高分轨迹对 Qwen3.6-35B-A3B 做监督微调后，在七个智能体基准上平均分从 36.6 提升到 45.0。